Nieuw diagnostisch voorspellingsmodel met geïndividualiseerde absolute waarschijnlijkheidsscore voor aanwezigheid van longembolie
Er werd een nieuw diagnostisch model ontwikkeld en gevalideerd, dat gebruik maakt van enkel objectieve klinische factoren om de waarschijnlijkheid van longembolie bij patiënten met verdenking op longembolie te bepalen.
Diagnostic management of acute pulmonary embolism: a prediction model based on a patient data meta-analysisLiteratuur - Van Es N, Takada T, Kraaijpoel N, et al. - Eur Heart J. 2023 Aug 22;44(32):3073-3081. doi: 10.1093/eurheartj/ehad417
Introductie en methoden
Achtergrond
Longembolie kan bevestigd of uitgesloten worden met beeldvormend onderzoek zoals CT pulmonaire angiografie of ventilatie-perfusiescans. Dit heeft echter verschillende nadelen zoals blootstelling aan straling, risico op contrast-reacties en nefropathie, en hoge kosten. Diagnostische algoritmes, die gebruik maken van medische voorgeschiedenis en bevindingen bij lichamelijk onderzoek met D-dimeer testen, kunnen worden gebruikt om longembolie uit te sluiten bij patiënten met een verdenking op longembolie, en kunnen daarmee de noodzaak voor beeldvormend onderzoek sterk verminderen [1]. Desondanks wordt een groot deel van de patiënten met een verdenking op longembolie zonder lage klinische waarschijnlijkheid en met verhoogd D-dimeer doorverwezen voor beeldvorming, en bij de meeste van deze patiënten wordt longembolie niet gediagnosticeerd [2-5], wat aangeeft dat betere methoden voor risicostratificatie nodig zijn.
Doel van de studie
Het doel van deze studie was om een klinisch voorspellingsmodel te ontwikkelen dat accuraat de absolute waarschijnlijkheid op longembolie voor elke patiënt kan bepalen, met behulp van gemakkelijk verkrijgbare klinische factoren en D-dimeerwaarden.
-
Methoden
Een geïndividualiseerde patiëntendataset werd gegenereerd met gebruik van data van studies gepubliceerd in MEDLINE van januari 1995 tot januari 2021 [6]. Studies die in aanmerking kwamen hadden: een prospectief of cross-sectioneel ontwerp, gestructureerde klinische pretestwaarschijnlijkheid, D-dimeerwaarden gemeten en beeldvorming uitgevoerd bij alle patiënten op baseline of klinische follow-up van ten minste 30 dagen bij patiënten die op baseline geen beeldvorming ondergingen. Er werden totaal 16 studies met 28.305 unieke patiënten met verdenking op longembolie geïncludeerd (n=23.899 patiënten zonder PE en n=4406 patiënten met PE). Patiënten uit verschillende klinische instellingen werden geïncludeerd, namelijk uit de spoedeisende zorg, eerstelijnszorg, tweedelijnszorg en gehospitaliseerde of verzorgingstehuispatiënten. De volgende variabelen werden in overweging genomen voor het nieuwe model: leeftijd (in jaren), geslacht, eerdere veneuze trombo-embolie (VTE), recente operatie of immobilisatie, hemoptoë, kanker, klinische aanwijzingen voor DVT, tachycardie, ziekenhuisstatus, D-dimeerwaarden (in µg/L), en interactie tussen leeftijd en D-dimeer. Subjectieve variabelen zoals ‘longembolie is de meest waarschijnlijke diagnose’ of ongestructureerde waarschijnlijkheidsschatting op longembolie werden niet meegenomen. Variabelen met een P-waarde van >0,10 in meer dan de helft van de geïmputeerde datasets werden uitgesloten van het model. De prestaties van het model werden beoordeeld met interne-externe kruisvalidatie op studieniveau.
Efficiëntie werd gedefinieerd als het aantal patiënten bij wie longembolie kan worden beschouwd als uitgesloten op basis van het diagnostische model zonder beeldvorming, ten opzichte van alle patiënten met verdenking op longembolie. Veiligheid werd gedefinieerd als het aantal patiënten bij wie longembolie aanwezig is ten opzichte van patiënten bij wie longembolie door het model als uitgesloten werd beschouwd (fout-negatief).
Uitkomstmaten
De uitkomstmaat was een diagnose van longembolie bevestigd met beeldvorming op baseline of VTE gedurende 30 tot 90 dagen follow-up. Fatale longembolie werd ook meegenomen als uitkomstmaat.
Belangrijkste resultaten
Ontwikkeling en prestaties van het model
- Alle verklarende variabelen werden geïncludeerd in het model, met de uitzondering van tachycardie.
- De discriminerende prestatie van het model was goed bij alle validatiestudies (gepoolde c-statistiek: 0,87; 95%BI: 0,85-0,89; voorspellingsinterval [PI]: 0,77-0.93).
- Kalibratieprestatie van het model was uitstekend (gepoolde uitkomst:verwachting ratio: 0.99; 95%BI: 0.87-1.14), maar er was sprake van heterogeniteit tussen studies (PI: 0,55-1.79).
- Er was over het algemeen een goede overeenkomst tussen de geschatte waarschijnlijkheden van het model en de waargenomen prevalentie van longembolie. Het model overschatte de waarschijnlijkheid op longembolie echter met ongeveer 1% in het klinisch relevante bereik van waarschijnlijkheden van 0%-3%.
Vergelijkingen met huidige algoritmes
- In een dataset van 14 studies scoorde het nieuwe model beter op prestaties (gepoolde c-statistiek: 0,87; 95%BI: 0,84-0,89; PI: 0,76-0,93) vergeleken met de Wells-score met leeftijd-gecorrigeerde D-dimeertesten (gepoolde c-statistiek: 0,73; 95%BI: 0,70-0,75; PI: 0,62-0,82) en de Wells-score met drie-lagen D-dimeertesten (gepoolde c-statistiek: 0,79; 95%BI: 0,76-0,81; PI: 0,66-0,88).
- De Wells-scoremodellen overschatten ook de kans op longembolie in het lager klinisch relevante bereik van waarschijnlijkheden (tussen 1%-10%), vergelijkbaar met het nieuwe model.
- De efficiëntie en veiligheid van het nieuwe model was vergelijkbaar met de huidige gebruikte algoritmes.
Gemiddelde vs. geïndividualiseerde waarschijnlijkheidsschattingen
- Het nieuwe model identificeerde een hoog percentage patiënten met een geschatte individuele waarschijnlijkheid op longembolie ≥2% bij patiënten die door de huidige diagnostische algoritmes werden geclassificeerd als 'beeldvorming niet geïndiceerd'. Dit kwam voor bij 28% van de patiënten wanneer longembolie werd uitgesloten met behulp van de Wells-score met leeftijdsgecorrigeerde D-dimeertesten en bij 44% van de patiënten wanneer longembolie werd uitgesloten met behulp van de Wells-score met een drempelwaarde op basis van klinische pretestwaarschijnlijkheid.
Conclusie
De auteurs ontwikkelden een nieuw klinisch voorspellingsmodel dat de absolute, geïndividualiseerde waarschijnlijkheidsschatting voor longembolie berekent bij patiënten met een verdenking op longembolie, op basis van enkel objectieve klinische factoren. De discriminatie- en kalibratieprestaties waren zeer goed, maar de klinische bruikbaarheid van het nieuwe model moet in toekomstige studies worden geëvalueerd.
Het nieuwe model identificeerde een hoog percentage patiënten met een hoge individuele waarschijnlijkheid van longembolie bij patiënten die door de huidige beschikbare algoritmes als laag risico werden geclassificeerd. De auteurs benadrukken dat hun algoritme niet is ontworpen om de huidige algoritmes op populatieniveau te vervangen. "Wij geloven eerder dat het gezien kan worden als een alternatieve optie die bijvoorbeeld geschikt kan zijn in zorgomgevingen met een hoge prevalentie van VTE (bijv. verpleeghuisbewoners of ziekenhuispatiënten) of voor patiënten met een hoog risico (bijv. kankerpatiënten, ouderen met comorbiditeit, patiënten met een eerdere VTE)", aldus de auteurs.
Referenties
1. Konstantinides SV, Meyer G, Becattini C, et al. 2019 ESC Guidelines for the diagnosis and management of acute pulmonary embolism developed in collaboration with the European Respiratory Society (ERS). Eur Heart J. 2020;41(4):543-603.
2. Righini M, Van Es J, Den Exter PL, et al. Age-adjusted D-dimer cutoff levels to rule out pulmonary embolism: the ADJUST-PE study. JAMA. 2014;311(11):1117-1124.
3. van der Hulle T, Cheung WY, Kooij S, et al. Simplified diagnostic management of suspected pulmonary embolism (the YEARS study): a prospective, multicentre, cohort study. Lancet 2017;390(10091):289–297.
4. van Es N, van der Hulle T, van Es J, et al. Wells rule and d-dimer testing to rule out pulmonary embolism a systematic review and individual-patient data meta- analysis. Ann Intern Med 2016;165(4):253–261.
5. van Belle A, Büller HR, Huisman MV, Huisman PM, et al. Effectiveness of managing suspected pulmonary embolism using an algorithm combining clinical probability, D-dimer testing, and computed tomography. JAMA 2006;295(2):172–179.
6. Geersing GJ, Kraaijpoel N, Büller HR, et al. Ruling out pulmonary embolism across different subgroups of patients and healthcare settings: protocol for a systematic review and individual patient data meta-analysis (IPDMA). Diagn Progn Res. 2018;2:10.