Optimizing diagnosis of recurrent events using (almost) continuous monitoring ancillary study of Costs and effects of strategies to prevent oversedation in Intensive Care patients, nr 80-007022-98-04103

In dit project is een dynamisch predictie model ontwikkeld voor de situatie dat een biomarker in patienten heel erg vaak herhaaldelijk wordt gemeten en dat multiple events kunnen voorkomen in dezelfde patient. Voor het modelleren van dergelijke data is een joint model gebruikt waarin de veranderingen van de biomarker in de tijd is gemodelleerd met een geintegreerd Ornstein-Uhlenbeck (IOP) proces en voor het risico van events is een Cox regressie model gebruikt maar uitgebreid met een random-effect parameter per patient waarvan werd aangenomen dat die gamma of lognormaal verdeeld was in de populatie. Software is ontwikkeld voor het schatten van de parameters van dit joint model en die is gebaseerd op een Bayesiaanse methode en geimplementeerd in het programma Winbugs. Het is een uitbreiding van de software die is ontwikkeld door Wang en Taylor (JASA, 2001) voor de situatie dat er slechts 1 event per patient was. De methodiek is toegepast op monitoring van patienten die waren opgenomen op de intensive care unit van het AMC. De patienten waren minstens 18 jaar oud en minimaal 24 uur opgenomen en zij werden gevolgd met de BIS index die elke minuut werd gemeten. De sedatie diepte van de patienten werd om de 4 uur gemeten met de Ramsay score. In totaal werden 374 oversedatie events geobserveerd in 48 patienten; het aantal events per patient varieerde tussen nul en 35 met mediaan 5 events per patient. Vijf patienten hadden geen events, zeven patienten hadden 1 event en 36 patienten hadden twee of meer events. De BIS index werd gemeten tussen 1.1 en 16.8 dagen per patient met een mediaan van 3.7 dagen. Alleen BIS signalen met een signaal kwaliteits index > 80 en een EMG index < 50 werden geanalyseerd; in totaal 194,169 metingen varierend tussen 389 en 9772 per patient met een mediaan van 3530. Er was een significant verschil tussen patienten met betrekking tot het aantal en de timings van de oversedatie events; de variantie van het random frailty effect van het Cox model was 0.196 (p=1.5e-10). Het BIS signaal vertoonde een complexe covariantie structuur maar die bleek redelijk vergelijkbaar tussen patienten: de gemiddelde eerste auto- en partiele autocorrelaties waren 0.85 en 0.23. BIS waardes nabij momenten waarop oversedatie werd gemeten waren significant lager dan nabij momenten waar geen oversedatie werd geobserveerd (p<0.0001). De schatting van de regressie coefficient van het IOP proces voor het oversedatie risico was -0.035 (95% credibility interval -0.023;-0.046) en na correctie voor de hoeveelheid slaapmiddel en morfine die werd gegeven, was de schatting -0.0174. De variantie van de random frailty was 0.341. Deze schattingen bleven in essentie dezelfde als het BIS signaal eerst werd voorbewerkt door het glad te strijken met een piecewise constant functie tot op 30 minuten. Wij concludeerden dat het BIS signaal gebruikt kan worden als voorspeller van oversedatie events, maar het BIS signaal is gevoelig voor allerlei externe factoren en daarom is soms de kwaliteit matig.