條文本
PDF
文摘
目標危重病人需要機械通風至少21天,1年死亡率仍可以用分數,計算出四個變量(年齡、血小板計數、血管加壓的使用和腎髒替代治療)。我們外部驗證和校準的歧視仍得分,如果有必要,更新其潛在的回歸模型。
設計回顧性觀察,隻有學習。
設置11在一個三級學術醫院重症監護病房。
病人780年危重成人接受侵入性機械通氣的病人至少21天。
主要結果測量重症監護病房出院後1年死亡率。
結果380例(49%)死亡後1年。為期一年的死亡率仍得分從0到5:15%,27%,57%,66%,72%和76%。接受者操作特征曲線下麵積仍的概率模型為0.76 (95% CI 0.72 - 0.79),校準攔截−0.43 (95% CI 0.59−−0.27)和校準斜率為0.76 (95% CI 0.62 - 0.89)。模型校準和擴展,包含三個額外的預測(總膽紅素濃度,腸內營養和手術狀態)改進的模型和校準的歧視。決策曲線分析表明,原始模型仍有負的淨效益,避免與仍擴展模型。
結論仍概率模型有足夠的歧視在我們的病人群體也是但的誤算,因此,有可能是有害的。仍使用擴展的分數由我們可能解決這個問題。
- 統計數據和研究方法
- 流行病學
- 強化與急救護理
數據可用性聲明
合理的請求數據。本研究的數據集分析可以從作者對合理的請求。
這是一個開放的分布式條依照創作共用署名非商業性(4.0 CC通過數控)許可證,允許別人分發,混音,適應,建立這個工作非商業化,和許可他們的衍生產品在不同的協議,提供了最初的工作是正確地引用,給出合適的信用,任何更改表示,非商業使用。看到的:http://creativecommons.org/licenses/by-nc/4.0/。
來自Altmetric.com的統計
本研究的優點和局限性
這是一個最大的外部驗證的研究仍得分。
與先前的研究相比,我們提供全麵的數據歧視和校準指南推薦的外部驗證的預測模型。
我們的研究是第一個將決策曲線分析仍突出的性能模型。
除了1年死亡率,我們無法分析功能狀態等重要結果變量,解放機械通風或依賴護理。
介紹
危重病醫學領域幾十年來經曆了相當大的變化,使許多病人克服急性嚴重疾病,恢複到原來的健康狀況。然而,大約8%的病人承認一個重症監護病房(ICU)需要器官支持措施在很長一段時間;這是一個條件稱為慢性疾病(CCI)至關重要。1CCI的定義之一是長期機械通氣(MV)至少21天。2CCI患者當中,ICU出院後1年死亡率約為50%,3 4和功能結果經常在幸存的患者依舊貧窮。5常用的ICU評分係統未能充分預測長期CCI患者的死亡率。6 7此外,生存和功能結果經常高估了患者,他們的代理人和臨床醫生,8阻礙了明智的決策。因此,長期的預後通風(仍)邏輯回歸模型派生於2008年估計患者的1年死亡率MV至少21天使用四個變量(年齡、血小板計數、血管加壓的使用和腎髒替代治療)。9日10為了便於臨床使用,仍概率模型簡化生成仍得分,可以很容易地計算在床邊。
外部驗證的預測模型是一個重要的任務,應該執行實施臨床實踐之前,它應該使用不同的病人隊列的預測模型。雖然一些研究來自美國和亞洲仍驗證了分數,隻有一個歐洲外部驗證研究,200年法國CCI患者,進行。11相當大的差異,ICU數量、大小和床可用性之間存在美國,亞洲和歐洲,限製這些區域之間的可比性。12日13此外,文化差異對病人自主權和治療結束時的生活可能導致縮短或延長生存在一些地區。14眾所周知,預後評分必須調整來彌補這樣的地區差異當他們用於新的設置和性能下降。15正因為如此,仍進一步外部驗證模型看起來是合理的。
因此,本研究的目的是評估的能力仍概率模型來預測1年死亡率在一個大型奧地利的MV危重患者至少21天。
方法
病人和數據導出
這個單中心回顧性觀察研究,我們篩選了電子健康記錄的所有病人承認11 icu在維也納總醫院,三級護理中心的醫科大學的維也納,奧地利,2015年1月至2019年12月的學習資格。患者接受侵入性MV機械通風至少21天有資格學習包容。值得注意的是,患者仍有資格如果MV被打斷了不到72小時然後重啟。
我們導出的數據(人口、醫院和入住ICU和放電數據,診斷,仍變量:年齡、血小板和血管加壓的使用和腎髒替代療法)從所有符合條件的患者IntelliSpace急救護理和麻醉病人數據管理係統(飛利浦奧地利GmbH,維也納,奧地利)。我們獲得信息在1年死亡率統計奧地利、奧地利國家統計研究所。我們排除了兒科患者,嚴重燒傷患者或急性或慢性神經肌肉疾病,患者通風超過24小時前入住ICU病人仍失蹤的死亡率數據或輸入參數。我們沒有執行本研究樣本量計算分析所有患者可在我們的數據庫。
模型驗證
我們計算估計1年死亡率仍使用概率模型公式10歧視和評估模型由接受者操作特性曲線繪製圖形和數值計算荊棘得分,接受者操作特征(AUROC)曲線下的麵積,真陽性率(TPR;即靈敏度),真陰性率(TNR;即特異性),陽性預測值(PPV)以及陰性預測值(NPV),所有閾值的概率為50%。我們還確定最優閾值概率最大化Youden的指數。我們評估模型校準圖形通過繪製校準情節和數值計算校準攔截和校準的斜率。我們使用的完整數據集驗證仍原始模型。
模型校準和擴展
我們進行了模型校準數據的一個子集組成的70%的病人從總群隨機抽樣(訓練集)。其餘設置用於內部驗證(測試集)。起初,也是必要的更新的誤算回歸係數測定。為此,我們安裝使用原始邏輯回歸模型的線性預測作為抵消變量(即一個變量回歸係數固定在1)和forward-stepwise執行選擇的四個候選人變量(年齡、血小板計數、血管加壓的使用和腎髒替代治療)使用條目0.05的顯著性水平。得到的回歸係數確定的原始回歸係數的變化是必要的,以提高校準。沒有選擇變量的回歸係數保持不變。最後的回歸係數調整模型給出了原始係數和係數之和的forward-stepwise選擇。16
此外,我們調查是否有新的預測改進模型。我們分析以下26實驗室參數,所有測量在21天的MV:紅細胞計數、血紅蛋白、白細胞計數,動脈局部氧氣壓力,動脈二氧化碳分壓,動脈pH值,基本過剩,標準碳酸氫鹽濃度、鈉、氯、鉀、鈣、鎂、磷、乳酸、葡萄糖、肌酐、總膽紅素、白蛋白、丙氨酸氨基轉移酶、天冬氨酸轉氨酶,伽馬穀酰基轉移酶激活局部血栓形成質時間、凝血酶原時間和纖維蛋白原。首先,我們固定調整模型通過使用其作為偏移量和線性預測與每個候選人進行變量邏輯回歸變量使用補償。最後擴展的模型是使用最重要的實驗室參數,包括兩個額外的變量,是決定按臨床專業知識:提供腸內營養(yes / no)和任何手術(yes / no)之前或同時承認ICU。
原,重新調整和擴展模型內部測試數據集進行驗證。我們計算荊棘得分,AUROC, TPR, TNR、PPV和NPV(閾值的概率為50%)。
決策曲線分析
評估最初的臨床實用性和擴展仍概率模型,我們進行了決策曲線分析(DCA)。我們計算淨收益隨著病人數量的正確認定為non-survivors後1年(真陽性數)-加權的患者數量錯誤地認定為non-survivors(假陽性數)為整個範圍的閾值概率(pt;即從0%到100%)17:
。
閾值概率的概率是指上麵病人分為non-survivor(例如,一個病人預計有60%的機會non-survival被列為non-survivor pt50%,但如果pt是70%)。n是指病人的總數。淨收益可以解釋為真陽性的數量每100名患者沒有任何假陽性。18我們分析這些數據以圖形方式決定曲線。
描述性統計
分類變量是作為絕對和相對頻率。給出了連續變量值與第一和第三個四分位數。
病人和公眾參與
一個也沒有。
結果
我們篩選1015個潛在的合格接受MV的患者至少21天包容和研究包括780例在最後分析(圖1)。ICU住院時間中值為40天(差30-54),和醫院住院時間中位數為65天(IQR 42 - 102)。基準信息在MV中提供了21天表1。
病人包含流程圖。注意,一些患者遇到了一個以上的排除標準。ICU重症監護室。
1年之後,380名患者(49%)已經死了。後平均存活時間研究夾雜物(即天21 MV) 34天(IQR 12 - 103)。為期一年的死亡率仍得分從0到5是15%,27%,57%,66%,72%和76%。kaplan meier圖描繪死亡率的變化隨著時間的推移,分層仍得分,在提供在線補充材料1。
仍概率模型
驗證
我們驗證仍使用數據完整的病人隊列概率模型。荊棘得分是0.21,AUROC為0.76 (95% CI 0.72 - 0.79)。一個閾值的概率為50%,TPR(即靈敏度)為0.81 (95% CI 0.76 - 0.85), TNR(特異性)為0.58 (95% CI 0.53 - 0.63), PPV為0.65 (95% CI 0.60 - 0.69)和淨現值為0.76 (95% CI 0.71 - 0.81)。最優閾值概率最大化Youden指數為52%。校準攔截−0.43 (95% CI 0.59−−0.27)和校準斜率為0.76 (95% CI 0.62 - 0.89)。接受者操作特征曲線進行描述圖2和校準圖所示圖3。
接受者操作特征曲線原始和擴展仍概率模型。
標定塊的原始和擴展仍概率模型。
校準
也是仍作為模型的誤算,因此高估了1年死亡率,我們執行校準使用來自546名患者的數據。調整模型係數提供了在線補充材料2。內部驗證在234名患者的一個子集用於校準產生了荊棘的分數為0.19和0.78的AUROC (95% CI 0.73 - 0.84)。一個閾值的概率為50%,TPR為0.75 (95% CI 0.65 - 0.82), TNR為0.66 (95% CI 0.57 - 0.74), PPV為0.64 (95% CI 0.55 - 0.73)和淨現值為0.76 (95% CI 0.67 - 0.83)。閾值的概率最大化Youden指數為38%。在此截止,TPR為0.91 (95% CI 0.88 - 0.94), TNR為0.47 (95% CI 0.42 - 0.52), PPV為0.62 (95% CI 0.58 - 0.66)和淨現值為0.85 (95% CI 0.79 - 0.89)。校準攔截−0.21 (95% CI 0.50−0.07)和校準斜率為1.19 (95% CI 0.84 - 1.53)。
擴展
在下一步中,我們旨在改善仍概率模型通過引入額外的預測數據在我們的機構。我們評估一組26實驗室測量值在21天的MV,以及信息提供腸內營養和手術的地位。我們構建了一個多元預測模型包括線性預測模型抵消和調整包括三個額外的預測變量在最後擴展模型:總膽紅素濃度(mg / dL),腸內營養(yes / no)手術狀態(任何手術/不手術)。這些變量是1年死亡率顯著相關:口服補液鹽單變量為1年死亡率為1.15 (95% CI 1.07 - 1.26)總膽紅素濃度,為0.33 (95% CI 0.15 - 0.67)腸內營養和0.6 (95% CI 0.41 - 0.88)對於任何手術。提供了擴展模型的係數在線補充材料2。內部驗證擴展仍模型的234名患者不用於擴展模型的建設產生了荊棘得分0.18和0.81的AUROC (95% CI 0.76 - 0.87)。一個閾值的概率為50%,TPR為0.78 (95% CI 0.69 - 0.86), TNR為0.66 (95% CI 0.57 - 0.75), PPV為0.66 (95% CI 0.57 - 0.74)和淨現值為0.78 (95% CI 0.69 - 0.86)。最優閾值的概率最大化Youden指數為48%。校準攔截−0.27 (95% CI 0.57−0.03)和校準斜率為1.10 (95% CI 0.78 - 1.41)。接受者操作特征曲線進行描述圖2和校準圖所示圖3。
決策曲線分析
圖4介紹了DCA的原始以及擴展仍概率模型。為此,我們計算淨收益,這可以解釋為真陽性的數量每100名患者沒有任何假陽性,在整個範圍的閾值概率,也就是說,從0%降至100%。閾值概率的68%,淨效益的原始模型仍是積極而下降。仍高於68%,淨效益的原始模型變得消極時,表明假陽性的數量non-survivors不成比例的正確的數量確定是真的積極non-survivors。淨利益的擴展仍概率模型並不不同於原始模型的閾值概率45%,仍高於淨效益的擴展概率模型仍超過淨效益的原始模型。因此,擴展模型能夠識別更多的真陽性non-survivors假陽性和/或低於原始模型。
決策曲線分析的原始和擴展仍概率模型。中提供了一個詳細描述文本。
討論
我們進行第一個外部驗證的研究仍得分及其潛在的邏輯回歸模型在一個大型奧地利病人隊列。我們發現仍模型能夠區分non-surviving和幸存的患者充分但是相比以前studies-overestimated 1年死亡率。我們能夠正確的通過調整仍模型,提高模型的歧視,包括三個容易變量(總膽紅素濃度,提供腸內營養和手術狀態)作為額外的預測仍在擴展模型。
仍模型已經被來自一群2001年和2005年之間的300名病人。自那時以來,多次外部驗證模型與隻有以及多中心從美國軍團,10 21亞洲22 - 24和歐洲。11通用標準評估AUROC歧視,這樣的背景下仍模型可以被解釋為概率分配non-surviving CCI患者non-survival的概率高於病人幸存。AUROC之間不同的先前的研究在0.64和0.79之間,10 22與我們的結果躺在中間。然而,這些研究的結果並不是容易可比,因為大多數驗證仍隻有分數,11日22日24這仍歸類為預測變量的大小取決於仍邏輯回歸模型的回歸係數。以這種方式簡化預測模型在醫學研究中是很常見的,因為它允許快速手動計算但同時犧牲預測性能。25隨著數字化變得越來越融入醫學和各種成績的自動計算更加容易獲得在病人數據管理係統中,簡化邏輯回歸模型可能不再是必需的。由於這個原因,我們選擇驗證仍概率模型仍在這項研究中,而不是簡單的分數。
除了歧視模型,評價模型校準是同樣重要的。校準是指協議預計在1年的死亡概率與實際相比1年死亡率。與其他外部驗證研究和符合報告統計模型,評估指南26我們報告,第一次廣泛仍概率模型的校準標準。我們發現,觀察1年死亡率仍低於推導研究,發現近100%患者的死亡率仍大量4或5。9日10結果,仍我們的病人隊列模型高估了死亡率和特異性(即TNR)死於1年50%的概率閾值為0.58 (95% CI 0.53 - 0.63)與0.91±0.16相比仍在原來的研究。因此,模型,開發低誤判率的目標,表現在我們的研究對象。
仍有幾個因素可以解釋的不同性能模型與其他研究相比,我們的隊列。首先,有明顯的地理差異對危重病醫學的各個方麵:ICU床數量,27 28可用性,人力資源的定義,甚至被認為是加護病房的床上。12這些不同地區之間相差很大,甚至在歐洲國家之間。這反過來影響承認患者的治療,他們的藥物治療之前ICU導納和ICU後放電,因此患者的短期和長期的結果。29日的確,眾所周知,地理差異限製國際可比性的研究在急救護理。13此外,病人隊列用於發展仍得分是招募了10多年前我們的研究。隨後,在ICU治療雖然承認差異,以及ICU出院後,可能影響病人的結果。另一個可能的來源的變化是不同的臨終關懷實踐,也相差很大在地理區域和近年來已經發生了變化。30 31這樣的變化可能特別有助於短期死亡率的差異,從而解釋分歧仍概率模型的性能。
傳統指標的歧視和校準的一個缺點是它在臨床實踐中難以應用。分別在PPV NPV,可用於估計預測模型的結果是否會發生,他們不占假陽性或陰性的後果。DCA是一種越來越常見的方法用來說明預測模型的價值,是當前推薦的指南。26在DCA,給定的淨效益統計模型分析了閾值概率的範圍。淨利益代表真陽性的數量確定-加權假陽性的數量在給定閾值的概率,可以理解為真正的non-survivors數量確定的仍沒有任何假陽性non-survivors概率模型。我們的研究是第一個應用DCA仍評價模型。首先,我們發現,應用原始模型時,淨收益變成負數在閾值概率在68%以上。這可以解釋為應用程序的原始,miscalibrated仍導致識別模型相對比真正的假陽性non-survivors non-survivors因此可以是有害的。這證實了仿真研究,結果證明模型刻度錯誤後負的淨效益。32第二,關於淨效益,調整擴展模型優於原來的高閾值的概率,這凸顯了需要仔細評估預測模型在實施之前的臨床實踐。正確的解釋DCA權證仔細考慮適當的範圍的閾值概率,這是高度依賴的臨床後果的被列為non-survivor。在低風險的情況下決策,如強製性倫理谘詢、低閾值概率是適當的,而在嚴重後果的情況下,如決定放棄心肺複蘇術或手術幹預,限製高閾值概率是合適的。目前,沒有推薦的合適的CCI患者治療措施。因此我們選擇目前的淨效益在整個範圍的閾值概率。
我們必須認識到相關研究的局限性:選擇性偏差可能被排除了機械通氣病人被轉移到我們的中心,但這是必要的,我們沒有結構化數據在這些患者之前導納對我們醫院。此外,我們沒有分析數據pre-ICU和post-ICU療法,病人的共病和保險卡訂單,所有這些都有可能被用於解釋我們的結果。此外,長期的結果數據,包括病人的認知和/或功能狀態,解放MV或者生活的地方(如醫院、護理機構或國內)並不可用,但高度相關,應該在將來的研究中得到解決。鑒於持續COVID-19大流行,我們不包括COVID-19誘導急性呼吸窘迫綜合征患者在這項研究中,應用仍模型時必須小心那些病人,誰能更好的長期結果比患者納入本研究。33
總之,我們仍外部驗證了概率預測模型的1年死亡率在一個大群CCI患者。模型性能符合先前的研究,增加現有證據表明仍模型通常是健壯的。然而,仍原模型高估了1年死亡率,和應用程序的修改的概率模型可以是有害的。重新調整和擴展模型提供了良好的歧視和校準仍優於原始模型。我們的研究表明,謹慎的評估預測模型引入臨床實踐之前是必要的。未來的研究應該評估應用程序仍模型可以提高決策的CCI和另外調查功能結果以及長期死亡率。
數據可用性聲明
合理的請求數據。本研究的數據集分析可以從作者對合理的請求。
倫理語句
病人同意出版
倫理批準
本研究經倫理委員會批準的醫科大學的維也納,奧地利(參考號1926/2021)。需要獲得知情同意放棄了道德委員會由於回顧性研究的性質。
引用
腳注
貢獻者CD和ES的構思和計劃。CD可以收集和分析數據。所有作者批判性討論和解釋數據。CD起草文章的第一個版本。所有作者修改了手稿,閱讀和批準最終的手稿。CD和西文手稿並接受全部責任的擔保人的工作和行為的研究中,對數據的訪問,決定發布控製。
資金作者並沒有宣布具體資助這項研究從任何公共資助機構,商業或非營利部門。
相互競爭的利益沒有宣布。
病人和公眾參與病人和/或公眾沒有參與設計,或行為,或報告,或傳播本研究計劃。
出處和同行評議不是委托;外部同行評議。
補充材料此內容已由作者(年代)。尚未審查由BMJ出版集團有限公司(BMJ)和可能沒有被同行評議。任何意見或建議討論僅代表作者(年代)和不了BMJ的支持。和責任起源於BMJ概不負責任何依賴的內容。內容包括任何翻譯材料,BMJ並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,藥物名稱和藥物劑量),和不負責任何錯誤或遺漏引起的翻譯和改編或否則。