The new comorbidity index: A development and validation study
Translated title
Det nye komorbiditetsindeks: Et udviklings- og valideringsstudie
Authors
Ulrichsen, Sinna Pilgaard ; Nielsen, Rikke Beck
Term
4. term
Education
Publication year
2010
Submitted on
2010-06-01
Pages
205
Abstract
Når man vurderer en sygdoms prognose, har samtidige sygdomme (komorbiditet) stor betydning for udfaldet. Et komorbiditetsindeks er en samlet score, der opsummerer, hvordan andre diagnoser påvirker risikoen for at dø. Det mest brugte indeks er Charlsons komorbiditetsindeks (CCI), udviklet i 1987 på en mindre patientkohorte fra New York Hospital. Formålet med denne afhandling er at undersøge, hvor godt CCI forudsiger dødelighed hos patienter med lungebetændelse, og at udvikle og validere nye komorbiditetsindeks. Vi anvendte en kohorte af indlagte lungebetændelsespatienter fra Det danske Landspatientregister. CCI blev valideret ved at indgå i en logistisk regressionsmodel med 30-dages dødelighed som udfald, hvor vi vurderede modellens ydeevne (logistisk regression estimerer sandsynligheden for et udfald). For at udvikle nye indeks brugte vi tre metoder: logistisk regression, naiv Bayes (en enkel probabilistisk metode) og klassifikationstræer (beslutningstræer). Med den logistiske regression opdaterede vi vægtene for de oprindelige Charlson-sygdomme, tilføjede tre nye sygdomme, indførte simple interaktionstermer (førstegrad) og en variabel for tid siden diagnosen. Indeks baseret på naiv Bayes og klassifikationstræer inkluderede også de oprindelige Charlson-sygdomme og de tre nye sygdomme. Vi validerede alle indeks ved at vurdere deres ydeevne for både 30-dages og 1-års dødelighed. Den ujusterede ydeevne blev vurderet med Pearsons chi-i-anden-test af en kontingenstabel mellem indeks og dødelighed (en test af sammenhæng), og den justerede ydeevne blev vurderet ved logistisk regression med kontrol for køn og alder. Analysen viste, at CCI forudsiger død blandt lungebetændelsespatienter godt og derfor fortsat er anvendelig. Alle de udviklede indeks klarede sig godt, og de fleste bedre end CCI. Fire indeks skilte sig ud som de bedste; her steg kompleksiteten med ydeevnen. Valget af det bedste indeks er derfor en afvejning mellem nøjagtighed og enkelhed og bør afhænge af den konkrete anvendelse.
When assessing the prognosis of a disease, other simultaneous conditions (comorbidities) strongly influence outcomes. A comorbidity index is a summary score that captures how additional diagnoses affect the risk of death. The most widely used index is the Charlson Comorbidity Index (CCI), developed in 1987 from a small cohort at New York Hospital. This thesis examines how well CCI predicts mortality in patients with pneumonia and develops and validates new comorbidity indexes. We used a cohort of hospitalized pneumonia patients from the Danish National Registry of Patients. We validated CCI by including it in a logistic regression model with 30-day mortality as the outcome and evaluating its performance (logistic regression estimates the probability of an outcome). To create new indexes, we applied three approaches: logistic regression, naive Bayes (a simple probabilistic method), and classification trees (decision-tree models). In the logistic regression approach, we updated weights for the original Charlson conditions, added three new diseases, included simple interaction terms (first-degree), and a variable for time since diagnosis. Indexes built with naive Bayes and classification trees also included the original Charlson diseases and the three new diseases. We validated all indexes by assessing their performance for both 30-day and 1-year mortality. Crude performance was evaluated using Pearson’s chi-squared test on a contingency table of index versus mortality (a test of association), and adjusted performance was assessed by logistic regression controlling for sex and age. Our analysis showed that CCI predicts death among pneumonia patients well and remains useful. All developed indexes performed well, most outperforming CCI. Four indexes stood out as the best; in these, greater complexity came with better performance. Choosing the best index is therefore a balance between accuracy and simplicity and should depend on the context.
[This abstract was generated with the help of AI]
Keywords