数据整合与队列构建
确定2023年所有已故捐赠者医院及其器官回收情况,并整合医院特征数据
从SRTR、CMS PDC、成本报告、创伤中心数据库、DCI、RUC等来源收集数据,通过医保提供者编号、名称和ZIP码匹配,并排除未匹配、儿童、关键通道及精神科医院,最终纳入1,776家急性护理供体医院。
Contribution of donor hospital characteristics to deceased donor organ recovery rates
该研究为观察性队列研究,利用SRTR、CMS等多项行政数据,采用分层负二项模型进行统计分析,包含敏感性分析,但无实验干预或机制验证。
1,776家急性护理供体医院 56个OPO
医院层面的器官回收率定义:回收器官数/总出院人数 数据来源:2023年SRTR、CMS医院提供者数据、成本报告 统计方法:具有OPO随机截距的分层负二项模型 医院特征:所有权、创伤等级、移植中心、DCI、患者体验评分 OPO特征:DCU模型
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
确定2023年所有已故捐赠者医院及其器官回收情况,并整合医院特征数据
从SRTR、CMS PDC、成本报告、创伤中心数据库、DCI、RUC等来源收集数据,通过医保提供者编号、名称和ZIP码匹配,并排除未匹配、儿童、关键通道及精神科医院,最终纳入1,776家急性护理供体医院。
定义医院层面器脏回收率作为结果变量
定义器官回收率为回收器官数除以总出院人数,并用总出院人数作为供体潜力的替代指标。
评估医院和OPO特征与器官回收率的关系,并验证结果稳健性
使用具有OPO随机截距的分层负二项模型,比较四个模型(空模型、医院因素、医院+OPO因素、完整模型),并计算IRR和MIRR;进行多重敏感性分析,包括排除研究性胰腺、限制美国本土、按出院量分层、分别考虑DBD/DCD等。
按研究目的归类文中使用的方法,便于定位所需技术。
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 统计分析 | SAS 9.4 | SAS Institute | -- |
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据整合 | 数据来源:SRTR(2023年捐赠者数据)、CMS PDC、成本报告、DCI(2021年)、创伤中心数据(2023年)、RUC(2023年);匹配方法:医院提供者编号、名称和ZIP码匹配,最后模糊匹配城市和州 阅读提示:Methods 2.1 Data Sources 和 2.2 Data Integration and Modeling Variables |
| 队列定义 | 纳入标准:2023年OPO至少回收一个器官的急性护理医院;排除标准:未匹配医院、儿童/关键通道/精神科医院 阅读提示:Methods 2.2 Data Integration and Modeling Variables 和 Results 3.1 Hospital and Recovery Landscape |
| 结果指标 | 器官回收率定义:回收器官数/总出院人数;器官定义:回收用于移植的器官,包括胰腺(即使用于胰岛研究) 阅读提示:Methods 2.2 和 2.3 Outcome measure |
| 统计模型 | 模型类型:分层负二项回归,随机截距为OPO,offset为总出院人数的对数;报告IRR和95%CI;使用SAS 9.4;双尾检验,显著性水平0.05 阅读提示:Methods 2.4 Statistical methods |
| 敏感性分析 | 敏感性分析的具体设置:排除研究性胰腺、限制美国本土、DCU运营≥2年、按出院量分层、DBD/DCD分别分析 阅读提示:Methods 2.4 Statistical methods 和 Results 3.3 Model Performance… |