JURNAL GAWAT NAPAS

Rabu, 19 Agustus 2015

Wily Pandu Ariawan

PESERTA PPDS I PULMONOLOGI DAN ILMU KEDOKTERAN RESPIRASI

FAKULTAS KEDOKTERAN UNIVERSITAS INDONESIA
RSUP PERSAHABATAN
JAKARTA
Critical Appraisal
Validitas Studi
 Apakah terdapat sampel yang representatif
dan didefinisikan dengan baik pada titik yang
sama dalam satu perjalanan penyakit? Ya
 Apakah follow up yang dilakukan cukup lama
dan lengkap? Ya
 Apakah kriteria objektif dan hasil yang tidak
bias digunakan? Ya
 Apakah terdapat penyesuaian terhadap
faktor – faktor prognostik yang penting?
Tidak
Critical Appraisal
Hasil Studi
 Apakah hasil akhir dari studi ini?
 Studi ini mengkonfirmasi bahwa; baik
kategori diagnosis dan keparahan penyakit
mempengaruhi durasi pemakaian VM
 Yang lebih penting adalah; sangat sulit
untuk membangun sebuah model-model
prediksi yang akurat sebagai identifikasi
awal pasien-pasien ICU yang akan
membutuhkan pemanjangan VM
Critical Appraisal
Hasil Studi
 Seberapa tepat hasil studi ini?
Tepat

Aplikasi terhadap pasien

 Apakah hasil studi ini dapat diterapkan pada
pasien saya? Tidak
 Apakah semua hasil klinis yang penting
dijadikan pertimbangan?Ya
 Apakah layak antara biaya yang dikeluarkan
dengan keuntungan yang diperoleh?Tidak tahu
 Pendahuluan
VENTILASI PENYAKIT
MEKANIK (VM) KRITIS

DURASI
30% VM> 1 MINGGU
TIDAK LAMA

PENILAIAN
PREDIKSI KIC
PEMANJANGAN
PENGGUNAAN
DURASI
VM KEPUTUSAN
KLINIS
PENTING
Pendahuluan

 Di antara keputusan-keputusan yang diambil,

waktu pengambilan tindakan trakeostomi
merupakan hal yang penting; namun bisa
juga keputusan tsb diambil krn alasan inisiasi
nutrisi, transfer ke fasilitas ventilasi jangka
panjang dan inklusi pasien pada clinical trial
 Keakurasian yang kurang atas prediksi
penggunaan VM yang memanjang telah
banyak dijadikan alasan dilakukannya studi
DIBUTUHKAN
Pendahuluan
BELUM
ALAT YANG
TERSEDIA
AKURAT

MODEL DARI TINGKAT

STUDI KEAKURASIAN
SEBELUMNYA RENDAH

KEMAJUAN
KLINIS

TIDAK
PEMANJANGAN LIBERASI
TERJADI
VM SUKSES
JIKA

KEMATIAN
DINI
 Pendahuluan

JENIS &
TINGKAT
KEPARAHAAN
FAKTOR
“PESAING”
PENENTU KEMATIAN
PEMANJANGAN
PEMANJANGAN DINI
DURASI VM
PENGGUNAAN VM
PEMENDEKAN
DURASI
PENGGUNAAN
VM
 Tujuan
MERANCANG
BEBERPA
MODEL

MENGHITUNG DIGUNAKAN
KEMATIAN
TUJUAN “COMPETING 3 ANALISIS
DINI
EVENT” BERBEDA

UTAMA

MERANCANG SEBUAH MODEL UNTUK

MEMPREDIKSI KEBUTUHAN PENGGUNAAN
VM >7 HARI DALAM 48 JAM SEJAK INISIASI
Metode & material
Desain studi & pengaturan
 Studi kohort observasional prospektif
 Dilakukan di ICU RS pendidikan yang melakukan
tindakan-tindakan; medik, pembedahan dan
trauma sejak Maret 2012 hingga Maret 2014
 Selama periode studi, ICU dioperasikan dengan
menggunakan model tertutup, tim klinik
dipimpin oleh konsulen intensive care yang
bertanggung jawab atas perawatan pasien dan
menggunakan respiratory therapist-driven
weaning protocol yang diterapkan setiap pagi
kepada seluruh pasien
Metode & material
Desain studi & pengaturan
 Studi ini telah disetujui oleh badan review
institusi lokal yang meniadakan keharusan
permintaan informed consent selama
berjalannya studi dan pengumpulan data
 Sebagian studi dilakukan secara simultan
bersamaan dengan evaluasi prediksi kinis dari
para konsultan intensive care yang
sebelumnya telah dilaporkan
Metode & material
Subjek
 Subjek inklusi adalah pasien dewasa yang
terpasang endotracheal tube dan VM selama 2
hari (pagi) berturut-turut; pemeriksaan klinik
rutin, laboratorium dan evaluasi weaning
dilakukan
 Subjek dieksklusi jika ditemukan beberapa
kriteria sbb: VM telah terpasang dari rumah atau
fasilitas lain, rencana ekstubasi setelah evaluasi
weaning yang sukses pada hari (pagi) ke-2
ventilasi, penghentian segera perawatan dan
pemindahan pasien ke fasilitas lain (msh dalam
VM yg terpasang) sejak 10 hari inisiasi
Metode & material
Pengumpulan data
 Variabel demografi, klinik dan laboratorium
dipilih dari subjek yang memiliki hubungan
dengan VM dari studi-studi sebelumnya
 Data diambil sejak waktu dilakukannya
intubasi dan dan dari waktu dilakukannya
evaluasi pada hari ke-2(pagi hari menjadi
penanda dimulainya hari berikutnya). Hal ini
dilakukan untuk menginklusi data yang
diambil oleh konsulen intensive care pada
ronde yang dilakukan setiap pagi
Metode & material
Pengumpulan data
 Data-data variabel respirasi (frekuensi respirasi total,
ventilasi per menit, PaO2/FiO2 dan positive end-expiratory
pressure[PEEP]) diambil dari “time point” hari ke-2
 Diagnosis utama yang menjadi dasar kebutuhan VM
dibagi menjadi 5 kategori, yaitu:
a. Trauma kepala baik disertai/tidak disertai trauma lain
b. Trauma multipe tanpa trauma kepala
c. Pneumonia atau ARDS
d. Lesi vaskular atau intrakranial neoplastik
e. Paska operasi
f. Diagnosis medik lainnya
Metode & material
Pengumpulan data
 Perhitungan skor Sequential Organ Failure
Assessment (SOFA) dilakukan dengan
menggunakan Glasgow Coma Scale (GCS),
diambil dari data yang ditulis oleh perawat
ICU tanpa penyesuaian sedasi
 Penurunan nilai bilirubin diestimasi dari nilai
harian yang berdekatan
 Subjek di-follow up setiap hari selama 48 jam
hingga diskontinuasi VM (invasif dan non-
invasif) berhasil dilakukan, meninggal atau
ditransfer ke fasilitas lain
Metode & material
Pengumpulan data
 Durasi aktual VM didefinisikan sebagai; jumlah
hari sejak inisiasi VM invasif hingga diskontinuasi
yang berhasil dilakukan, penghentian ventilatory
support atau kematian
 Jika pasien melewati waktu tengah malam maka
dihitung 1 hari
 Durasi aktual VM termasuk ke dalamnya; hari
apapun dengan ventilasi mekanik via
endotracheal tube atau tracheostomy dan hari
apapun dalam 48 jam dalam upaya diskontinuasi
baik dengan ventilasi non-invasif dalam waktu
>8 jam maupun re-inisiasi ventilasi invasif
Metode & material
Analisis data & pengembangan model
prediksi
 Data yang diperoleh kemudian diringkas
dengan menggunakan perhitungan statistik
berdasarkan jenis dan distribusi dari setiap
variabel
 Model prediksi dikembangkan dengan
menggunakan 3 analisis yang berbeda;
1. Pada analisis yang pertama, subjek
diklasifikasikan menjadi 3 kategori
berdasarkan durasi VM dan penyintasan,
yaitu: <7 hari meninggal, <7 hari bertahan
dan >7 hari bertahan atau meninggal
Metode & material
Analisis data & pengembangan model
prediksi
2. Analisis kedua, subjek diklasifikasikan ke dalam 2
kategori berdasarkan durasi VM (<7 vs >7 hari),
sebuah regresi multivariabel logistik biner
digunakan untuk mengembangkan model
prediksi bagi seluruh kohort dan sub-sampel yang
terbatas bagi para penyintas ICU secara terpisah
3. Pada analisis ketiga, waktu yang dibutuhkan
untuk dapat lepas dari VM lebih dipilih untuk
dibuat model dibanding durasi >7 hari, dengan
menggunakan Cox proportional hazards regression
menjadikan kematian sebagai kejadian yang
diabaikan.
Metode & material
Analisis data & pengembangan model
prediksi
 Seluruh variabel yang diperoleh kemudian
diuji secara statistik dengan menggunakan;
univariate multinominal logistic regression,
univariate logistic regression dan univariate
Cox regression
Hasil
 Dari 282 subjek yang diinklusikan, sebanyak
229(81%) bertahan setelah berhasil melalui
diskontinuasi VM atau ditransfer ke fasilitas
ventilator jangka panjang
 53(19%) subjek meninggal saat masih
terpasang VM atau segera setelah dilakukan
penghentian perawatan(terminasi); 36(68%)
orang meninggal 7 hari atau kurang saat
terpasang VM
Hasil
 Dengan menggunakan kategori I (durasi
durasi VM dan penyintasan ICU);
a. 48% subjek membutuhkan waktu 7 hari
atau kurang dan bertahan
b. 13% membutuhkan 7 hari atau kurang
dan meninggal
c. 39% membutuhkan lebih dari 7 hari
 Distribusi durasi VM ditunjukkan pada
gambar dengan menggunakan kurva Kaplan-
Meier
Hasil
 Selama follow up; 3% menerima ventilasi
non-invasif setelah ekstubasi, 4% dire-
intubasi dan 17% ditrakeostomi
 Nilai tengah (interquartile range [IQR]) durasi
aktual VM untuk seluruh pasien (282) adalah 6
(3-10 hari)
Hasil
Analisis I
Hasil
Analisis II
Hasil
Analisis III
Diskusi
 Dengan melakukan 3 analisis multivariat yang
berbeda dalam sebuah kohort pada pasien-
pasien ICU, beberapa variabel diidentifikasi
memiliki hubungan yang kuat dengan ventilasi
mekanik
 Beberapa model prediksi pemanjangan VM yang
berbeda dari ketiga analisis menghasilkan
tingkatan tampilan prediksi yang mirip
 Perhitungan kematian dini dengan
menggunakan multinominal logistic model
maupun sebuah Cox regression tidak
menghasilkan keakuratan prediksi yang lebih
baik jika menggunakan binary logistic regression
Diskusi
 Tujuan pengembangan ketiga model prediksi
pada studi ini tidak hanya bertujuan untuk
meningkatkan likelihood pencarian model
yang akurat namun juga mengevaluasi efek
potensial model statistik dan menghitung
beberapa kejadian yang mempengaruhi hasil
prediksi
 Sepengetahuan peneliti, hanya satu studi
terakhir yang telah melakukan perhitungan
terhadap “competing events” saat
membangun model prediksi untuk
pemanjangan VM
Diskusi
 Tidak ditemukan perbedaan yang jelas pada
tampilan prediksi tercatat antara perbedaan
metode-metode yang digunakan atau antara
inklusi dan eksklusi non-penyintas ICU pada
logistic binary regression
 Proporsi subjek yang kecil dengan competing
event dan kematian dini membatasi “impact”
dari analisis terhadap keakurasian model-
model yang digunakan
 Model alternatif untuk memprediksi durasi
VM yang menyesuaikan probabilitas
kematian masih dalam proses investigasi
Diskusi
 Tampilan prediktif model-model yang
dibangun pada studi ini secara statistik dapat
dikatakan memiliki nilai prediksi yang lemah-
sedang atau sedang-baik
 Peran model-model dalam kepentingan klinis
tergantung tidak hanya pada tingkat
keakurasiannya namun juga pada
kemampuannya untuk memprediksi
potensial resiko dan keuntungan, selanjutnya
dihubungkan dengan keputusan klinis yang
dipengaruhi oleh prediksi
Diskusi
 Model yang dibangun saat ini tidak mungkin
cukup jika digunakan dalam klinis
 Penelitian lebih lanjut dibutuhkan, berfokus
pada pengembangan lebih jauh terhadap
model-model penyakit spesifik, sehingga
dapat menghasilkan tampilan prediksi yang
lebih baik
Kesimpulan
 Studi ini mengkonfirmasi bahwa; baik
kategori diagnosis dan keparahan penyakit
mempengaruhi durasi pemakaian VM
 Yang lebih penting adalah; sangat sulit untuk
membangun sebuah model-model prediksi
yang akurat sebagai identifikasi awal pasien-
pasien ICU yang akan membutuhkan
pemanjangan VM
TERIMA KASIH