格拉斯哥昏迷量表对时间的预测性能

背景

创伤是一个重要的全球公共卫生问题，全球因创伤而死亡的人数持续增加。 2016 年，超过 460 万人死于创伤，使其成为第 8 大死因。 在全球负担和疾病研究 (GBD) 中，创伤性伤害占所有死亡人数的近十分之一，超过疟疾、肺结核、艾滋病毒/艾滋病和孕产妇病症的总和。

TBI 被定义为外伤引起的脑损伤，外伤被定义为由于外力的直接或间接结果而对身体造成的损伤，有或没有结构连续性的破坏。 创伤性脑损伤 (TBI) 是全球发病率和死亡率的主要原因。 它是世界上外伤死亡的最大原因，其死亡率是不伴有 TBI 的外伤的三倍。 据估计，TBI 每年影响超过 1000 万人。

为了指导医生进行诊断和复苏方案，预测 TBI 严重程度和结果的预后模型非常重要。 格拉斯哥昏迷量表 (GCS) 是使用最广泛的预后模型之一。 它是一种神经学量表，通过使用三个参数来评估颅脑损伤患者对刺激的反应；睁眼、语言反应和运动反应。 它已被用于评估临床实践和神经创伤研究中的意识水平。 GCS 评分是 GCS 中使用的三个参数的总和，用于评估严重程度，范围从轻度、中度到重度。

一些研究已经研究了 GCS 的预后价值和 GCS 各个组成部分的预后价值，但关于损伤和第一次 GCS 之间的时间关系如何影响 GCS 的预测价值知之甚少。 研究表明，入院时测量的 GCS 比在创伤部位测量的 GCS 更具预测性，入院时的 GCS 中位数高于创伤部位的 GCS 中位数，但时间是否以及如何影响 GCS 分数尚未研究.

目的

本研究的目的是评估测量 GCS 的时间如何影响其在成人患者创伤性脑损伤 (TBI) 后的预测价值。 第一个目标是评估如果根据从受伤到记录的时间进行调整，GCS 的预测性能是否会得到改善。 第二个目标是评估 GCS 的预测性能是否因记录时间而异。

学习规划

这是对印度改善创伤护理结果队列研究 (TITCO) 的回顾性分析。

环境

将使用去识别化的 TITCO 队列。 该队列包括 2013 年 7 月至 2015 年 12 月期间来自印度四所大学医院的 16,000 名患者。 持有健康科学硕士学位的项目官员通过直接观察急诊室并填写标准化表格，前瞻性地收集了每个站点入院时的数据。 项目官员轮班八小时轮班（早上、晚上、晚上）。 还从观察到的轮班之外入院的患者的患者记录中回顾性检索数据。

参与者选择的来源和方法

现场项目官员包括来自参与医院的患者，通过前瞻性观察或通过患者记录的回顾性数据检索。

解释变量 感兴趣的两个解释变量是 GCS 和受伤与 GCS 记录之间的时间（以小时为单位），此后称为 GCS 时间。 GCS 是从患者记录中提取的，以及第一次 GCS 记录的日期和时间。 如果缺少第一次 GCS 记录的日期和时间，则将使用到达参与中心的时间。 受伤的日期和时间从患者记录中提取或由参与者直接报告。 从患者记录中提取首次 GCS 记录或到达参与中心的数据和时间。

协变量 将报告变量年龄、性别、受伤机制、患者是否从另一家医疗机构转院以及使用伤害严重程度评分 (ISS) 量化的解剖损伤严重程度以表征研究样本。 年龄、性别、受伤机制和转移状态要么从患者记录中提取，要么由参与者报告。 ISS 由一个认可的编码员根据伤害文本描述计算得出。

偏见

为了解决记录 GCS 时的人为错误，Aal 数据收集员观察员拥有健康科学硕士学位，并在整个数据收集期间不断接受培训和监督。

定量变量

GCS 将被视为线性项和具有 12 个水平的有序变量。 语言和眼睛组件的不可测试水平将被视为 1。 受伤和记录 GCS 之间的时间将被视为连续变量和分类变量。 当被视为受伤和 GCS 之间的连续时间时，将允许通过使用受限的三次样条对其进行建模，GCS 与死亡率具有非线性关联，三个结点放置在等间距的百分位数处。 当被视为绝对时，它将被分成两个小时的块。

统计方法

所有分析都将在统计语言和编程环境 R 中进行。样本将首先暂时分为训练样本和验证样本，如下面的研究规模部分所述。 然后将使用中位数和四分位数间距 (IQR) 对每个样本进行表征，以呈现定量变量，并使用计数和百分比来呈现定性变量。

在训练样本中，将使用以死亡率为结果的逻辑回归来拟合四个简单的预测模型。 第一个模型将仅包括 GCS 作为线性项，第二个 GCS 作为线性项和使用受限三次样条建模的 GCS 时间，第三个仅 GCS 作为序数变量，第四个模型 GCS 作为序数变量和时间到GCS 使用受限三次样条建模。 为了避免过度拟合，收缩因子将使用引导程序进行估计，然后将其应用于模型系数。

然后将这四个模型应用于验证样本，并估计和比较它们的预测性能。 将使用接受者操作特征曲线 (AUROCC) 下的面积、阳性和阴性预测值来评估每个模型的预测性能。 模型之间的预测性能差异和相关的 95% 置信区间将使用引导程序进行估计。

然后根据到达 GCS 的时间将每个训练和验证样本分成子样本，以便第一个子样本包括到达 GCS 的时间 < 2 小时的患者，第二个子样本包括到达 GCS 的时间在 2 到 4 小时之间的患者，等等以两个小时为单位进行。 在每个训练子样本中，将拟合一个简单的逻辑模型，包括作为线性项的 GCS 作为唯一的自变量。 每个模型中的 GCS 系数都会收缩。

在第一个训练子样本中开发的模型将应用于第一个验证子样本，依此类推。 每个验证子样本中的模型性能将使用 AUROCC 和均方根误差进行评估。 然后，将使用一个简单的广义线性模型对验证子样本中这些措施的趋势进行量化，该模型将性能测量数据作为结果变量，并使用具有三个结的受限三次样条作为唯一的独立变量对块索引号进行非线性变换。

处理缺失数据的策略

如果达到所需的样本量，并且仅包括具有关于结果、解释变量和协变量的完整数据的患者，则将进行完整的病例分析。 如果不是，则将使用链式方程通过多重插补处理缺失数据。 估算数据集的数量将等于不完整观察的百分比。 分析将在每个估算的数据集中单独进行，主要结果以跨估算的 IQR 的中位数表示。 对于置信区间，将报告汇总上限和下限的最极端值。

研究规模

数据最密集的分析可能是将 GCS 作为有序变量和 GCS 的时间作为受限三次样条拟合模型，因此估计研究规模以适应该分析。 模拟研究表明，逻辑回归模型需要至少十个事件或观察结果，每个包含的参数才能生成可靠的系数估计。 将 GCS 建模为有序变量将涉及估计十一个参数的系数，包括 GCS 的时间会增加两个额外的参数。 参数总数为 13，表明至少需要 130 个事件。 假设根据之前的研究结果流行率为 20%，则训练样本需要包括至少 650 个观察值。 如果这个数字小于完整样本的一半，那么将通过将完整样本分成大小相等的两部分来生成训练和验证样本。 如果完整样本包含少于 1300 个观察值，则前 650 个观察值将包含在训练样本中，其余观察值将包含在验证样本中。 无论如何，将以这样一种方式创建样本，即每个中心的相对贡献在两个样本中大致相同。