围手术期卒中后结果的预测因素

背景

围手术期卒中是一种毁灭性的手术并发症，目前其特征还很差，可用于检测和预防其发生的临床工具有限。 围手术期卒中是一种发生在手术后的脑血管事件，影响 0.1-1.9% 的非心脏、非神经外科手术患者。 与发生率和严重程度相似的术后并发症（如心脏并发症）相比，围手术期卒中的研究相对不足。 在过去的几十年中，已经做出重大努力来降低围手术期心肌梗死的风险，并且由于风险分层和围手术期管理的进步，导致发病率随时间下降。 虽然围手术期脑卒中的发生率与围手术期心肌梗死相似或更高，但随着时间的推移，这种并发症的风险一直在增加，围手术期脑卒中仍然相对被忽视。 目前的文献已经确定，手术后发生中风的患者死亡率、住院时间和出院时间都较高，但鉴于这种并发症的罕见性，对于哪些因素可以预测这些结果的因素知之甚少经历围手术期中风。

目标

具体的目标

1. 推导并外部验证死亡率（主要结果）、不良出院、ICU 使用率、气管切开术/PEG/颅骨切除术和围手术期卒中后住院时间的风险预测模型。
2. 描述 2005 年至 2020 年围手术期卒中后死亡率的时间趋势。
3. 探索围手术期卒中后死亡风险的介质。

方法

本研究是对 2004 年至 2020 年间前瞻性收集的美国外科医师学会国家外科质量改进计划数据库的回顾性分析。

派生队列将从 NSQIP 数据库中提取。 数据集的最近一年（2020 年）包括来自 708 个站点的超过 100 万个案例的数据。 验证队列将从 Population Data BC 中提取，这是一个链接的省级数据库集合，提供关于 BC 所有居民（人口 510 万）的去识别化个人水平数据。 选择 2002 年 1 月 1 日至 2020 年 12 月 31 日的日期范围以反映当代中风治疗实践（例如 EVT）以及自 2002 年以来对 ICD-10-CA 编码的一致使用。

研究人群

NSQIP 推导队列：将包括 2004 年至 2017 年间 NSQIP 数据库中围手术期卒中患者。 我们将排除神经外科（包括颈动脉内膜切除术）和介入放射学手术。 考虑到心脏和非心脏手术人群独特的卒中风险特征，将分别对其进行分析。

PopDataBC 验证队列：AIS 患者将使用诊断代码 I63.0-163.9 进行识别 来自加拿大国际疾病分类 (ICD) 第十次修订版 (ICD-10-CA)，它在大型管理数据集中准确可靠地识别 AIS，具有大于 97% 的阳性预测值和灵敏度。 在入院手术后 30 天内经历 AIS ICD-10-CA 入院诊断（前 3 个位置）的患者，或作为索引手术住院的出院诊断。 如果围手术期患者在因中风入院前 30 天内收到手术账单代码，他们将从整个 AIS 队列中进一步提取。

结果变量：主要结果是 30 天死亡率；次要结果是 ICU 利用率、住院时间、严重中风结果的标志物（气管切开术、PEG、脑水肿的半颅骨切除术）和不良出院（非家庭设施或死亡）。

候选预测变量：围手术期卒中后的结果可能与患者、手术和麻醉因素以及卒中的特征有关。 候选预测变量将包括患者特征（年龄、性别、合并症，包括中风病史）、手术特征（专业、复杂性、类型、紧急状态）、麻醉技术（普通麻醉与区域/椎管内麻醉）和中风特征（相对于手术的时间） ，中风再入院与住院中风）。 将考虑使用分数多项式进行连续变量的转换，以允许连续的非线性关联。

统计分析

目标 1：风险预测模型的推导和验证。 考虑到心脏和非心脏手术独特的卒中机制，将分别为心脏和非心脏手术创建预测围手术期卒中后 30 天死亡率的多变量模型。 为避免过度拟合，我们将采用数据缩减策略并排除缺失数据超过 10% 或少于 20 个观察值的变量。 如果缺失 >1% 但 <10% 的数据，我们将考虑多重或均值插补；缺失数据小于 1% 的变量将通过完整的案例分析进行处理。

预先指定的预测变量将用于构建逻辑回归模型，其中系数将使用弹性净惩罚缩小。 选择这种用于变量选择和惩罚的方法是因为我们预计相对于结果数量可能存在大量潜在预测因子，并且几个重要的预测因子将是共线的。 通过使用弹性网络正则化，我们可以在最小绝对收缩和选择算子 (LASSO) 惩罚与 RIDGE 回归之间取得平衡。 RIDGE 回归将使我们能够保留重要的共线预测变量，但会缩小它们的系数（可能会因共线性而膨胀）。 LASSO 方法将允许一些非贡献预测变量的系数为零，因此，将它们从模型中消除。 将对包含的变量进行交互评估，并考虑根据需要改进模型性能的附加项。 具体来说，我们将先验检查以下相互作用：年龄*性别、手术复杂性 (WRVU)*年龄、WRVU*专业和专业*麻醉技术。 将使用接受者操作特征曲线（c 统计量）下的面积来评估模型辨别力。 将使用风险范围内观察到的风险与预测风险的黄土平滑图来评估模型校准。 将使用类似的分析来创建停留时间长度的预测模型（这将是对数转换的线性模型）。 由于死亡是出院处置的竞争结果，因此不良出院将被建模为有序结果（家庭、非家庭出院或死亡）。

内部验证：推导后，将使用 5,000 个自举样本进行内部验证并生成估计的乐观度。 敏感性分析将测试不同时间段的模型性能，以评估手术年份的影响（例如，2 至 3 年的时间段，具体取决于每年可用的观察次数）。 在得出预测死亡率的最终模型后，我们将通过将回归系数转换为反映其相对权重的点来得出简化的预测指数。 将以与上述类似的方式评估所得工具的预测准确性。

外部验证：在将 NSQIP 数据元素映射到 PopDataBC 数据库后，最终的逻辑模型将在从 PopDataBC 获得的不同数据集中进行外部验证。 回归系数将应用于来自 NSQIP 衍生模型的 PopDataBC，以计算预期结果概率并将预测结果与观察结果进行比较。 将测量辨别力和校准，接受者操作特征曲线下的面积 >0.70 被认为是可接受的模型辨别力，Hosmer-Lemeshow 测试 p>0.05 表明可接受的拟合优度。

目标 2：死亡率的时间趋势。 我们将执行探索性未经调整的普通最小二乘回归模型，以围手术期卒中后的年死亡率作为因变量，以年份作为预测变量，以估计死亡率随时间的年度变化。 将指定一个多变量线性回归模型，针对重要的预测因素进行调整。

目标 3：死亡风险的中介因素。 为了探索中风后事件对中风前死亡风险的可能影响修正，我们将指定一系列逻辑回归模型，其中死亡作为因变量，我们的主要模型的死亡概率作为线性预测因子。 然后，我们将添加预先指定的预测变量（上文），每个预测变量都作为一个附加变量，以探索死亡概率是根据添加的假设效应修正变量而增加还是减少。

性别/基于性别的分析：我们将通过对女性和男性进行亚组分析，并描述和比较这两个人群的基线特征和结果来探索围手术期卒中后性别与结果之间的关系。 我们将进一步将性别先验作为调整后模型的预测因子，并检查与其他变量的相互作用。 我们无法检查非二元性别，因为 NSQIP 仅提供“男性”、“女性”或“未知”。

样本量和功效：我们使用 Riley 等人的方法来估计所需的样本量，以推导出一个稳定的逻辑回归模型，最大限度地减少过度拟合。 使用 30 个模型参数和中风患者 25% 死亡率的估计结果流行率，3 我们根据潜在的模型歧视（c 统计量）和解释方差（Cox-Snell R2）估计了所需的最小样本量。 如果我们的模型达到 0.7 (R2 0.09) 的 c 统计量，我们需要 2,754 名参与者。 更强的辨别力（c 统计量 0.8，R2 0.2）会将所需的样本量减少到 1,145。 NSQIP 数据库 2004-2017 包含 660 万患者，根据我们对 2015 年数据集的初步分析，99.5% 将是非心脏手术，卒中发生率为 0.19%，0.5% 将是心脏手术，发生率为 1.76%中风。 因此，我们估计总共至少有 12,434 次和 5,808 次非心脏和心脏围手术期卒中。

p 值 <0.05 将被视为对所有分析都具有显着性，所有数据分析将使用 STATA 17（StataCorp，德克萨斯州，美国）进行。