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，以預測基於個人因素、合並症和藥物使用的手術並發症風險。
設計回顧性隊列研究。
設置大學醫療中心門診部三級護理。
參與者2004年至2018年，3776例患者接受了原發性全髖關節置換術或全髖關節置換術。
主要和次要結果測量多變量logistic回歸模型用於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、是否存在免疫功能障礙、糖尿病、肝病和使用非甾體抗炎藥物。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模型的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，我們發現AUC為85.9% (95% CI=83.8%至87.9%)，對於脫位和VTE的預測算法，我們發現結果最差(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，預測概率範圍為0.01% ~ 51.0%。我們希望這能增強考慮全髖關節置換術或全髖關節置換術的共同決策，因為目前的谘詢是基於基於人群的風險概率，而不是使用個性化預測。考慮到預測風險的低估和高估，我們認為我們的SSI、譫妄和NER模型適合臨床使用。對於VTE和POB，應注意高估VTE的預測概率為0.08,POB的預測概率為0.05。此外，未來的研究應評估臨床影響以及模型在外部人群中是否可行。
- 臀部
- 膝蓋
- 骨科和創傷外科
數據可用性聲明
如有合理要求，可提供資料。
這是一篇開放獲取的文章，根據創作共用署名非商業(CC BY-NC 4.0)許可證發布，該許可證允許其他人以非商業方式分發、混音、改編、在此基礎上進行構建，並以不同的條款許可其衍生作品，前提是正確引用原始作品，給予適當的榮譽，任何更改都已注明，並且使用是非商業性的。看到的:http://creativecommons.org/licenses/by-nc/4.0/．
數據來自Altmetric.com
本研究的優勢和局限性
本研究采用多變量logistic回歸模型，基於個人因素、合並症和藥物使用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或診斷指南的多變量預測模型的透明報告進行和報道。
通過臨床推理和文獻檢索，有目的地選擇預測因子。
局限性包括僅通過自舉對預測模型進行內部驗證。
所使用的數據主要不是用於研究目的，因此，其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性關節炎患者，關節置換術是一種推薦的幹預措施。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，個人情況，共病和預期的手術類型。2 - 4因為決定是否進行手術是複雜的，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
在這個對話中，最可能的預後信息是核心，因為臨床醫生在麵臨決定是否進行手術時，提供了關於預期結果的指導和信息，包括手術並發症的風險。然而，基於患者的個人特征，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，目前關於結果預測的指南仍然建議基於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。在一個大型國家數據庫的基礎上，已經開發了幾種通用的外科預測模型。9然而，在將這些模型應用於骨科手術程序之前，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執行的等．10如Trickey所示等，以及其他，可以使用基於術前數據的預測模型來識別沒有從全髖關節置換術或全膝關節置換術(THA或TKA)中獲益的患者，這些數據包括人口統計學因素、疼痛評分和患者報告的結果測量的身體功能。10 - 13另一項研究開發了術前預測模型，以預測TKA後個別患者的疼痛、功能結果和治療成功的殘留報告。14此外，針對特定人群，還可以使用有用的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，醫療保險數據庫(65歲以上個人的聯邦健康保險計劃)中登記的患者數據被用於開發風險計算器。然而，研究人群的確切患者特征尚未報道，預測因素的影響仍不清楚。16哈裏斯等利用機器學習技術開發了預測模型，以確定預測術後並發症和死亡率的人口學和臨床預測因子。作者能夠確定預測術後腎髒並發症、心髒並發症和死亡的三個最準確模型的預測變量。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有必要進一步研究以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，或主要是男性退伍軍人的測試值，作者報告了大多數結果預測的次優表現評分。15基於特定患者群體的預測模型的可推廣性可能有限，需要進一步評估潛在的危險因素，以驗證初次全髖關節和膝關節置換術後並發症的預測模型。
從文獻中可知，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，這些假定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性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年在荷蘭奈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中央數據庫。
本研究的實施和報道符合個體預後或診斷指南的多變量預測模型的透明報告。18
數據收集
本研究使用的數據提取自Radboudumc的(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。這些數據是基於編碼提取的，由三位研究人員(LS, TvW和AT)通過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中提取患者特征數據，如年齡、性別、體重指數(BMI)、吸煙狀況、美國麻醉醫師協會(ASA)分類和手術診斷。此外，還提取了手術日期、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在該登記中，登記了手術相關的骨科並發症以及其他醫療並發症。22所有並發症均通過位置代碼和並發症性質的代碼進行登記。21一些登記不清楚，可能是指一種預定義的並發症，因此由LS在醫療記錄中進行檢查。關於每個手術並發症的所有包括的位置和並發症代碼的性質，請參見在線補充表1．
納入和排除標準
如果手術涉及原發性全髖關節置換術或全髖關節置換術，則符合納入隊列的條件。我們將初次THA或TKA定義為第一次放置完全假體。翻修關節成形術定義為任何改變(替換、移除或增加)關節假體的一個或幾個組件。20.我們預計關節翻修術對並發症的風險有負麵影響，因此本研究排除了關節翻修術。
結果(因變量)
預測模型建立在彙總THA和TKA數據的基礎上，針對6種預定義的手術並發症。主要結局是手術部位感染(SSI)，次要結局包括靜脈血栓栓塞(VTE)、術後出血(POB)、脫位、譫妄和神經損傷(NER)。除脫位和NER模型基於主次全髖關節置換術數據開發外，所有預測模型均基於主次全髖關節置換術和TKA數據開發。這些手術並發症在TKA中並不常見。
預測因素(自變量)
根據先前報告的證據和與結果相關的臨床推理，總共選擇了16個預測因子候選人。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)。請注意，我們從16個候選預測因子中進行了有目的的選擇，以作為不同手術並發症的預測因子。
從醫療記錄中提取的合並症根據英國國家衛生服務體係(NHS)進行分類。NHS認為這些類別在結果預測方麵是相關的共病類別。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評估的每個預測因子至少收集5個事件。24日25日事件定義為最不常見的結局狀態，在我們的病例中是手術並發症的存在。在荷蘭，像SSI這樣的並發症的估計風險是3%26；因此，為了開發具有6個預測因子的模型，至少需要30個事件，因此需要至少1000例患者的樣本量。
缺失的數據
通過調查缺失模式來檢查數據的完整性，以評估非隨機元素的存在。不完整的數據被反複檢查。缺失數據采用多重歸責法，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準確性損失，並可能導致結果偏倚。27 28imputation次數設置為10次。通過目視檢查和頻率檢查灌注的準確性。
統計分析方法
模型開發
來自文獻、臨床推理和目測的證據指導選擇預測因素納入模型。目測是通過評估與結果相關的潛在更高頻率的預測因子來完成的。29以手術並發症的發生作為結局變量，將所有選擇的預測因素納入多變量logistic回歸模型。預測模型在輸入的數據集上合並。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，對原始數據進行替換，抽取B=1000的B-bootstrap樣本，這反映了從底層總體中抽取樣本。由於繪圖帶有替換，引導數據集允許包含相同的原始案例。其他驗證方法重新采樣而不進行替換，因此這些驗證數據集是通過預先指定數量的代理數據集生成的，並且每個原始情況將被恰好省略一次，從而生成更小的數據集。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。進行自舉來估計未來患者的表現，並根據計算出的收縮因子調整模型，以便未來的預測不那麼極端。24
模型性能
我們量化了性能、辨別和校準的衡量標準。總體模型性能是預測結果與實際結果之間的距離。28為了量化模型的整體性能，我們評估了Brier, Brier按比例縮小的和Nagelkerke 's R2．對於Brier，計算了實際結果和預測之間的平方差異。Brier的範圍從0(完美模型)到0.25(結果發生率為50%的無信息模型)。野薔薇按比例縮小的在非信息模型下按其最大值縮放，範圍在0%到100%之間。Nagelkerke R2是對已解釋變異的度量。31模型區分有和沒有結果的患者的能力被量化為受試者工作特征曲線(AUC)下的麵積。其範圍從50%(無鑒別能力)到100%(完全鑒別能力)。AUC為>0.70時為合理，AUC為>0.80時為良好。32模型的校準是預測概率(用模型計算的事件的概率)和觀測到的結果頻率(準確度)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測量。高H-L統計量與低p值相關，表明擬合不佳。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包。
患者和公眾參與
患者參與了研究的設計，包括在撥款撰寫期間進行谘詢，並在研究設計過程中提供建議。此外，患者參與了將預測模型納入患者決策輔助的過程。焦點小組召開，患者和臨床醫生一起被問及他們對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．對於大多數潛在預測因子，隻有少量的缺失數據;然而，24.7%的人沒有吸煙狀況。歸責後，所有患者均可進行多變量建模。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)時，我們將所有選定的預測因子輸入模型。對於SSI，這些預測因素包括:年齡、吸煙狀況、BMI、是否存在免疫係統疾病、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、糖尿病和肝髒疾病有顯著影響，其中肝髒疾病是最強的預測因子，OR為10.7 (95% CI=2.4 - 46.6)。自舉法得出的收縮係數為0.984，用於調整回歸係數。表2顯示了估計SSI和次要結局風險的調整後預測模型和or。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 's R2，以評估SSI模型的整體性能，分別為0.010、0.026和0.081。
模型對SSI的判別性能表現在圖2．AUC為71.9% (95% CI=69.4% ~ 74.4%)，具有合理的鑒別能力。預測概率在0.01%至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)。表示模型精度的相應校準圖如圖所示圖3．校正圖顯示了相當準確的預測，特別是在風險較低時。該模型低估了風險，預測概率為>0.10。
預測模型中受試者工作特征曲線下手術部位感染麵積曲線=71.9% (95% CI=69.4% ~ 74.4%)。
手術部位感染模型的實際概率與預測概率的校準圖。三角形表示預測成功概率相似的患者的分位數(g=10)。灰色對角線表示預測概率與實際概率完全一致。
SSI和次要結果的表現，區分和校準表3．POB和NER的預測算法具有合理的判別值(AUC=73.0和76.6)，並以Nagelkerke 's R解釋方差分數2分別為0.072和0.086。譫妄的預測模型具有良好的判別值(AUC=85.9)，解釋方差分數為0.193。脫位和VTE模型的鑒別結果最差(AUC分別為58.4和66.3)，解釋方差分數分別為0.010和0.047。
受試者工作特征曲線和次要結果的校準圖顯示在在線補充．
討論
本研究開發的預測模型旨在骨科門診的個性化谘詢和SDM。根據我們的模型，SSI、VTE、POB、脫位、譫妄和NER的風險可以通過患者特征、合並症和藥物使用來預測。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時有用，而之前使用的基於人群的風險概率為3%。26然而，重要的是，該模型顯示了適度準確的預測，特別是在風險較低的情況下。該模型低估了風險，預測概率為>10%。因此，超過10%的預測概率應謹慎解釋。此外，其他性能指標中等至合理，表明SSI模型的總體性能中等。除了脫位模型，我們發現其他結果也類似;這個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全髖關節置換術或全髖關節置換術中合並症對SSI影響的薈萃分析結果具有可比性。作者指出，糖尿病和肝髒疾病會增加SSI的風險。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，其中一些預測因素對更高的性能沒有貢獻，因此沒有包括在內。我們還發現年齡是SSI的一個重要預測因素。對於已有的基於Harris退伍軍人骨關節炎數據的預測模型等，模型的自變量無法比較SSI，因為這些結果尚未報道。15我們發現，在他們的增強模型中，c統計量(AUC)為0.72，略好於0.66。與我們模型中使用的變量相似的變量也被用於其他預測術後並發症的模型的開發，如Harris的模型等．不幸的是，直接比較這些變量的預測能力之間的哈裏斯模型等而我們的模型是不可能的，因為他們預測模型中使用的術後結果與我們模型中使用的術後結果不同。17還有與Bozic的比較等，是困難的，因為適用於非醫療保險人口是值得懷疑的，他們也在他們的討論中描述。16
根據文獻，我們預計血栓預防藥物的使用，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的重要預測因素。然而，我們無法在我們的模型中證明這一發現。34這可能是由於這些預測因子在POB患者中頻率較低，並且由於抗凝治療的術前護理得到了改善。我們的譫妄模型包括與其他研究類似的預測因子;他們表明，年齡和先前存在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等他基於急性和擇期髖關節手術患者開發了一個可比較的模型，並發現了可比較的預測因素。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全髖關節置換術和全髖關節置換術，這些幹預措施在因髖部骨折而入院的急性患者中不是首選的。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這可以解釋為，在早期血栓栓塞事件後複發率高。38我們不能證明糖尿病是靜脈血栓栓塞的重要預測因素。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因素。目前尚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對模型產生影響。39 40由於這些原因，以及該模型對於脫位的性能較差，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
強大的一點是，我們徹底創建了一個大數據集，並使用了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。預測器易於評估，因此易於謹慎地實施。本研究的幾個局限性需要注意。我們回顧性分析了前瞻性收集的數據。這些數據主要不是為了研究目的而登記的，因此其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，例如采用了電子病曆。眾所周知，編碼實踐的變化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，但關於合並症和藥物使用的數據可能會被遺漏，因為它在其他地方報道過。此外，由於醫生和麻醉師在他們的報告中可能會選擇一些重要的共病，我們預計有少量的共病漏報。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，還使用了2004年至2018年的數據。在此期間術前護理有所改變。為了評估這種變化對我們結果的影響，我們檢查了並發症的模式，發現在這段時間內沒有差異。此外，由於估計的事件率很低(1%-3%)，我們需要一個大的群體來有足夠的事件來將預測器納入我們的模型。然而，由於並非所有的預測因子在我們最終的模型中都是重要的，我們希望包含更多的預測因子不會導致一個相當不同的模型，這也是上麵討論過的。這些模型是基於全髖關節置換術和全髖關節置換術數據的彙總而開發的。預計全髖關節置換術和全髖關節置換術患者特征、共病和藥物使用的影響具有可比性。44合並症對結果的影響經常被放在一起研究。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。具有相應績效指標的模型仍與主要分析相一致。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，並有望用於識別有手術並發症風險的患者。對於SSI，判別能力合理，預測風險在0.01% ~ 51.0%之間變化。我們期望個體預測的風險能夠增強SDM，並支持有充分根據的選擇。考慮到預測風險的低估和高估，我們認為我們的SSI、譫妄和NER模型適合臨床使用。對於VTE和POB模型的臨床應用，要注意高估超過0.08和0.05的預測概率(數據顯示在校正圖中)在線補充)，應分別予以考慮。未來的研究應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
如有合理要求，可提供資料。
倫理語句
患者發表同意書
倫理批準
該研究涉及人類參與者，並得到了Radboudumc醫學倫理委員會的批準。參考編號2018-4880。機構審查委員會的批準可根據要求提供。使用匿名數據。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，我們要感謝Stefan Riemens在審閱手稿的語法和措辭方麵提供的幫助。
參考文獻
腳注
貢獻者所有作者均確認為ICMJE所有四項標準的作者。概念化:LS, TJH, PVdW, SAWvdG。數據管理:LS。形式化分析:LS, TJH, TvW, SAWvdG。資金獲取:SAWvdG。調查:LS, TvW。方法:LS、TJH、PVdW、SAWvdG。項目管理:LS。資源:LS, TvW。軟件監督: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。授權號: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。更多細節請參閱方法部分。
出處和同行評審不是委托;外部同行評審。
補充材料此內容由作者提供。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是作者的意見或建議，不被BMJ認可。BMJ不承擔因對內容的任何依賴而產生的所有責任和責任。如果內容包括任何翻譯材料，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)，並且對因翻譯和改編或其他原因引起的任何錯誤和/或遺漏不負責。