scholarly journals Μελέτη των παραγόντων που επηρεάζουν την εμφάνιση εξέλκωσης σε διαβητικό πόδι και σχεδιασμός εξατομικευμένου υποδήματος

2020 ◽  
Author(s):  
Αριστομένης Κοσσιώρης

Εισαγωγή: Αν και οι ακρωτηριασμοί και οι παραμορφώσεις στα πόδια, αποτελούν παραμέτρους που έχουν μελετηθεί ως παράγοντες κινδύνου για διαβητική εξέλκωση [10,127,128], η συμπερίληψη των ποδικών ακρωτηριασμών και παραμορφώσεων σε μία ευρεία, ενιαία μεταβλητή παραμορφώσεων με αναφορά στη βαρύτητα αυτών, μπορεί να χαρακτηρίζει καλύτερα τα άτομα σε κίνδυνο για διαβητική εξέλκωση. Η διαβητική εξέλκωση μπορεί να προληφθεί εφαρμόζοντας κατάλληλες παρεμβάσεις, όπως η χρήση ειδικών υποδημάτων αποφόρτισης για ≥60% του χρόνου κατά τον οποίο βαδίζουν ή βρίσκονται σε όρθια στάση ή εκτός του κρεβατιού (≥9.6/16 ώρες) [72,76,79]. Ωστόσο, από απλούς υπολογισμούς, μόνο οι μισοί σχεδόν ασθενείς (49.5% -ενδοτεταρτομοριακό εύρος 39.0-49.5%-) των ασθενών έχουν προμηθευτεί υποδήματα πρόληψης διαβητικής εξέλκωσης μετά από σχετική σύσταση του ιατρού [74,129], όπως επίσης οι μισοί σχεδόν ασθενείς (55.7% -τυπική απόκλιση 16.9%-), από αυτούς που έχουν προμηθευτεί ειδικά υποδήματα αποφόρτισης, τα φορούν για τον ενδεδειγμένο χρόνο [72-76]. Υλικό και Μέθοδος: Σκοπός της παρούσας μελέτης ήταν η διερεύνηση της βαρύτητας των ακρωτηριαστικών και μη ακρωτηριαστικών ποδικών παραμορφώσεων ως παράγοντα κινδύνου για διαβητική εξέλκωση σε σχέση με τους άλλους καθιερωμένους στη βιβλιογραφία παράγοντες κινδύνου και η σύνδεση των ευρημάτων της διερεύνησης αυτής με τη θεωρητική υπόθεση ότι η χρήση κατάλληλων υποδημάτων από τους ασθενείς με διαβήτη τουλάχιστον για το 60% του χρόνου κατά τον οποίο βρίσκονται εκτός του κρεβατιού μπορεί να προλάβει την ανάπτυξη διαβητικών ελκών, σε δύο μελέτες στο ίδιο δείγμα ασθενών με διαβήτη με ή χωρίς ενεργά ποδικά έλκη (μελέτες 1 και 2, N=134 και 134 αντίστοιχα). Στην πρώτη μελέτη, διερευνήθηκε η βαρύτητα των ακρωτηριαστικών και μη ακρωτηριαστικών ποδικών παραμορφώσεων ως παράγοντα κινδύνου για διαβητική εξέλκωση σε σχέση με τους άλλους, καθιερωμένους στη βιβλιογραφία παράγοντες κινδύνου. Διενεργήθηκε συγχρονική και ασθενών-μαρτύρων έρευνα από τον Οκτώβριο του 2005 μέχρι τον Νοέμβριο του 2016. Για τη συλλογή των δεδομένων, χρησιμοποιήθηκε δομημένος ποσοτικός οδηγός συνέντευξης. Πραγματοποιήθηκε μονομεταβλητή λογιστική παλινδρομική ανάλυση για τους καθιερωμένους στη βιβλιογραφία παράγοντες κινδύνου, όπως επίσης για δύο εκδοχές της μεταβλητής «βαρύτητα των ακρωτηριαστικών και μη ακρωτηριαστικών ποδικών παραμορφώσεων» (με δύο και τρεις κατηγορίες βαρύτητας ποδικών παραμορφώσεων). Ακολούθως, πραγματοποιήθηκε πολυμεταβλητή λογιστική παλινδρομική ανάλυση για τρία προβλεπτικά μοντέλα και ανάλυση καμπύλης λειτουργικού χαρακτηριστικού δέκτη (receiver operating characteristic -ROC- curve analysis) για τη σύγκριση αυτών. Στη δεύτερη μελέτη, εξετάστηκαν η αρχική και συνεχιζόμενη συμμόρφωση των ασθενών με διαβητική ποδοπάθεια στη χρήση κατάλληλων υποδημάτων. Για τη συλλογή των δεδομένων, χρησιμοποιήθηκε επίσης δομημένος ποσοτικός οδηγός συνέντευξης. Για την επαγωγική στατιστική ανάλυση των δεδομένων, εφαρμόστηκαν τα τεστ Chi-square και Mann-Whitney U, όπως επίσης μονομεταβλητή λογιστική παλινδρομική ανάλυση. Αποτελέσματα: Όσον αφορά στη μελέτη 1, η μονομεταβλητή λογιστική παλινδρομική ανάλυση, αναφορικά με τις μεταβλητές που περιλαμβάνονταν στα τρία μοντέλα («1», «2» και «3») ήταν σημαντική (P≤.05) για τη διαβητική περιφερική νευροπάθεια (OR 3.80, 95% CI 1.66-8.70, P=.002), την περιφερική αρτηριοπάθεια (OR 4.14, 95% CI 1.84-9.32, P=.001), τις ακρωτηριαστικές ποδικές παραμορφώσεις (OR 2.78, 95% CI 1.04-7.45, P=.042), το ιστορικό προηγούμενης ποδικής εξέλκωσης (OR 3.79, 95% CI 1.64-8.77, P=.002) και τις μέτριες/σοβαρές ποδικές παραμορφώσεις από τη μεταβλητή «βαρύτητα των ακρωτηριαστικών και μη ακρωτηριαστικών ποδικών παραμορφώσεων» με τις δύο κατηγορίες βαρύτητας (κατηγορία αναφοράς: «καμία/ήπιες») (OR 2.78, 95% CI 1.13-6.86, P=.026). Σχετικά με την πολυμεταβλητή λογιστική παλινδρομική ανάλυση του μοντέλου 1, δεν παρήχθη καμία στατιστικά σημαντική μεταβλητή. Αναφορικά με την πολυμεταβλητή λογιστική παλινδρομική ανάλυση των μοντέλων 2 και 3, μόνο η περιφερική αρτηριοπάθεια ήταν στατιστικά σημαντική (OR 3.56, 95% CI 1.17-10.82, P=.025 και OR 3.33, 95% CI 1.10-10.08, P=.033 αντίστοιχα). Όσον αφορά στην ανάλυση καμπύλης λειτουργικού χαρακτηριστικού δέκτη, και τα δύο μοντέλα 2 και 3 είχαν μεγαλύτερες περιοχές κάτω από την ROC καμπύλη από την περιοχή του μοντέλου 1 (0.763, P<.001 και 0.754, P<.001 αντίστοιχα). Σχετικά με τη μελέτη 2, υπήρξε μια σημαντική συσχέτιση μεταξύ της παρουσίας ή απουσίας ενεργής ποδικής εξέλκωσης και του αν ή όχι οι συμμετέχοντες φορούσαν σωστά υποδήματα τη στιγμή της έρευνας (χ2(1)=4.36, P=.037). Οι ασθενείς με ενεργά ποδικά έλκη φορούσαν κατάλληλα υποδήματα σε μικρότερο ποσοστό (44.4% έναντι 78.6%) από εκείνους που δεν είχαν έλκη (τους ασθενείς σε κίνδυνο για διαβητική εξέλκωση). Η αρχικά συμμορφούμενη ομάδα είχε σημαντικά χαμηλότερο Visual Analogue Scale score αναφορικά με την ικανοποίηση από την τιμή των υποδημάτων (διάμεσος=5.0) από την ομάδα που δεν ήταν αρχικά συμμορφούμενη (διάμεσος=8.0, U=97.0, z=-2.36, P=.019, r=-0.38). Η μονομεταβλητή λογιστική παλινδρομική ανάλυση σε σχέση με την έκβαση της αρχικής συμμόρφωσης, ήταν σημαντική (P=.045) μόνο για την παράμετρο της «παρουσίας ή απουσίας ενεργής ποδικής εξέλκωσης» (OR 4.58, 95% CI 1.04-20.24) καταδεικνύοντας γραμμική σχέση μεταξύ της κατηγορικής ανεξάρτητης μεταβλητής και των λογαριθμικών λόγων των πιθανοτήτων της εξαρτημένης. Η απουσία ενεργών ποδικών εξελκώσεων είχε θετική επίδραση στη αρχική συμμόρφωση (B=1.52, SE=0.76) και ο δείκτης Nagelkerke’s R2, ο οποίος ήταν ίσος με 0.14, φανέρωσε μια σχετικά αδύναμη συσχέτιση μεταξύ της προβλεπτικής και της εξαρτημένης μεταβλητής. Το μέγεθος της υποομάδας των ασθενών σε κίνδυνο για ποδική εξέλκωση ήταν αρκετά μικρό (n=11) και συνεπώς ανεπαρκές για επαγωγική ανάλυση αναφορικά με τη συνεχιζόμενη συμμόρφωση. Συμπεράσματα: Μια ενιαία μεταβλητή για τους ακρωτηριασμούς των κάτω άκρων και τις άλλες ποδικές παραμορφώσεις με αναφορά στη βαρύτητα αυτών και ≥2 κατηγορίες κινδύνου, θα μπορούσε να είναι πιο βοηθητική στους κλινικούς για τον εντοπισμό και την ταξινόμηση των ασθενών με διαβήτη σε κίνδυνο για διαβητική εξέλκωση. Για την επαύξηση της αρχικής συμμόρφωσης και κατ’ επέκταση της συνεχιζόμενης συμμόρφωσης στη χρήση κατάλληλων υποδημάτων από τους ασθενείς με διαβήτη με ποδικά έλκη ή σε κίνδυνο για ποδική εξέλκωση, οι επαγγελματίες υγείες θα μπορούσαν αν δίνουν μεγαλύτερη έμφαση στην εκπαίδευση των ασθενών με ενεργά ποδικά έλκη, εφαρμόζοντας εντατικές εκπαιδευτικές παρεμβάσεις [70,71]. Επιπρόσθετα, θα μπορούσαν να παρέχουν στους ασθενείς πολλαπλές επιλογές κόστους αναφορικά με τα υποδήματά τους (π.χ. προτείνοντας αποτελεσματικά και οικονομικά προϊόντα) ή θα μπορούσαν να συμμετέχουν, υπό τον όρο της κατάλληλης εφαρμογής της σχετικής τεχνολογίας στα νοσοκομεία, στην διαδικασία σχεδιασμού/κατασκευής ιατροτεχνολογικών προϊόντων, όπως τα θεραπευτικά/προληπτικά υποδήματα, μειώνοντας έτσι το τελικό κόστος [109,149].

Entropy ◽  
2020 ◽  
Vol 22 (6) ◽  
pp. 593 ◽  
Author(s):  
Gareth Hughes

The predictive receiver operating characteristic (PROC) curve is a diagrammatic format with application in the statistical evaluation of probabilistic disease forecasts. The PROC curve differs from the more well-known receiver operating characteristic (ROC) curve in that it provides a basis for evaluation using metrics defined conditionally on the outcome of the forecast rather than metrics defined conditionally on the actual disease status. Starting from the binormal ROC curve formulation, an overview of some previously published binormal PROC curves is presented in order to place the PROC curve in the context of other methods used in statistical evaluation of probabilistic disease forecasts based on the analysis of predictive values; in particular, the index of separation (PSEP) and the leaf plot. An information theoretic perspective on evaluation is also outlined. Five straightforward recommendations are made with a view to aiding understanding and interpretation of the sometimes-complex patterns generated by PROC curve analysis. The PROC curve and related analyses augment the perspective provided by traditional ROC curve analysis. Here, the binormal ROC model provides the exemplar for investigation of the PROC curve, but potential application extends to analysis based on other distributional models as well as to empirical analysis.


Sign in / Sign up

Export Citation Format

Share Document