條文本
PDF
摘要
客觀的本研究的目的是建立全髖關節置換術(THA)和全膝關節置換術(TKA)患者的預測模型，基於個人因素、共病和藥物使用預測手術並發症的風險。
設計回顧性隊列研究。
設置大學醫療中心門診的三級護理。
參與者2004年至2018年期間，3776名患者接受了原發性全髖關節置換術或全膝關節置換術。
主要和次要結果測量多變量logistic回歸模型建立了主要結局手術部位感染(SSI)，次要結局靜脈血栓栓塞(VTE)，術後出血(POB)，脫位，譫妄和神經損傷(NER)。
結果對於SSI，包括年齡、吸煙狀況、體重指數、是否有免疫係統紊亂、糖尿病、肝病和使用非甾體類抗炎藥物。受試者工作特征曲線(AUC)下麵積為71.9% (95% CI=69.4% ~ 74.4%)。對於該模型，肝髒疾病顯示為最強的預測因子，OR為10.7 (95% CI=2.4至46.6)。POB和NER模型auc分別為73.0% (95% CI=70.7% ~ 75.4%)和76.6% (95% CI=73.2% ~ 80.0%)。對於譫妄的AUC為85.9% (95% CI=83.8%至87.9%)，對於脫垂和靜脈血栓栓塞的預測算法，我們發現最不理想的結果(AUC=58.4% (95% CI=55.0%至61.8%)和AUC=66.3% (95% CI=62.7%至69.9%)。
結論SSI的判別能力合理，預測概率在0.01% ~ 51.0%之間。我們預計這將加強在考慮全髖關節置換術或全髖關節置換術時的共同決策，因為目前的谘詢是基於基於人群的風險概率，而不是使用個人預測。我們認為我們的SSI、譫妄和NER模型在考慮到預測風險的低估和高估時適合臨床使用。對於VTE和POB，應注意高估VTE和POB的預測概率分別超過0.08和0.05。此外，未來的研究應該評估臨床影響和模型是否在外部人群中可行。
- 臀部
- 膝蓋
- 矯形和創傷外科
數據可用性聲明
資料應合理要求提供。
這是一篇開放獲取的文章，按照創作共用署名非商業性(CC BY-NC 4.0)許可發布，該許可允許其他人以非商業性的方式發布、混編、改編、構建本作品，並以不同的條款授權他們的衍生作品，前提是原創作品被正確引用，給予適當的榮譽，任何更改都被注明，且使用是非商業性的。看到的:http://creativecommons.org/licenses/by-nc/4.0/．
來自Altmetric.com的統計
本研究的優勢和局限性
本研究包括基於個人因素、共病和藥物使用的多變量logistic回歸模型來預測初次全髖關節和膝關節置換術後的術後並發症。
本研究根據個體預後多變量預測模型或診斷指南的透明報告進行和報道。
通過臨床推理和文獻檢索有目的性地選擇預測因素。
限製隻包括通過引導對預測模型進行內部驗證。
使用的數據主要不是為研究目的注冊的，因此，它們的細節和準確性可能不是最佳的。
簡介
對於終末期髖關節或膝關節骨關節炎患者，關節置換術是一種推薦的幹預方法。1手術是否是最好的解決方案取決於許多個人因素，如疾病的嚴重程度、所經曆的疼痛和不適的程度、藥物使用、個人環境、共病和預期的手術類型。2 - 4因為是否做手術的決定是複雜的，一個共享決策(SDM)過程是必要的。這一過程允許患者和臨床醫生討論符合患者價值觀和偏好的治療方案。5
在這一對話中，最可能的預後信息是中心，因為臨床醫生會提供關於預期結果的指導和信息，包括手術並發症的風險，當麵臨進行或放棄手術的決定時。然而，根據患者的個人特征提供關於手術並發症風險的個性化信息是具有挑戰性的。現有證據通常由平均結果組成，目前的結果預測指南仍然建議根據基於人群的風險概率進行谘詢，而不是使用個性化預測。6這是值得注意的，因為討論潛在的個人風險是SDM的一個重要方麵。7 8
為了克服這一問題，可以預測術後並發症的模型經常被開發和應用。幾個通用的手術預測模型已經建立在一個大的國家數據庫的基礎上。9然而，在將這些模型應用到骨科手術程序之前，需要確定特定手術領域的性能和準確性。對於全關節置換術，這是由Trickey完成的等．10正如特裏奇所示等根據人口學因素、疼痛評分和患者報告結果測量的身體功能等術前數據，可以使用預測模型來識別無法從全髖關節或全膝關節置換術(THA或TKA)中獲益的風險患者。10 - 13另一項研究開發了一個術前預測模型，以預測TKA後個體患者的疼痛、功能結果和治療成功的殘留報告。14對於特定人群，也可以使用電子風險計算器預測患者和臨床醫生的並發症和死亡率。15 - 17日在一項研究中，在聯邦醫療保險數據庫(65歲以上個人的聯邦健康保險方案)中登記的患者數據被用於開發一個風險計算器。然而，研究人群的確切患者特征尚未報道，預測因素的效果仍不清楚。16哈裏斯等利用機器學習技術開發預測模型，以確定預測術後並發症和死亡率的人口學和臨床預測因素。作者能夠為預測術後腎髒並發症、心髒並發症和死亡的三種最準確的模型確定預測變量。然而，在模型中使用的預測變量隻能找到三個最準確的結果。17有必要進一步研究確定不同術後結果的相關預測因素。在另一項研究中，回歸模型是基於對廣泛數據的單變量分析結果，如人口統計學、共病和實驗室，或主要為男性退伍軍人人群的測試值，作者報告了大多數結果的預測的次優性能分數。15基於特定患者群體的預測模型的可泛化性可能有限，需要進一步評估潛在的危險因素，以驗證原發性全髖關節和膝關節置換術後並發症的預測模型。
從文獻中我們知道，包括人口統計學特征和共病在內的個人因素對手術並發症有影響，3.因此，這些假設的因果關係可以作為風險預測模型的基礎。因此，本研究的目的是通過基於個人因素、共病和藥物使用預測手術並發症的風險，為臨床醫生和考慮手術的髖關節或膝關節骨關節炎患者開發一個預測模型。
方法
研究設計與設置
在這項回顧性隊列研究中，我們建立了一個2004年至2018年在荷蘭內梅亨大學醫學中心矯形科接受原發性THA或TKA的患者隊列。數據集根據患者編號、出生日期和手術日期合並到一個集中的數據庫中。
本研究是按照透明報告的個體預後多變量預測模型或診斷指南進行和報告的。18
數據收集
本研究使用的數據來自Radboudumc(電子)醫療記錄、荷蘭關節成形術登記(LROI)和Radboudumc並發症登記。我們主要從醫療記錄中提取共病和藥物使用情況。這些數據基於編碼提取，由三個研究人員(LS、TvW和AT)使用標準化操作程序獲得，並存儲在一個集中平台(Castor Electronic data Capture)中。19從LROI中提取患者的年齡、性別、體重指數(BMI)、吸煙狀況、美國麻醉醫師協會(ASA)手術分類和診斷等特征數據。此外，提取手術日期、手術類型(初次或翻修)、手術側和種植體類型。20.從並發症記錄中，我們提取了全髖關節置換術或全髖關節置換術後1年內發生的所有手術和並發症。21在這個登記中，手術相關的骨科並發症和其他醫療並發症被登記。22所有並發症都通過位置代碼和並發症的性質代碼進行注冊。21有些登記不清楚，可能是指預定義的並發症之一，因此LS在醫療記錄中進行了檢查。所有包括的手術並發症的位置和性質的代碼，見在線補充表1．
納入和排除標準
如果手術涉及原發性THA或TKA，患者有資格納入隊列。我們將初次THA或TKA定義為第一次放置全假體。翻修關節成形術的定義是對關節假體的一個或幾個部件進行任何改變(替換、移除或添加)。20.我們預期翻修關節成形術會對並發症的風險產生負麵影響，因此本研究排除翻修關節成形術。
結果(因變量)
綜合THA和TKA的6個預先確定的手術並發症的數據，建立了預測模型。主要轉歸為手術部位感染(SSI)，次要轉歸為靜脈血栓栓塞(VTE)、術後出血(POB)、脫位、譫妄和神經損傷(NER)。所有預測模型都是基於一次THA和TKA數據建立的，除了脫位和NER模型是基於一次THA數據建立的。這些手術並發症在TKA中並不常見。
預測(獨立變量)
根據以前報告的證據和與結果相關的臨床推理，總共選擇了16個預測候選者。這些包括患者特征，共病和藥物使用(如在在線補充表2和3)．注意，我們從16個候選預測因子中進行了有目的的選擇，作為不同手術並發症的預測因子。
從醫療記錄中提取的共病根據英國國民健康服務體係(NHS)進行分類。NHS認為這些類別在預後預測方麵相關共病類別。3.藥物使用減少到藥物的活性物質，並根據荷蘭藥物治療指南分類到藥物組。23
樣本大小
建議在多變量回歸分析中對每個預測因子進行評估，至少收集5個事件。24日25日事件被定義為最不常見的結果狀態，在我們的病例中是存在手術並發症。在荷蘭，像SSI這樣的並發症的估計風險是3%26；因此，為了開發一個具有6個預測因子的模型，至少需要30個事件，因此至少需要1000名患者的樣本量。
缺失的數據
通過調查缺失模式來評估非隨機元素的存在，檢查數據的完整性。對不完整的數據進行了複查。缺失的數據采用多重imputation進行imputation，因為在分析中遺漏一個或多個預測變量的患者會導致相當大的精度損失，並可能導致結果偏倚。27 28imputation的數量設置為10。通過目視檢查和頻率檢查imputation的準確性。
統計分析方法
模型開發
來自文獻的證據，臨床推理和目測指導的預測因素的選擇納入模型。目測是通過評估與結果相關的預測因素的潛在更高頻率來完成的。29以手術並發症的發生作為結果變量，將所有選擇的預測因子輸入多變量logistic回歸模型。預測模型在計算的數據集上進行合並。30.
內部驗證
為了降低過擬合的風險，我們使用自舉在內部驗證了模型。在這一步中，從原始數據中替換B=1000的B-bootstrap樣本，這反映了從基礎總體中提取樣本。由於繪圖帶有替換，引導數據集允許包含相同的原始案例。其他驗證方法在不替換的情況下重新采樣，因此這樣的驗證數據集是通過預先指定數量的代理數據集產生的，每個原始情況將隻被遺漏一次，這將導致更小的數據集。由於我們的數據集不是很大，我們決定使用自舉作為內部驗證方法。通過自舉來估計未來患者的表現，並通過計算出的收縮因子來調整模型，使未來的預測不那麼極端。24
模型的性能
我們量化了性能、鑒別和校準措施。總體模型性能是預測結果與實際結果之間的距離。28為了量化整體模型的性能，我們評估了Brier, Brier按比例縮小的和Nagelkerke R2．對布裏爾來說，計算了實際結果和預測之間的差的平方。Brier的範圍從0(完美模型)到0.25(非信息性模型)，結果的發生率為50%。野薔薇按比例縮小的在非信息模型下按其最大值伸縮，範圍在0%到100%之間。Nagelkerke R2是對已解釋變異的測量。31模型區分有和沒有結果的能力被量化為受試者工作特征曲線(AUC)下的麵積。這個範圍從50%(無辨別能力)到100%(完全辨別能力)。AUC為>0.70時判別能力合理，AUC為>0.80時判別能力良好。32模型的校準是預測概率(用模型計算出的事件的概率)和觀察到的結果頻率(準確性)之間的一致性，並通過目視檢查校準圖進行評估。28此外，我們計算了Hosmer和Lemeshow (H-L)擬合優度作為校準的定量度量。高H-L統計值與低p值相關，表明擬合性差。24
所有統計分析均采用R V.3.5.3進行。使用了vim、mice、rms、pROC和generalhoslem軟件包。
患者和公眾的參與
患者參與了研究的設計，其中包括在撥款寫作期間的谘詢和設置研究設計的建議。此外，患者參與了將預測模型納入患者決策輔助的過程。召開焦點小組，詢問患者和臨床醫生對在術前過程中納入模型的意見。
結果
模型開發
每個預測器缺失值的數量顯示在表1．對於大多數潛在的預測因子，隻有少量的數據缺失;然而，24.7%的人沒有吸煙狀況。植入後，所有患者可進行多變量建模。手術並發症無缺失值。
模型規範
根據我們對每個結果的預測候選者的選擇(描述在在線補充表4)，我們在模型中輸入所有選定的預測因子。對於SSI，這些預測因素是:年齡、吸煙狀況、BMI、是否存在免疫紊亂、糖尿病、肝病和使用非甾體抗炎藥物。我們發現年齡、免疫功能紊亂、糖尿病和肝病的顯著影響，其中肝病的存在顯示為最強的預測因子，OR為10.7 (95% CI=2.4至46.6)。自舉法得到的收縮係數為0.984，用於調整回歸係數。表2顯示調整後的預測模型和ORs，估計SSI和次要結果的風險。有關原始預測模型和調整係數，見在線補充表5．
模型的性能
荊棘,荊棘按比例縮小的和Nagelkerke R2，對SSI模型的綜合性能進行評價，分別為0.010、0.026和0.081。
模型對SSI的判別性能如圖所示圖2．AUC為71.9% (95% CI=69.4% ~ 74.4%)，具有較好的鑒別能力。預測概率在0.01% - 51.0%之間，平均值為1.0% (SD=1.5%)。校正效果差，H-L統計量顯著(p<0.001)。對應的表示模型精度的校準圖見圖3．校準圖顯示了相當準確的預測，特別是在風險較低的情況下。該模型低估了風險，其預測概率為>0.10。
預測模型的受試者工作特征曲線手術部位感染麵積曲線下麵積=71.9% (95% CI=69.4% ~ 74.4%)。
用實際概率對手術部位感染模型的預測概率的校正圖。三角形表示預測成功概率相似的患者的分位數(g=10)。灰色的對角線表示預測和實際概率完全一致。
SSI的性能、鑒別和校準以及次要結果在表3．POB和NER的預測算法具有合理的識別值(AUC=73.0和76.6)，並通過Nagelkerke 's R解釋了方差分數2分別為0.072和0.086。譫妄預測模型具有較好的鑒別價值(AUC=85.9)，解釋方差分數為0.193。脫位和VTE模型的鑒別效果最差(AUC分別為58.4和66.3)，解釋方差分數分別為0.010和0.047。
受試者工作特性曲線和二次結果的校準圖在在線補充圖1．
討論
本研究建立的預測模型是針對骨科門診的個性化谘詢和SDM。通過我們的模型，SSI、VTE、POB、脫位、譫妄和NER的風險可以通過患者特征、共病和藥物使用來預測。對於SSI，預測的概率範圍在0.01%到51.0%之間，這使得該模型在為足夠的SDM添加相關的個性化信息方麵非常有用，而之前使用的基於人群的風險概率為3%。26然而，必須指出的是，該模型顯示了適度準確的預測，特別是在風險較低時。該模型以10%的預測概率>低估了風險。因此，對於超過10%的預測概率應謹慎解讀。此外，其他性能指標為中等至合理，表明SSI模型的總體性能中等。除了脫位模型，我們在其他結果中也發現了類似的結果;這種模型嚴重低估了脫位的風險，因此不能用於個性化谘詢。
我們的結果與最近一項關於THA或TKA合並症對SSI影響的meta分析結果相比較。作者指出糖尿病和肝病是SSI的高風險因素。3.另一項具有類似辨別能力的研究發現，BMI、免疫抑製的使用、ASA評分、手術時間和既往手術是SSI的危險因素。33在我們的模型中，這些預測因素中的一些對更高的性能沒有貢獻，因此沒有包括在內。此外，我們還發現年齡是SSI的一個重要預測因子。對於已有的基於Harris骨性關節炎退伍軍人數據的預測模型等，由於這些結果尚未報道，因此無法比較SSI模型的自變量。15我們發現，與他們的增強模型中的0.66相比，c統計量(AUC)稍好一些，為0.72。我們的模型中使用的類似變量也被用於預測術後並發症的其他模型的開發，如Harris模型等．不幸的是，直接比較這些變量在哈裏斯模型之間的預測能力等而我們的模型是不可能的，因為他們的預測模型中使用的術後結果與我們的模型中使用的術後結果是不同的。17也和博濟奇比較等，因為是否適用於非醫保人群是有問題的，正如他們在討論中所描述的那樣。16
基於文獻，我們預期血栓預防的使用，如血小板聚集抑製劑，直接口服抗凝劑，低分子肝素和/或維生素K拮抗劑是POB的重要預測因子。然而，我們無法在我們的模型中證明這一發現。34這可能是由於POB患者中這些預測指標的頻率較低，以及抗凝治療的術前護理得到了改善。我們的譫妄模型與其他研究一樣包含了可比較的預測因素;他們表明，年齡和已有的認知障礙是譫妄的重要預測因素。35 36我們的模型證實了這一發現。Kalisvaart等他開發了一個基於急性和擇期髖關節手術患者的可比模型，並發現了可比的預測因素。作者還發現急性入院是譫妄的預測因素。35我們無法在我們的模型中證實這一點，因為我們關注的是原發性THA和TKA，而這些幹預措施在因髖部骨折而入院的急性患者中並非首選。AUC表明我們的模型在估計譫妄風險方麵更準確(85.9 vs 73)。35
對於靜脈血栓栓塞，我們隻發現肥胖和血栓栓塞事件是顯著的危險因素。3 37這可以用早期血栓栓塞事件後的複發率高的事實來解釋。38我們不能證明糖尿病是靜脈血栓栓塞的重要預測因子。3.對於脫位的風險，已知脫位的原因是多因素的，也由非患者可改變的因素引起，如植入物相關、手術相關和醫院相關的因素。目前還不清楚這些因素在多大程度上導致脫位的發生，但我們預計這些因素會影響模型。39 40由於這些原因，以及該模型對脫位的不良性能，我們認為該模型在患者信息文件中使用質量不足。由於我們的模型旨在支持術前SDM，我們隻使用與患者相關的變量，因為這些變量被認為是可修改的。39 41
優勢和局限性
一個優點是，我們徹底創建了一個大數據集，並使用最先進的統計數據進行分析。此外，我們的模型的簡單性是一個優點，因為我們使用了在常規護理中收集的預測器。預測因素很容易評估，因此在護理中很容易實施。應該注意到這項研究的幾個局限性。我們回顧性分析前瞻性收集的數據。這些數據的登記主要不是為了研究目的，因此它們的細節和準確性可能不是最佳的。此外，報告製度在研究期間也發生了變化，例如采用電子病曆。眾所周知，編碼實踐的改變可能會改變數據的完整性。42 43盡管研究人員進行了徹底的數據收集，但關於共病和藥物使用的數據可能會被遺漏，因為它是在其他地方報道的。此外，由於醫生和麻醉師可能會在他們的報告中選擇重要的共病，我們預計會有少量少報共病。我們試圖通過包括藥物使用來糾正這一限製，因為所有藥物都在術前麻醉報告中登記。此外，使用了2004年至2018年的數據。在此期間，術前護理發生了變化。為了評估這一變化對我們結果的影響，我們檢查了並發症的模式，在這一時期沒有發現差異。此外，由於估計的事件率較低(1%-3%)，我們需要一個大的種群來有足夠的事件，以便將預測因子包含到我們的模型中。然而，由於並非所有的預測因子在我們的最終模型中都是顯著的，我們預計包含更多的預測因子不會導致一個相當不同的模型，如上所述。該模型是基於THA和TKA的綜合數據開發的。預計THA和TKA的患者特征、共病和藥物使用的影響是相當的。44共病對預後的影響經常被一起研究。3.此外，我們通過僅對THA和TKA數據進行分析來驗證這一假設。具有相應性能度量的模型仍然與主要分析相一致。另一個限製是我們隻通過自舉進行內部驗證，還不能確定模型的外部有效性和臨床影響。對於臨床影響，確定結果的最小臨床重要差異也很重要。
結論
臨床預測模型的開發有助於在考慮全髖關節置換術或全髖關節置換術時提供更公正和準確的谘詢，並有望有助於識別有手術並發症風險的患者。SSI的鑒別能力合理，預測風險在0.01% ~ 51.0%之間。我們希望個人預測的風險能加強SDM，並支持一個有充分根據的選擇。我們認為我們的SSI、譫妄和NER模型在考慮到預測風險的低估和高估時適合臨床使用。對於VTE和POB模型的臨床使用，要注意高估超過0.08和0.05的預測概率(數據在文獻中的校準圖中顯示)在線補充圖1)，應加以考慮。未來的研究應該評估臨床影響以及我們的模型在外部人群中是否可行。
數據可用性聲明
資料應合理要求提供。
倫理語句
病人同意發表
倫理批準
該研究涉及人類參與者，並獲得了拉德布杜姆醫學倫理委員會的批準。參考號碼2018 - 4880。機構審查委員會的批準可根據要求提供。使用了匿名數據。如果參與者反對使用他們的個人數據，這些數據將無法用於我們的分析。
致謝
我們感謝Anouk Tulp對數據收集的貢獻。此外，我們還要感謝Stefan Riemens在審查手稿的語法和措辭方麵提供的幫助。
參考文獻
腳注
貢獻者所有作者確認了ICMJE所有四個標準的作者身份。概念:LS, TJH, PVdW, SAWvdG。數據管理:LS。形式分析:LS, TJH, TvW, SAWvdG。資金收購:SAWvdG。調查:LS, TvW。方法:LS、TJH、PVdW、SAWvdG。項目管理:LS。資源:LS, TvW。軟件監控:TJH, PVdW, SAWvdG。 Validation: LS. Visualisation: LS, TvW. Writing—original draft: LS. Writing—review and editing: TJH, TvW, PVdW, SAWvdG. Guarantor: LS.
資金這項工作得到了荷蘭國家衛生保健研究所(2018年保健質量透明度:使用結果信息進行共享決策)的支持。格蘭特:數量N / A。研究期間沒有涉及資金來源。
相互競爭的利益PVdW參與了美國物理治療協會的科學顧問團。
患者和公眾的參與患者和/或公眾參與了本研究的設計、實施、報告或傳播計劃。有關更多細節，請參閱方法部分。
來源和同行評審不是委托;外部同行評議。
補充材料本內容由作者提供。它沒有經過BMJ出版集團有限公司(BMJ)的審查，也可能沒有經過同行評審。討論的任何意見或建議僅僅是那些作者(s)和不被BMJ認可。BMJ放棄從放在內容上的任何依賴產生的所有責任和責任。如果內容包含任何翻譯材料，BMJ不保證翻譯的準確性和可靠性(包括但不限於當地法規、臨床指南、術語、藥品名稱和藥物劑量)，並且不對翻譯和改編或其他原因引起的任何錯誤和/或遺漏負責。