Fokus på gruppnivå Ulf Strömberg Professor i epidemiologisk metodik SIR workshop, Vår Gård, 2011-03-16 Fokus på gruppnivå Ulf Strömberg Professor i epidemiologisk metodik FoUU Halland och Lunds universitet

Epidemiologisk metodik

Innehåll (fokus på gruppnivå = IVA-nivå, i regel) Flernivåmodellering O/E-ratio Vilken uppföljningstid?

Före SAPS 3 “Current general outcome prediction models do not consider the existence of clinical [e.g., clinical management] and nonclinical factors [e.g., organizational culture], aggregated at the ICU level, that can have an important impact on prognosis. Instead, they assume that these factors are either not important or are randomly distributed throughout large samples and the variation between ICUs is small.”                                              Moreno et al., 2006

Flernivåmodell pij = Pr{död för patient i på sjukhus j} Logit = ln[pij/(1-pij)] = β0 + β1×PRED1ij + β2×PRED2ij + … + αj Patientnivå Fixa effekter av prognostiska variabler Sjukhusnivå ”Random” effekt: αj ~ N(0,V)

Ett exempel [Merlo et al., 2005] Utfallsvariabel: död inom 28 dagar efter första hjärtinfarkt Jämför utfallsdata för perioden 1993-1996 mellan 90 sjukhus i Sverige

Skattning av mortaliteten ”rakt av” Skattning av mortaliteten ”rakt av”. Därefter normalisering till risk = 1.0 för medianrisksjukhus → relativ risk (RR) för sjukhus Modellbaserade RR, efter flernivåmodellering

Principer för flernivåmodellering Hospital-level outcome Arise from an ”ensemble” of true RRs ~ log-normal distribution • • … Patient-level outcome Can be modeled (e.g., age and previous diagnosis)

“Prior belief” gällande sanna RR mellan sjukhus, efter justering för variabler på patientnivå • An ”ensemble” of true ln(RR) ~ Normal distribution with mean  ln(1) = 0 and a true variance • The exchangeability assumption • • • … True ln(RR) • • Hospital no. 1 2 3 4 5 …

Skattning av mortaliteten ”rakt av” Skattning av mortaliteten ”rakt av”. Därefter normalisering till risk = 1.0 (för medianrisksjukhus), d.v.s. relativ risk (RR) Modellbaserade RRs, efter flernivåmodellering Både sjukhus- och patientnivå

En enkel flernivåmodell pij = Pr{död för patient i på sjukhus j} Logit = ln[pij/(1-pij)] = β0 + β1×AGEij + αj Patientnivå Fix effekt av ålder Sjukhusnivå Random intercept: αj ~ N(0,V) Logit Logit Age Age

Antag att äldre patienter hamnar på sjukhus med äldre medicinteknisk utrustning Logit = ln[pi/(1-pi)] = β0 + β1×AGEi Logit = ln[pij/(1-pij)] = β0 + β1×AGEij + αj Logit Logit Age Age

Betydelse av att inkludera random intercept på IVA-nivå? I praktiken har det förmodligen marginell påverkan på en prediktionsmodell med många prognostiska variabler på patientnivå.                                             

Möjligt att införa prognostisk variabel på IVA-nivå (utöver variablerna på patientnivå) Typ A IVA Typ B IVA Logit “The exchangeability assumption should hold within each ICU type” Age

Customized SAPS3 equations Logit = a + ln(SAPS3 + g)×b                                             

Jämförelse mellan olika grupper, O/E                                              Moreno et al., 2006

Jämförelse mellan olika grupper; O/E beräknas för respektive grupp O = d1 + d2 + … + dn (di = 1 om patient i dör; di = 0 om överlever) E = p1 + p2 + … + pn (pi = förväntad dödsrisk för patient i) Var(O) = σ2 = p1(1-p1) + p2(1-p2) + … + pn(1-pn) 95% konfidensintervall för O/E: (O ± 1.96×σ)/E Förutsättningar: den logistiska modellen är korrekt och n = antalet patienter i respektive grupp är tillräckligt stort (n > 50; men även färre patienter kan fungera bra)                                             

Vilken uppföljningstid? Död under sjukhusvistelse Död efter 28 dagar på sjukhus Död efter 30 dagar                                              “Logistic regression aims at estimating and explaining the probability of the event (= death) in a population where all patients are observed over the same time period. […] It is usually assumed that length of stay in the ICU does not alter statistical inference […] This assumption is probably not valid.” Moreno et al., 2008

DEMONSTRATION AV O/E BERÄKNINGAR …

Variance_term(= pi(1- pi)) Data att arbeta med IvaAvdAlias Overlevnad di Kon EMR (= pi) Variance_term(= pi(1- pi)) 247 587 M 0,072 0,067 582 K 0,675 0,219 581 0,045 0,955 580 0,483 0,517 2 1 0,585 0,415 5 0,934 0,066 …