NLA | Predictiemodellen in secundaire preventie: One size fits all?

Een grote uitdaging in de huidige geneeskunde is om de juiste therapie bij de juiste patiënt te krijgen; zogeheten precisiegeneeskunde. Het is moeilijk te voorspellen wie welke behandeling nodig heeft. Met predictiemodellen als REACH en het Nederlandse SMART model is redelijk goed te schatten wie risico loopt op een recidief vaatprobleem. Er is echter een brede range aan risico’s binnen de gebruikte risicocategorieën, die niet allemaal dezelfde behandeling behoeven.

In de groep met het hoogste risico is maximale behandeling aan de orde; wie dit zijn, is best goed te voorspellen op basis van redelijk simpele data. Die voorspellingen komen aardig overeen met observaties in grote studies. Als bijvoorbeeld een coronairpatiënt perfect wordt behandeld volgens de richtlijnen, behoudt deze alsnog een residueel 10-jaarsrisico van 12% op een recidief event. Dit accepteren we blijkbaar, maar dit kan beter als een behandeling aan de juiste patiënten wordt gegeven. De ‘Vaatrisico’ app kan hierbij helpen.

Eigenlijk is het nuttiger langer te kijken dan 10 jaar. Vooral in geval van jongeren pakt het 10-jaarsrisico te laag uit, terwijl therapie juist dan een belangrijk preventief effect kan hebben. De Utrechtse SMART-groep heeft nu krachten gebundeld met de REACH-onderzoekers uit Boston, om levenslang risico op een volgend vaatprobleem te voorspellen, alsmede het effect van interventie. Hieruit komen concrete getallen die samen met de patiënt besproken kunnen worden, wat zich vertaalt naar ‘shared decision making’. In een artikel van Dorresteijn en collega’s is gepoogd de geobserveerde effecten in gerandomiseerde gecontroleerde studies te vertalen naar de individuele patiënt. De onderzoekers streven naar een verandering in de manier van denken; waar behandeling traditioneel met name gebaseerd werd op risicofactoren, is management tegenwoordig meer risico-gebaseerd. Visseren wil toe naar meer gezondheidswinst-gebaseerd handelen. Dit omdat de risico-gebaseerde methode er vanuit gaat dat hoog risico behandelen ook een hoog voordeel oplevert, terwijl dit niet voor alle patiënten geldt. Risico is niet het hele verhaal; focus moet ook liggen op het te behalen voordeel. In een ander artikel van Dorresteijn et al. werd op basis van de TNT studiedata een model ontwikkeld dat het absolute behandeleffect voorspelt. Dit soort informatie kan het gesprek met de patiënt verbeteren, waarbij voordelen en bijwerkingen worden afgewogen.

Vaak wordt weinig variatie gezien tussen subgroepen ten aanzien van de relatieve risicoreductie. Absolute risicodata laten echter wel een brede distributie zien. Het combineren van de data van verschillende risicofactoren kan nuttige extra informatie opleveren. Een volgende stap is dan behandelafwegingen te kunnen maken op basis van de winst in vaatprobleem-vrije tijd die verwacht wordt met een bepaalde interventie, en ook het effect van gezond leven in kaart te brengen. Een probleem met de huidige risicotabellen is dat de groepen met het hoogste risico, bijvoorbeeld ouderen, juist niet degenen zijn die het meeste baat bij behandeling hebben. Hoe ouder patiënten zijn, hoe minder voordeel ze hebben van extra LDL-c verlaging. Voor de keuze wie bijvoorbeeld het beste PCSK9-remmers kunnen krijgen, is het daarom logischer te kijken naar wie het meeste gezond leven erbij krijgt. Bij oudere patiënten met een hoog risico is weinig voordeel van behandeling te verwachten. Oudere patiënten met een laag 10-jaarsrisico hebben echter wel een hoog levenslang risico, dus daar is meer behandelvoordeel te behalen. En terwijl statines bij ouderen met vaatproblemen een groot effect kunnen hebben, is de risicoverdeling anders bij ouderen zonder vaatproblemen; een deel van deze mensen zal geen baat hebben bij cholesterolverlaging. Er is dus nog aanzienlijke ruimte voor verfijning van individuele risicostratificatie, en de daaraan verbonden behandelbesluiten.