A Cox-based multistate model for disease progression using large-scale population-based registry data: Application to COVID-19
Diese Studie demonstriert die Effektivität eines auf dem Cox-Modell basierenden Multistate-Modells, das auf groß angelegte Populationsregisterdaten angewendet wurde, um den Krankheitsverlauf von COVID-19 zu analysieren, wobei aufgezeigt wird, wie soziodemografische Faktoren und die Impfung die Transitionsrisiken beeinflussten, während gleichzeitig die sich entwickelnde Dynamik des Gesundheitssystems im Verlauf der Pandemie hervorgehoben wurde.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Um zu verstehen, wie sich eine Krankheit in einer Bevölkerung ausbreitet, schauen Wissenschaftler oft auf mehr als nur den Moment, in dem eine Person krank wird oder stirbt. Sie interessieren sich für die Reise dazwischen: die Zeit, die im Krankenhaus verbracht wird, der Transfer auf eine Intensivstation, die Genesung oder der tragische Ausgang. Dieser Ansatz, bekannt als ein Multistate-Modell, betrachtet eine Krankheit nicht als ein einzelnes Ereignis, sondern als eine Abfolge von Schritten oder Zuständen, durch die eine Person im Laufe der Zeit wandern kann. Er ermöglicht es Forschern zu sehen, wie verschiedene Faktoren, wie etwa das Alter, die Krankengeschichte oder soziale Umstände, die Wahrscheinlichkeit beeinflussen, von einem Schritt zum nächsten überzugehen. Während der globalen Pandemie, die durch das SARS-CoV-2-Virus verursacht wurde, wurde das Verständnis dieser Pfade entscheidend für Krankenhäuser und Regierungen, die versuchten, Ressourcen zu verwalten und Leben zu retten. Obwohl viele Modelle existierten, um die Ausbreitung des Virus vorherzusagen, waren weniger Modelle darauf ausgelegt, die komplexen, individuellen Wege der Patienten unter Verwendung von Echtzeitdaten aus ganzen Populationen zu verfolgen.
Ein Forscherteam in Spanien setzte sich zum Ziel, diese Wege unter Verwendung einer massiven Sammlung von Gesundheitsakten aus dem Baskenland abzubilden. Sie analysierten Daten von 377.285 Erwachsenen, die zwischen März 2020 und Januar 2022 mit dem Virus diagnostiziert wurden. Dieser Zeitraum deckte die gesamte frühe Phase der Pandemie ab, einschließlich der strengen Lockdowns, der Ankunft der Impfstoffe und des Aufkommens neuer Virusvarianten. Anstatt die Patienten als eine einzige Gruppe zu betrachten, erstellten die Forscher eine detaillierte Karte mit acht verschiedenen Zuständen. Eine Person begann im Moment der Diagnose. Von dort aus konnte sie auf eine Krankenhausstation wechseln, auf eine Intensivstation verlegt werden, auf eine reguläre Station zurückverlegt werden oder direkt nach Hause entlassen werden. Die Karte enthielt auch zwei Endziele: das Sterben, während man noch im Krankenhaus ist, oder das Sterben, nachdem man das Krankenhaus verlassen hat. Indem das Team 370.000 Individuen durch diese elf möglichen Übergänge verfolgte, konnte es die exakte Wahrscheinlichkeit berechnen, mit der ein Patient von einem Zustand in einen anderen wechselt, und sehen, wie sich diese Wahrscheinlichkeit basierend darauf änderte, wer der Patient war und wann die Person erkrankte.
Die Ergebnisse zeichneten ein klares Bild davon, wer am verwundbarsten war und wie sich das Gesundheitssystem entwickelte. Die Daten zeigten, dass Männer, ältere Erwachsene, Menschen in Pflegeheimen und Personen mit erheblicher sozialer Benachteiligung ein viel höheres Risiko für eine Hospitalisierung und den Tod hatten. Auch die Anzahl der chronischen Erkrankungen, die eine Person hatte, spielte eine große Rolle; diejenigen mit mehr Vorerkrankungen landeten weitaus wahrscheinlicher im Krankenhaus oder starben. Interessanterweise fanden die Forscher heraus, dass Menschen, die zu Beginn der Pandemie viele verschiedene Medikamente einnahmen, eher hospitalisiert wurden, aber einmal dort weniger wahrscheinlich starben, was darauf hindeutete, dass ihre medizinischen Teams sie bereits engmaschig überwachten. Im Gegensatz dazu wirkte die Impfung wie ein mächtiger Schutzschild. Als die Impfkampagne rollte, sank das Risiko einer Hospitalisierung signifikant, und geimpfte Patienten, die dennoch erkrankten, waren viel wahrscheinlicher in der Lage, sich zu erholen und nach Hause zu gehen, ohne eine Intensivstation zu benötigen.
Die Forscher beobachteten auch, dass sich die Natur der Pandemie im Laufe der Zeit veränderte. In der allerersten Periode, als das Virus neu war und die Krankenhäuser überlastet waren, war das Sterberisiko für alle hoch. Doch als die Zeit verging und sich das Gesundheitssystem anpasste, änderte sich das Muster. Weniger Menschen wurden insgesamt stationär aufgenommen, aber diejenigen, die aufgenommen wurden, benötigten eher eine Intensivstation. Dies deutet darauf hin, dass das System besser darin wurde, leichte Fälle aus dem Krankenhaus fernzuhalten und seine kritischsten Ressourcen für die schwerstkranken Patienten zu reservieren, die dann mit größerer Wahrscheinlichkeit überlebten. Die Studie hob auch hervor, dass das Risiko, nach dem Verlassen des Krankenhauses zu sterben, in den frühen Tagen der Pandemie höher war als in späteren Perioden, was darauf hindeutet, dass die Pflege und Überwachung nach der Entlassung im Verlauf der Krise besser wurden.
Indem sie diese dynamische Karte der Patientenreisen nutzten, demonstrierten die Forscher, dass es möglich ist, eine massive, komplexe Datenbank aus realen Datensätzen in eine klare Geschichte über den Krankheitsverlauf zu verwandeln. Sie zeigten, dass Faktoren wie soziale Ungleichheit und das Leben in einem Pflegeheim ebenso wichtig waren wie das Alter oder die Krankengeschichte, um das Schicksal eines Patienten zu bestimmen. Die Studie zählte nicht nur Todesfälle; sie erklärte den Weg, der zu ihnen führte. Dieser Ansatz bietet eine Möglichkeit für das Gesundheitswesen, das vollständige Bild einer Epidemie zu erfassen, was hilft zu entscheiden, wohin Ressourcen geschickt werden sollen und wie die Verwundbarsten geschützt werden können. Die in dieser Forschung verwendeten Methoden sind nicht auf die Pandemie beschränkt; sie können auf andere Krankheiten angewendet werden, die durch verschiedene Stadien verlaufen, und bieten ein robustes Werkzeug, um zu verstehen, wie Krankheiten Bevölkerungsgruppen beeinflussen und wie Gesundheitssysteme darauf reagieren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.