Entwicklung und interne Validierung des China Mortality Prediction Model in Trauma basierend auf dem ICD-10-CM-Lexikon: CMPMIT-ICD10
Wie können wir die Überlebenschancen von Unfallopfern in China besser vorhersagen? Diese Frage ist entscheidend, um die Qualität der medizinischen Versorgung zu verbessern und Leben zu retten. In China werden Verletzungen oft mit dem ICD-10-CM-System (Internationale Klassifikation der Krankheiten, 10. Revision, klinische Modifikation) beschrieben. Bisher gab es jedoch kein geeignetes Modell, das speziell für die chinesische Bevölkerung entwickelt wurde. Eine neue Studie hat nun das China Mortality Prediction Model in Trauma basierend auf dem ICD-10-CM-Lexikon (CMPMIT-ICD10) entwickelt und intern validiert.
Die Studie analysierte retrospektiv Daten des Beijing Red Cross Emergency Center, des größten Unfallzentrums in Peking. Die Daten umfassten alle Unfallpatienten, die zwischen Januar 2012 und Juli 2018 aufgenommen wurden, insgesamt 40.205 Patienten. Ausgeschlossen wurden Fälle von Erhängen, Erstickung, Ertrinken, Vergiftung, Verbrennungen und Stromschlägen sowie Patienten ohne Basisinformationen oder Ergebnisse. Die Studie basierte auf anonymen Registrierungsdaten und war nicht-interventionell.
Die Entwicklung des CMPMIT-ICD10-Modells erfolgte in mehreren Schritten. Zunächst wurden die ICD-10-Codes für Verletzungen (S00–S99) in 20 neue Region-Schweregrad-Codes (A1, A2, …, G2, G3) eingeteilt, basierend auf der Schwere und Region der Verletzung. Diese Einteilung war notwendig, da viele ICD-10-CM-Codes selten vorkamen. Zusätzlich wurden Informationen über Begleiterkrankungen aus den ICD-10-CM-Codes extrahiert, wie Herzinfarkt, Herzinsuffizienz, chronische Lungenerkrankungen und Diabetes. Das Vorhandensein von traumatischem Schock (T79.401) und Koma wurde ebenfalls als binäre Variable berücksichtigt, um die physiologische Reaktion auf das Trauma zu bewerten. Koma wurde als Glasgow Coma Score von 8 oder niedriger definiert, was die Unfähigkeit, auf Befehle zu reagieren oder die Augen auf Reize zu öffnen, anzeigt.
Das Modell wurde mittels logistischer Regressionsanalyse entwickelt, wobei die Sterblichkeit als Ergebnisvariable diente. Die logistische Regressionsanalyse berechnete die Wahrscheinlichkeit des Todes basierend auf den Koeffizienten der Prädiktorvariablen, einschließlich Geschlecht, Alter, Region-Schweregrad-Codes, Begleiterkrankungen, traumatischer Schock und Koma. Das Alter wurde in 10-Jahres-Blöcke unterteilt, um nicht-lineare Beziehungen zur Sterblichkeit zu berücksichtigen. Der Modellbildungsprozess verwendete ein schrittweises Verfahren mit Rückwärtselimination von Kovariaten, wobei die Signifikanzniveaus für den Eintritt auf 0,05 und für die Elimination auf 0,10 festgelegt wurden. Variablen, die keine ausreichende statistische Signifikanz erreichten, wurden aus dem endgültigen Modell ausgeschlossen.
Die Leistung des CMPMIT-ICD10-Modells wurde anhand von Diskriminierung und Kalibrierung bewertet. Die Diskriminierung, die die Fähigkeit des Modells misst, Überlebende von Nicht-Überlebenden zu trennen, wurde anhand der Fläche unter der ROC-Kurve (AUC) bewertet. Die Kalibrierung, die die Übereinstimmung zwischen vorhergesagter und beobachteter Sterblichkeit widerspiegelt, wurde anhand des Brier-Scores und eines Kalibrierungsplots bewertet. Die interne Validierung erfolgte mittels der Bootstrapping-Methode, bei der 1000 zufällige Stichproben mit Zurücklegen aus dem ursprünglichen Datensatz gezogen und die Modellleistung auf diesen Stichproben getestet wurde.
Die Studienpopulation bestand aus 40.205 Patienten, von denen 39.009 überlebten und 1.196 starben, was einer Sterblichkeitsrate von 3% entspricht. Die Merkmale der Patienten zeigten, dass höheres Alter, männliches Geschlecht, traumatischer Schock und Koma mit einem höheren Sterblichkeitsrisiko verbunden waren. Die Verteilung der neuen Region-Schweregrad-Codes und Begleiterkrankungen zeigte signifikante Korrelationen mit der Sterblichkeit, mit Ausnahme bestimmter Codes und Zustände wie Lebererkrankungen und bösartige Tumore, die keine statistische Signifikanz erreichten.
Das endgültige CMPMIT-ICD10-Modell umfasste Geschlecht, Alter, spezifische Region-Schweregrad-Codes, Begleiterkrankungen, traumatischer Schock und Koma als Schlüsselprädiktoren für die Sterblichkeit. Jeder Prädiktor wurde basierend auf seinem Koeffizienten in der logistischen Regressionsanalyse bewertet. Die Gesamtpunktzahl reichte von 0 bis 232, wobei höhere Punktzahlen ein höheres Sterblichkeitsrisiko anzeigten. Das Sterblichkeitsrisiko wurde in fünf Stufen eingeteilt: extrem niedriges Risiko (0–47 Punkte, Sterblichkeit <10%), niedriges Risiko (48–60 Punkte, Sterblichkeit 11%–30%), mittleres Risiko (61–73 Punkte, Sterblichkeit 31%–60%), hohes Risiko (74–90 Punkte, Sterblichkeit 61%–90%) und extrem hohes Risiko (>90 Punkte, Sterblichkeit >90%). Traumatischer Schock, Koma und hohes Alter (>80 Jahre) hatten den größten Einfluss auf das Sterblichkeitsrisiko. Unter den Region-Schweregrad-Codes waren Kopfverletzungen (A3 und A4), Bauchverletzungen (E2 und E3) und Rückenmarksverletzungen (F2) die signifikantesten Prädiktoren für die Sterblichkeit. Begleiterkrankungen wie Herzinsuffizienz und chronisches Nierenversagen hatten ebenfalls einen erheblichen Einfluss auf das Sterblichkeitsrisiko.
Die Leistung des CMPMIT-ICD10-Modells war ausgezeichnet, mit einer AUC von 0,964, was auf eine hohe Diskriminierungsfähigkeit hinweist. Der Brier-Score betrug 0,0177, was auf eine gute Kalibrierung schließen lässt. Die interne Validierung mittels der Bootstrapping-Methode ergab ähnliche Ergebnisse, mit einer AUC von 0,963 und einem Brier-Score von 0,0178. Der Kalibrierungsplot zeigte geringe Abweichungen von der idealen 45-Grad-Linie, aber die Gesamtkalibrierung war akzeptabel. Die Unterschätzung der Sterblichkeit vor einer Wahrscheinlichkeit von 0,5 und die Überschätzung nach 0,5 waren minimal.
Ein Beispiel für die Anwendung des CMPMIT-ICD10-Modells demonstrierte seine praktische Nutzbarkeit. Ein 72-jähriger Mann mit traumatischem Epiduralhämatom (S06.4, A4), Subarachnoidalblutung (S06.7, A3) und Koma hätte eine Gesamtpunktzahl von 73 Punkten, was einem mittleren Sterblichkeitsrisiko entspricht. Dieses Beispiel zeigt, wie das Modell verwendet werden kann, um das Sterblichkeitsrisiko basierend auf spezifischen Verletzungscodes und Patienteneigenschaften vorherzusagen.
Das CMPMIT-ICD10-Modell adressiert mehrere Einschränkungen bestehender Unfallvorhersagemodelle. Im Gegensatz zum Injury Severity Score (ISS), der auf der Abbreviated Injury Scale (AIS) basiert und eine spezielle Schulung der Kodierer erfordert, basiert das CMPMIT-ICD10-Modell auf ICD-10-CM-Codes, die routinemäßig in chinesischen Krankenhäusern verwendet werden. Dies macht das Modell zugänglicher und einfacher in der klinischen Praxis umzusetzen. Darüber hinaus berücksichtigt das Modell Begleiterkrankungen und akute physiologische Reaktionen wie traumatischen Schock und Koma, die im Trauma Mortality Prediction Model-ICD10 (TMPM-ICD10) nicht berücksichtigt werden.
Die Studie hat einige Einschränkungen. Erstens erfasst die Klassifizierung der ICD-10-Codes in 20 Region-Schweregrad-Codes möglicherweise nicht die vollständige Komplexität der Verletzungsschwere. Zweitens wurde das Modell nicht mit dem TMPM-ICD10 verglichen, da es Unterschiede in den ICD-10-CM-Kodierungspraktiken zwischen China und anderen Ländern gibt. Zukünftige Forschung sollte sich auf die externe Validierung des CMPMIT-ICD10-Modells durch multizentrische Studien konzentrieren, um seine Generalisierbarkeit und Genauigkeit zu bestätigen.
Zusammenfassend stellt das CMPMIT-ICD10-Modell einen bedeutenden Fortschritt in der Vorhersage der Unfallsterblichkeit für die chinesische Bevölkerung dar. Seine Entwicklung basierend auf ICD-10-CM-Codes und einem großen chinesischen Unfalldatensatz gewährleistet seine Relevanz und Anwendbarkeit in der klinischen Praxis. Die hohe Diskriminierungsfähigkeit und Kalibrierung des Modells sowie seine Einfachheit und Benutzerfreundlichkeit machen es zu einem wertvollen Instrument zur Vorhersage der Sterblichkeit bei Unfallpatienten und zur Bewertung der Qualität der Unfallversorgung in China.
For educational purposes only. doi.org/10.1097/CM9.0000000000001371