Risk estimation algorithms for STEMI patients undergoing Primary Percutaneous Coronary Intervention
█ Review
DOI: 10.26430/CHUNGARICA.2020.50.4.272
Authors:
Domokos Dominika1, Szabó András2, Bánhegyi Gyöngyvér3, Becker Dávid1, Édes István Ferenc1, Ruzsa Zoltán1,4, Merkely Béla1, Hizoh István1
1Semmelweis Egyetem, Városmajori Szív- és Érgyógyászati Klinika, Budapest
2Semmelweis Egyetem, Aneszteziológiai és Intenzív Terápiás Klinika Városmajori Részleg, Budapest
3Független kutató
4Bács-Kiskun Megyei Oktatókórház, Invazív Kardiológiai Részleg, Kecskemét
Summary
Mortality risk of ST-segment elevation myocardial infarction (STEMI) patients shows high variability. To assess individual risk, several scoring systems have been developed and validated. Treatment approaches evolve with improving outcomes, and novel statistical methods allow more complex model constructions, therefore there is a need to build new risk prediction algorithms to maintain/increase prognostic accuracy. One of the most relevant improvements of therapy is primary percutaneous coronary intervention (PPCI). We overview the characteristics and discriminative performance of the most studied and some recently constructed mortality risk models that were validated in patients with STEMI who underwent primary PCI.
ISSUE: CARDIOLOGIA HUNGARICA | 2020 | VOLUME 50, ISSUE 4
Összefoglaló
Az ST-elevációval járó miokardiális infarktus (STEMI) miatt kezelt betegek mortalitása jelentősen különbözhet egymástól. Az egyéni rizikóbecslés érdekében számos algoritmust kidolgoztak és validáltak. A terápiás technikák változásával a betegek túlélése javul, valamint a modern statisztikai módszerek fejlődésével komplexebb modellek alkothatók, így felmerül az igény az új score-ok felállítására a prognosztikus lehetőségek fenntartása, illetve javítása céljából. Az egyik legfontosabb terápiás változás a primer perkután koronáriaintervenció (PPCI) fejlődése és elterjedése volt. Vizsgálatunk során áttekintettük azokat a rizikóbecslő modelleket, amelyeket primer PCI-vel kezelt STEMI-betegek adatai alapján állítottak össze és validáltak.
Háttér
A prognózis becslése megkerülhetetlen feladat mindennapi orvosi tevékenységünk során. Egy adott betegség kimenetelének jellemzésére a legegzaktabb végpont az adott követési idő során észlelhető halálozás. Összetett adatbázisok segítségével azonosíthatók a mortalitást befolyásoló paraméterek, amelyek együtthatóinak megállapítását követően rizikóbecslő algoritmusok (score-ok) alkothatók meg.
Egy ideális score egyszerűen használható és könnyen értelmezhető. Az alkalmazásához szükséges paraméterek gyorsan elérhetők, és nem igényelnek bonyolult, időigényes vizsgálatokat. Egy ilyen score a gyakorlatban aktuálisan alkalmazott terápiás modalitásra alkalmazható; valamint generalizálható, tehát valódi populáción alapul (ideálisan multicentrikus, prospektív, regiszteralapú) a földrajzi területek, az egyes ellátók és ellátóhelyek, a különböző kockázatú betegek általános jellemzése érdekében.
Az egyedi esetekben alkalmazott rizikóbecslés során a legmagasabb rizikójú betegek kiemelése, valamint a legalacsonyabb rizikójúak elkülönítése segítheti a klinikai gyakorlatot.
A kórházi felvételkor alkalmazható algoritmusok (admission score-ok) kiszámításával az aktuális ellátó információt kap a beteg mortalitási vagy morbiditási rizikójáról, ez befolyásolhatja a vizsgálatok időzítését, és a megfigyelés intenzitását, illetve segíthet a beteg és a hozzátartozók tájékoztatásánál. A score-ok folyamatos, minden beteg esetén való alkalmazása (tulajdonképp egy időben elkülönült validációs kohorsz létrehozása) epidemiológiai eszközként felhasználható a különböző ellátók/ellátó intézmények közötti (interorganizációs) összehasonlításhoz, és egyes ellátóhelyen belüli (intraorganizációs) minőségellenőrzéshez.
Rizikóbecslő algoritmusok alkalmazhatók randomizált klinikai vizsgálatok tervezésekor az azokba való célzott beválogatáshoz a szükséges minta méretének csökkentése, a statisztikai erő fokozása, illetve költségcsökkentés céljából.
Az ST-elevációval járó szívinfarktusos betegek mortalitásának vizsgálata, a rizikótényezők felkutatása az elmúlt két évtizedben folyamatosan központi téma volt a szakirodalomban, 2000 óta számos algoritmust publikáltak (1–11) és validáltak (3, 4, 6–11, 17–33). Időközben a terápiás modalitások is változtak (trombolízis, perkután koronáriaintervenció (PCI), valamint szekunder prevenciós gyógyszeres terápia), ma az európai és amerikai irányelvek alapján is a primer perkután koronáriaintervenció a választandó terápiás stratégia (12–14). A fejlődés azonban folyamatos, az intervenciós technikai lehetőségek, valamint a gyógyszeres terápia ma is intenzív tudományos kutatás tárgyát képezik.
A terápia fejlődésével kapcsolatban megjelent az ellátás szempontjai között az időfaktor is, ez befolyásolta a prehospitális gyakorlatot. Az intervenciós tapasztalatok szélesedése kapcsán egyre idősebb, komplex társbetegségekkel rendelkező betegek is részesülhetnek revaszkularizációs kezelésben. A terápiás lehetőségek változásával újabb rizikófaktorok kerültek felismerésre. A modern statisztikai szoftverek segítségével egyes prediktorok folyamatos – sőt, akár nonlineáris – változókként történő alkalmazásával pontosabb algoritmusok hozhatók létre, és a hordozható okoseszközök elterjedése összetettebb kalkulátorok alkalmazását teszi lehetővé.
Módszerek
A PubMed (https://pubmed.gov) adatbázisban kerestünk angol nyelvű mortalitási rizikóbecslő modelleket, amelyeket legalább részben STEMI-betegek jellemző adataiból alkottak. Néhány algoritmust kizártunk az elemzésből, többek között az ismert és sokat hivatkozott SYNTAX-score különböző verzióit nem vizsgáltuk, mert a létrehozásukkor a miokardiális infarktusos betegek kizárásra kerültek a vizsgált populációból (15, 16). A vizsgálandó score-ok kiválasztását követően további publikációkat kerestünk, amelyekben ezeket a score-okat legalábbis részben primer PCI-vel kezelt STEMI-betegek adatain keresztül független (külső) adatbázison validálták.
Az egyes score-okat elemeztük a számításukhoz szükséges paraméterek száma, időbeli elérhetősége, valamint a szükséges eszközös vizsgálatok alapján. Összevetettük a derivációs adatbázisok típusait, a bekövetkezett események számát és arányát, a bevont és kizárt betegek klinikai jellemzőit és az alkalmazott terápiás modalitásokat.
A validációs vizsgálatok elemzése során rögzítettük a bevont betegek klinikai jellemzőit, az alkalmazott terápiát, az adatbázis típusát, a vizsgált betegek számát és az adott utánkövetési idő alatt észlelt események arányát.
A rizikóbecslő algoritmusok prediktív teljesítményét a publikációkban gyakran alkalmazott c-statisztika (konkordanciastatisztika) paraméter alapján jellemeztük, és elérhetősége esetén ennek 95%-os konfidencia-intervallumát is feltüntettük. Ez a paraméter a modell diszkriminatív képességét mutatja egy bináris végpont (például mortalitás) tekintetében, és a modell ROC (receiver operating characteristic) görbéje alatti területnek (area under curve=AUC) felel meg. Az ROC-analízis megbízhatóságához minél magasabb eseményráta szükséges. Az ROC-görbe ábrázolásakor az y tengelyen a szenzitivitás, az x tengelyen 1 – specificitás szerepel. Az átló reprezentálja a 0,5-ös AUC-értéket, amely esetben a modell teljesítménye nem jobb a véletlen becslésnél. Ideális algoritmus esetén a görbe a diagram bal felső sarkát közelíti, ez esetben a lehető legnagyobb szenzitivitást és specificitást érhetjük el, és a görbe alatti terület 1-hez közelít (42).
Az egyes score-ok számításához szükséges prediktorok típusait és számát, valamint a validációs vizsgálatokban közölt prediktív teljesítményeiket igyekeztünk didaktikus ábrákon keresztül bemutatni.
A rizikóbecslő algoritmusok általános jellemzői
A derivációs és validációs vizsgálatok jellemzőit az 1. és 2. táblázatban összegeztük.
A legtöbb kiválasztott score megalkotásakor kizárólag STEMI-betegeket vizsgáltak (1–5, 8, 9, 11), azonban az AR-G-adatbázisban STEMI- és NSTEMI-betegek is szerepeltek (7), a GRACE-score megalkotói akut koronáriaszindrómás betegek mindhárom típusát bevonták (10), az NCDR-score-t megalapozó populációban pedig akut és krónikus koronáriabetegség miatt PCI-vel kezelt betegeket is regisztráltak (6).
A terápiás modalitást illetően a TIMI-score az adott időszak irányelveinek megfelelően trombolízissel kezelt betegek adatain alapult (1, 9). Az újabb score-ok már PCI-vel kezelt betegek bevonásával készültek (2–5, 8, 11). A vegyes ACS-populációkat vizsgáló AR-G és GRACE-score-okban többféle terápiás mód előfordult (7, 10), és az NCDR-score-ban a PCI időpontja változó lehetett, ugyanis ebbe a vizsgálatba nem csak primer PCI-vel kezelt betegeket vontak be (6).
Főként a régebbi algoritmusok legalább részben randomizált kontrollált vizsgálatok adataiból származtak (1, 2, 4, 5, 9). Ezek előnye lehet a kiváló adatminőség, de a szigorú bevonási és kizárási kritériumok miatt nem reprezentálják a teljes populációt. Több vizsgálat derivációs adatbázisából kizárásra kerültek a legmagasabb rizikójú kardiogén sokkos betegek (1, 2, 4, 9), így az ezek alapján készült modellek generalizálhatósága kérdéses. Újabb algoritmusok gyakrabban való életbeli (real-world) populáció vizsgálatával készültek (3, 6–8, 10, 11) (1. táblázat). A validációs vizsgálatokat leggyakrabban regiszterek alkalmazásával készítették (17–33) (2. táblázat).
Az egyes algoritmusok eltérő időpontokban vizsgálták a mortalitást. Kórházon belüli, 30 és 90 napos, illetve 6 hónapos és 1 éves utánkövetési periódusok fordultak elő (1. táblázat). Függetlenül az eredeti végpontoktól, a validációs közleményekben többnyire kórházon belüli, 30 napos és 1 éves mortalitási végpontokat vizsgáltak (2. táblázat).
A rizikó becslésének lehetséges időpontja nagyban függ a szükséges prediktoroktól (2. ábra és 3. ábra). A vizsgált algoritmusok között előfordulnak a beteg felvételekor alkalmazható (admission) score-ok (TIMI [1] és PAMI [2] score), amelyek korán rendelkezésre álló rizikófaktorokat tartalmaznak. A koronarográfia és a PCI során nyerhető adatok is a beteg felvételét követően rövid időn belül rendelkezésre állnak, így a Zwolle (3), EuroHeart STEMI PCI (8) és az ALPHA-score (11) is viszonylag korán kalkulálhatók. Több algoritmushoz laboratóriumi, illetve képalkotó (jellemzően echokardiográfiás) eredményekre is szükség van, ezek a kórházi kezelés során számíthatók (4–7, 9). A Dynamic TIMI-score (9) tartalmaz kórházon belüli eseményeket, szövődményeket is, így ezt a score-t a kórházi elbocsátáskor lehet kalkulálni.
A leggyakoribb és legjelentősebb prediktor az életkor, amely valamennyi algoritmusban szerepel (1–11). Számos score-ban szerepel a Killip-osztály, hemodinamikai instabilitás vagy kardiogén sokk valamelyike (1–10). Emellett a szívfrekvencia (1, 2, 5, 7, 9–11), a vérnyomás (1, 5, 7, 9–11), az infarktus EKG lokalizációja (1–3, 5, 9), valamint a vesefunkció (4–7, 10) jelenik meg gyakran az algoritmusokban. A legalább egy algoritmusban független prediktorként igazolt rizikófaktorokat a 2. ábrán mutatjuk be. Az egyes algoritmusok összeállításakor kompromisszumot kell kötni a lehető legkevesebb, könnyen elérhető adat felhasználásának előnyei, és a lehető legjobb prognosztikus teljesítmény elérése között.
A régebben kifejlesztett score-ok odds vagy hazard ratio alapján összeszámolt értékei relatív rizikócsoportokat adnak meg. Az újabb statisztikai módszerek komplex algoritmusok kifejlesztését teszik lehetővé, és hordozható eszközökre telepített alkalmazásokkal abszolút és relatív rizikóbecslés egyaránt végezhető (pl. GRACE 2.0, ALPHA).
Az egyes rizikóbecslő modellek jellemzése
Az egyes score-ok derivációs és validációs vizsgálatait, és azok eredményeit a mellékelt táblázatokban és ábrákon összegeztük. Az alábbiakban rövid leírást adunk az egyes modellekről a terápiás modalitás és a publikálásuk időpontjának sorrendjében.
Többféle terápiás módszerrel kezelt betegek együttes vizsgálatával készültek az AR-G („Acute Coronary Treatment and Intervention Outcomes Network [ACTION] Registry-Get With the Guidelines [GWTG]”) (7) és a GRACE (Global Registry of Acute Coronary Events) score (10).
Az AR-G-score STEMI- és NSTEMI-betegek bevonásával készült a kórházon belüli mortalitás becslésére (7). A betegek kb. 80%-a PCI-vel, 14%-a trombolízissel részesült kezelésben, 6% nem kapott reperfúziós terápiát. Az algoritmus számításához hét, felvételkor elérhető beteginformációt és kétféle laborparamétert kell ismernünk. A score predikciós képessége jónak bizonyult a validáció során (23), habár egyelőre széles körű külső validációt nem végeztek.
A GRACE-score nagy esetszámú akut koronáriaszindrómás betegeket tartalmazó adatbázis alapján készült (10). Eltérő modellt alkalmaz a különböző utánkövetési időtartamok alatt észlelt mortalitás rizikójának becslésére. Hat felvételkor elérhető beteginformáció mellett kétféle laborparaméter szükséges a számításához, habár ismert kreatininszint hiányában az ismert veseelégtelenség mint anamnesztikus adat is alkalmazható a kalkuláció során. Az algoritmust fejlesztették az évek során, jelenleg a GRACE 2.0 verzió érhető el, amelyet online lehet használni az alábbi weboldalon: https://www.outcomes-umassmed.org/grace/acs_risk2/index.html. A jelen vizsgálatban hivatkozott validációs tanulmányok értelemszerűen az éppen aktuális verzióját alkalmazták a GRACE-score-nak, amelynek széles körű validációja érhető el a szakirodalomban (11, 18–21, 23–33).
A trombolízis érában publikálták a TIMI („Thrombolysis in Myocardial Infarction”) score-t, amely multicentrikus randomizált, trombolízissel kezelt STEMI-betegek vizsgálatán alapult (1). A szükséges 10 paraméter már a beteg felvételekor elérhető. A GRACE-score mellett ez a második legtöbb alkalommal validált modell, amely a PCI-vel kezelt betegek esetén is jó prognosztikus kapacitással bír (11, 17, 18, 22, 24, 25, 27, 28, 33). A kórházon belüli eseményekkel kiegészítve alkották meg a Dynamic TIMI-rizikóbecslő modellt, amely a kórházból való elbocsájtáskor kalkulálható (9). Ez az algoritmus való életbeli populáción viszonylag szűk körben került eddig validálásra (28).
A perkután koronáriaintervencióval történő kezelés bevezetését követően számos rizikóbecslő algoritmust publikáltak. A PAMI („Primary Angioplasty in Myocardial Infarction”) score vegyes, randomizált és regisztertípusú adatbázisok alapján készült, és a 6 hónapos mortalitást jelzi előre (2). A vizsgálat randomizált részéből a kardiogén sokkos betegek kizárásra kerültek. A szükséges 5, egyszerű paraméter már felvételkor is elérhető. Mint a legrégebbi primer PCI-modell, széles körben került validálásra (11, 18, 24, 27, 28).
A Zwolle-score egyetlen centrumban készült regiszter adataiból készült, amelyben primer PCI-vel kezelt STEMI-betegeket vontak be. Számításához 6 paramétert kell tudnunk, a felvételkor elérhető információk mellett PCI procedurális adatok is szükségesek (3). A Zwolle-score-t is több tanulmányban validálták (4, 11, 27, 28).
A CADILLAC-score-t az 1 éves mortalitás becslésére alkották a „Controlled Abciximab and Device Investigation to Lower Late Angioplasty Complications” multicentrikus vizsgálat adataiból, amelyből a legmagasabb rizikójú betegek kizárásra kerültek. Számításához 7 változó szükséges, beleértve procedurális, képalkotó és laborvizsgálati eredményeket is. A modellben a legerősebb prediktor a 40%-os bal kamra ejekciós frakció volt, azonban a modell alkalmazhatóságát limitálja, hogy eredetileg a PCI előtt/alatt végzett ventrikulográfiával határozták meg a bal kamra szisztolés funkciót, ezt a vizsgálatot ma már ritkán végezzük (4). A mindennapokban echokardiográfiával meghatározott bal kamra ejekciós frakció érték alkalmazásával végzett validációk a CADILLAC-score jó prognosztikus teljesítményét igazolták. A legmagasabb rizikójú betegek kizárása ellenére a score jó eredményt mutatott a regiszteralapú validációs elemzések során is (11, 18, 24, 28, 32).
Az APEX-AMI „Assessment of Pexelizumab in Acute Myocardial Infarction” score számításához 6 változóra van szükség: öt felvételkor elérhető információn kívül a vesefunkció jelenik meg prediktorként (5). Egyetlen külső validációs tanulmány áll rendelkezésre, amely az APEX-AMI-score jó prognosztikus kapacitását igazolta (11).
Az NCDR CathPCI-algoritmust az amerikai National Cardiovascular Data Registry nagy esetszámú akut és elektív PCI-betegek adataiból alkották meg a kórházon belüli mortalitás becslésére (6). A modell külső validációja jó prediktív képességet igazolt (31).
Az EuroHeart STEMI PCI-score-t multicentrikus regiszter adataiból állították össze a primer PCI-vel kezelt betegek kórházon belüli mortalitásának becslésére. Kilenc beteghez köthető adat között a férfi vagy női nem is megjelenik prediktorként (egyedüliként a jelenleg vizsgált modellek között), valamint 5 procedurális változót tartalmaz. Az eredeti közleményben rendkívüli prognosztikus kapacitást publikáltak, azonban teljesen külső validációt még nem végeztek, csak az eredeti regiszter random kettéosztásával végeztek belső validációt (8).
Az ALPHA-score megalkotását az alapozta meg, hogy a PCI során igazolták a radiális artéria punkciójával végzett beavatkozás mortalitáscsökkentő hatását a femorális punkcióhoz képest (34–37), és az európai irányelvekben a rutin radiális behatolási kapu 1A indikációval szerepel. Az ALPHA-score négy felvételkor ismerhető paraméter mellett a PCI behatolási kapu helyét is tartalmazza prediktorként a 30 napos mortalitás becslésére. Belső és külső validációk során egyaránt jó prognosztikus erő igazolódott. A score röviddel a felvételt követően online kalkulátor alkalmazásával számítható (https://alphascore.org). A modell alkalmazásával már PCI előtt azonosíthatók a betegek, akik leginkább profitálhatnak a transzradiális szúrásból (11). Az algoritmus egy nemzeti multicentrikus validáción esett át jó eredménnyel (33), jelenleg még nemzetközi validációt igényel.
Komparatív validáció
Halkin és munkatársai egy 900 főt tartalmazó vizsgálatban (Stent-Primary Angioplasty in Myocardial Infarction [Stent-PAMI] trial) (38) a CADILLAC-score-t hasonlították a TIMI-, a PAMI- és a Zwolle-score-ok prognosztikus teljesítményéhez. A publikáció CADILLAC-score kedvező eredményt mutatott, bár páronkénti összehasonlítást nem publikáltak (3).
Lev és munkatársai a TIMI-, PAMI-, CADILLAC- és GRACE-modelleket hasonlították össze egy centrumban vizsgált 855 hemodinamikailag stabil beteg adatai alapján. Meglepetésre, a GRACE-score ebben a vizsgálatban nem adott jó rizikóbecslést. A másik három algoritmus viszonylag jól előrejelezte a 30 napos és az 1 éves mortalitást, a CADILLAC-score c-statisztika értéke kissé kiemelkedett a többi közül. Páronkénti analízist ebben a publikációban sem közöltek (18).
Raposeiras-Roubín és munkatársai egy centrumban készült, részben primer PCI-vel kezelt STEMI-betegeket tartalmazó regiszteren validálták az AR-G- és a GRACE-score-ok prediktív kapacitását a kórházon belüli mortalitás becslésére. A két score között nem találtak szignifikáns különbséget (23).
Méndez-Eirín és munkatársai a TIMI-, PAMI-, CADILLAC- és GRACE-score-okat validálták a 30 napos és 1 éves mortalitás rizikójának becslésére egy centrum STEMI-betegeinek vizsgálatával, akik primer vagy rescue PCI-ben részesültek. A PAMI-score gyengébb prognosztikus erővel bírt a többi három vizsgált modellnél mindkét végpont esetén. A 30 napos mortalitást illetően a GRACE statisztikailag jobban teljesített a TIMI-score-nál (24).
Timóteo és szerzőtársai 2013-ban a TIMI- és a GRACE-score-t hasonlították össze egy centrumban kezelt 607 beteg adatai alapján. A GRACE-score numerikusan jobb c-statisztika értéket adott a kórházon belüli és a 30 napos mortalitás becslésére, de ez a különbség az adott esetszám mellett csak a kórházon belüli események tekintetében bizonyult szignifikánsnak (25).
Abelin és munkatársai a TIMI-, PAMI-, Zwolle- és a GRACE-score-t hasonlították össze 501 egy centrumban primer PCI-vel kezelt STEMI-betegek 30 napos mortalitásának becslésére. A TIMI-, a GRACE- és a Zwolle-score-ok között nem mutatkozott szignifikáns különbség az adott esetszám mellett, de a GRACE-modell szuperiornak bizonyult a PAMI-hoz képest (27).
Littnerova és szerzőtársai a TIMI-, a dinamikus TIMI-, a PAMI-, a Zwolle-, a CADILLAC- és a GRACE-score-okat hasonlították össze többféle utánkövetés során észlelt mortalitási becslésére 593 egy központban primer PCI-vel kezelt STEMI-beteg adatai alapján. A hosszú távú mortalitás becslésére a GRACE-score bizonyult legjobbnak, ezt a CADILLAC-, a Zwolle- és a dinamikus TIMI-score követték, azonban a TIMI- és a PAMI-modellek hosszú távon kevésbé jól teljesítettek. Páronkénti összehasonlítás nem szerepel a publikációban, a GRACE-t használták referenciaként (28).
Timóteo 2016-ban publikált közleményében a GRACE- és az NCDR-, CathPCI-score-ok kerültek összehasonlításra 2148 PCI-vel kezelt akut koronáriaszindrómás beteg vizsgálatával, akik közül 70,9%-ban véleményeztek STEMI-t. A GRACE-score statisztikailag jobb becslést adott a kórházon belüli mortalitásra (31).
Hizoh és munkatársai a TIMI-, PAMI-, Zwolle-, CADILLAC-, APEX-AMI-, GRACE 2.0 és az ALPHA-score validációját végezték egy centrumban primer PCI-vel kezelt 505 STEMI-beteg 30 napos mortalitásának becslésére. A PAMI-score szignifikánsan gyengébb eredményt adott az ALPHA-, a GRACE 2.0, az APEX-AMI- és a CADILLAC-score teljesítményéhez képest; a többi páronkénti összehasonlítás során a különbségek nem bizonyultak szignifikánsnak (11). Ugyanez a kutatócsoport végezte el az ALPHA-, a GRACE 2.0 és a TIMI-modellek 30 napos mortalitásra vonatkozó rizikóbecslését a Nemzeti Szívinfarktus Regiszter 5203 betegének adatai alapján. A GRACE 2.0 és az ALPHA-score kifejezetten jó prognosztikus ereje nem különbözött egymástól, de a TIMI-score statisztikailag szignifikánsan gyengébb eredményt mutatott (33).
Limitációk
Közleményünkben a vizsgált rizikóbecslő modellek teljesítményét ROC (receiver operating characteristic) analízis alapján nyert c-statisztika (konkordanciastatisztika) paraméter alapján jellemeztük (39, 40), amely népszerű és széles körben elfogadott módszer, azonban viszonylag alacsony eseményszám esetén felülbecsli a modell kapacitását (41). A tanulmányok egy részében a Hosmer–Lemeshow-értékeket is publikáltak, azonban ezeket nem elemeztük, mert a módszert nem tartjuk a modellilleszkedés adekvát mérőszámának a korlátozott statisztikai erő és nehéz interpretáció miatt (39, 40).
Valódi metaanalízist nem tudtunk végezni klinikai diagnózis tekintetében változó összetételű populációk (ACS, STEMI, NSTEMI), a különböző terápiás modalitások (primer PCI, változó időpontban végzett PCI, fibrinolízis, vagy reperfúziós kezelés nélkül), a változó rizikóösszetételű beteganyag (randomizált vizsgálatból vagy regiszterből származó adatok), különböző végpontok (kórházon belüli, 30 napos, 6 hónapos, 1 éves mortalitás) miatt, amelyek jelentős torzítást jelentenének egy metaanalízis eredményeiben. Ezen kívül a szerzők sok esetben nem közölték a 95%-os konfidencia-intervallumokat, amelyek szükségesek lennének az elemzéshez.
Következtetések
A mortalitás rizikójának becslését szolgáló algoritmusok hasznosak lehetnek a betegek, az ellátók és kutatók számára, valamint a minőségellenőrzést is szolgálhatják. Bár a GRACE-score eredetileg nemcsak STEMI-betegek vizsgálatára szolgált, a széles körű validáció alapján elmondható, hogy jól működik a mai transzradiális primer PCI terápiás korszakban is. Hasonlóan a Zwolle-, a CADILLAC-, az APEX-AMI- és az ALPHA-modellek is jó prediktív erővel rendelkeznek. A trombolízis érájában publikált, felvételkor számítható TIMI-score gyengébb eredményeket mutat. A primer PCI-t követő rizikóbecslésre fejlesztett PAMI-score tűnik a legkevésbé prognosztikusnak a vizsgált modellek közül.
A mindennapi ellátás során alkalmazandó rizikóbecslő modell kiválasztásakor a lehető legmagasabb prognosztikus teljesítmény mellett fontos szempont lehet a minél korábban elérhető, minél kevesebb eszközös vizsgálatot igénylő, és egyszerűen számítható algoritmus kiválasztása. Napjainkban okoseszközökre fejlesztett felhasználóbarát kalkulátorokat is használhatunk.
Mivel a terápiás lehetőségek folyamatosan fejlődnek és a betegek túlélése javul, egyre idősebb és komplex társbetegségekkel rendelkező betegek kaphatnak invazív kezelést, így a rizikóbecslő algoritmusok folyamatos fejlesztésére van szükség a prognosztikus teljesítmény fenntartása, illetve javítása érdekében.
Nyilatkozat
A szerzők kijelentik, hogy a közlemény megírásával kapcsolatban nem áll fenn velük szemben pénzügyi vagy egyéb lényeges összeütközés, összeférhetetlenségi ok, amely befolyásolhatja a közleményben bemutatott eredményeket, az abból levont következtetéseket vagy azok értelmezését.
Irodalom
1. Morrow DA, Antman EM, Charlesworth A, et al. TIMI risk score for ST-elevation myocardial infarction: A convenient, bedside, clinical score for risk assessment at presentation: An intravenous nPA for treatment of infarcting myocardium early II trial substudy. Circulation 2000; 102: 2031–7. doi: 10.1161/01.CIR.102.17.2031
2. Addala S, Grines CL, Dixon SR, et al. Predicting mortality in patients with ST-elevation myocardial infarction treated with primary percutaneous coronary intervention (PAMI risk score). Am J Cardiol 2004; 93: 629–32. doi: 10.1016/j.amjcard.2003.11.036
3. De Luca G, Suryapranata H, van’t Hof AW, et al. Prognostic assessment of patients with acute myocardial infarction treated with primary angioplasty: implications for early discharge. Circulation 2004; 109: 2737–43. doi: 10.1161/01.CIR.0000131765.73959.87
4. Halkin A, Singh M, Nikolsky E, et al. Prediction of mortality after primary percutaneous coronary intervention for acute myocardial infarction: The CADILLAC risk score. J Am Coll Cardiol 2005; 45: 1397–405. doi: 10.1016/j.jacc.2005.01.041
5. Stebbins A, Mehta RH, Armstrong PW, et al. A Model for Predicting Mortality in Acute ST-Segment Elevation Myocardial Infarction Treated With Primary Percutaneous Coronary Intervention. Circ Cardiovasc Interv 2010; 3: 414–22. doi: 10.1161/CIRCINTERVENTIONS.109.925180
6. Peterson ED, Dai D, DeLong ER, et al. Contemporary mortality risk prediction for percutaneous coronary intervention: results from 588,398 procedures in the National Cardiovascular Data Registry. J Am Coll Cardiol 2010; 55: 1923–32. doi: 10.1016/j.jacc.2010.02.005
7. Chin CT, Chen AY, Wang TY, et al. Risk adjustment for in-hospital mortality of contemporary patients with acute myocardial infarction: the acute coronary treatment and intervention outcomes network (ACTION) registry-get with the guidelines (GWTG) acute myocardial infarction mortality mode. Am Heart J 2011; 161: 113–22.e2. doi: 10.1016/j.ahj.2010.10.004
8. de Mulder M, Gitt A, van Domburg R, et al. EuroHeart score for the evaluation of in-hospital mortality in patients undergoing percutaneous coronary intervention. Eur Heart J 2011; 32: 1398–408. doi: 10.1093/eurheartj/ehr034
9. Amin ST, Morrow DA, Braunwald E, et al. Dynamic TIMI risk score for STEMI. J Am Heart Assoc 2013; 2: e003269. doi: 10.1161/JAHA.112.003269
10. Fox KAA, Fitzgerald G, Puymirat E, et al. Should patients with acute coronary disease be stratified for management according to their risk? Derivation, external validation and outcomes using the updated GRACE risk score. BMJ Open 2014; 4: e004425. doi: 10.1136/bmjopen-2013-004425
11. Hizoh I, Gulyas Z, Domokos D, et al. A novel risk model including vascular access site for predicting 30-day mortality after primary PCI: The ALPHA score. Cardiovasc Revasc Med 2017; 18: 33–9. doi: 10.1016/j.carrev.2016.10.002
12. O’Gara PT, Kushner FG, Ascheim DD, et al. 2013 ACCF/AHA Guideline for the Management of STElevation Myocardial Infarction. J Am Coll Cardiol 2013; 61: e78–140. doi: 10.1161/CIR.0b013e3182742cf6
13. Ibanez B, James S, Agewall S, et al. 2017 ESC Guidelines for the management of acute myocardial infarction in patients presenting with ST-segment elevation: The Task Force for the management of acute myocardial infarction in patients presenting with ST-segment elevation of the European Society of Cardiology (ESC). Eur Heart J 2018; 39: 119–77. doi: 10.1093/eurheartj/ehx393
14. Neumann F-J, Sousa-Uva M, Ahlsson A, et al. 2018 ESC/EACTS Guidelines on myocardial revascularization. Eur Heart J 2019; 40: 87–165. doi: 10.1093/eurheartj/ehy394
15. Sianos G, Morel M-A, Kappetein AP, et al. The SYNTAX Score: an angiographic tool grading the complexity of coronary artery disease. EuroIntervention 2005; 1: 219–27
16. Ong ATL, Serruys PW, Mohr FW, et al. The SYNergy between percutaneous coronary intervention with TAXus and cardiac surgery (SYNTAX) study: Design, rationale, and run-in phase. Am Heart J 2006; 151: 1194–204. doi: 10.1016/j.ahj.2005.07.017
17. Morrow DA, Antman EM, Parsons L, et al. Application of the TIMI risk score for ST-elevation MI in the National Registry of Myocardial Infarction 3. JAMA 2001; 286: 1356–9. doi: 10.1001/jama.286.11.1356
18. Lev EI, Kornowski R, Vaknin-Assa H, et al. Comparison of the Predictive Value of Four Different Risk Scores for Outcomes of Patients With ST-Elevation Acute Myocardial Infarction Undergoing Primary Percutaneous Coronary Intervention. Am J Cardiol 2008; 102: 6–11. doi: 10.1016/j.amjcard.2008.02.088
19. Elbarouni B, Goodman SG, Yan RT, et al. Validation of the Global Registry of Acute Coronary Event (GRACE) risk score for in-hospital mortality in patients with acute coronary syndrome in Canada. Am Heart J 2009; 158: 392–9. doi: 10.1016/j.ahj.2009.06.010
20. Abu-Assi E, Ferreira-González I, Ribera A, et al. Do GRACE (Global Registry of Acute Coronary events) risk scores still maintain their performance for predicting mortality in the era of contemporary management of acute coronary syndromes? Am Heart J 2010; 160: 826–834.e1–3. doi: 10.1016/j.ahj.2010.06.053
21. Yusufali A, Zubaid M, Al-Zakwani I, et al. Validation of the GRACE risk score for hospital mortality in patients with acute coronary syndrome in the Arab Middle East. Angiology 2011; 62: 390–6. doi: 10.1177/0003319710387921
22. Selvarajah S, Fong AYY, Selvaraj G, et al. An Asian validation of the TIMI risk score for ST-segment elevation myocardial infarction. PLoS ONE 2002; 7: 1–7. doi: 10.1371/journal.pone.0040249
23. Raposeiras-Roubín S, Abu-Assi E, Cabanas-Grandío P, et al. Walking Beyond the GRACE (Global Registry of Acute Coronary Events) Model in the Death Risk Stratification During Hospitalization in Patients With Acute Coronary Syndrome. JACC Cardiovasc Interv 2012; 5: 1117-25. doi: 10.1016/j.jcin.2012.06.023
24. Méndez-Eirín E, Flores-Ríos X, García-López F, et al. Comparison of the prognostic predictive value of the TIMI, PAMI, CADILLAC, and GRACE risk scores in STEACS undergoing primary or rescue PCI. Rev Esp Cardiol 2012; 65: 227–33. doi: 10.1016/j.recesp.2011.10.019
25. Timóteo AT, Papoila AL, Lopes JP, et al. Is it possible to simplify risk stratification scores for patients with STsegment elevation myocardial infarction undergoing primary angioplasty? Rev Port Cardiol 2013; 32: 967–73. doi: 10.1016/j.repc.2013.06.006
26. Fujii T, Suzuki T, Torii S, et al. Diagnostic Accuracy of Global Registry of Acute Coronary Events (GRACE) Risk Score in ST-Elevation Myocardial Infarction for InHospital and 360-Day Mortality in Japanese Patients. Circ J 2014; 78: 2950–4. doi: 10.1253/circj.CJ-14-0808
27. Abelin AP, David RB, Gottschall CA, et al. Accuracy of Dedicated Risk Scores in Patients Undergoing Primary Percutaneous Coronary Intervention in Daily Clinical Practice. Can J Cardiol 2014; 30: 125–31. doi: 10.1371/journal.pone.0220289.
28. Littnerova S, Kala P, Jarkovsky J, et al. GRACE Score among Six Risk Scoring Systems (CADILLAC, PAMI, TIMI, Dynamic TIMI, Zwolle) Demonstrated the Best Predictive Value for Prediction of Long-Term Mortality in Patients with ST-Elevation Myocardial Infarction. PLoS One 2015; 10: e0123215. doi: 10.1371/journal.pone.0123215
29. Parenica J, Kala P, Pavkova MG, et al. Natriuretic peptides, nitrite/nitrate and superoxide dismutase have additional value on top of the GRACE score in prediction of one-year mortality and rehospitalisation for heart failure in STEMI patients – Multiple biomarkers prospective cohort study. Int J Cardiol 2016; 211: 96–104. doi: 10.1016/j.ijcard.2016.02.135
30. Huang W, FitzGerald G, Goldberg RJ, et al. Performance of the GRACE Risk Score 2.0 Simplified Algorithm for Predicting 1-Year Death After Hospitalization for an Acute Coronary Syndrome in a Contemporary Multiracial Cohort. Am J Cardiol 2016; 118: 1105–10. doi: 10.1016/j.amjcard.2016.07.029
31. Timóteo AT, Monteiro AV, Portugal G, et al. Validation of two US risk scores for percutaneous coronary intervention in a single-center Portuguese population of patients with acute coronary syndrome. Rev Port Cardiol 2016; 35: 73–8. doi: 10.1016/j.repc.2015.09.018
32. Yu T, Tian C, Song J, et al. ACTION (acute coronary treatment and intervention outcomes network) registryGWTG (get with the guidelines) risk score predicts longterm mortality in acute myocardial infarction. Oncotarget 2017; 8: 102559–72. doi: 10.18632/oncotarget.21741
33. Hizoh I, Banhegyi G, Domokos D, et al. Comparative Validation of the ALPHA Score, a Novel Risk Model Including Vascular Access Site for Predicting 30-Day Mortality in Patients Treated With Primary PCI. J Am Coll Cardiol 2018; 72: B320–1. doi: 10.1016/j.jacc.2018.08.2039
34. Mehta SR, Jolly SS, Cairns J, et al. Effects of radial versus femoral artery access in patients with acute coronary syndromes with or without ST-segment elevation. J Am Coll Cardiol 2012; 60: 2490–9. doi: 10.1016/j.jacc.2012.07.050
35. Romagnoli E, Biondi-Zoccai G, Sciahbasi A, et al. Radial versus femoral randomized investigation in ST-segment elevation acute coronary syndrome. J Am Coll Cardiol 2012; 60: 2481–9. doi: 10.1016/j.jacc.2012.06.017
36. Karrowni W, Vyas A, Giacomino B, et al. Radial Versus Femoral Access for Primary Percutaneous Interventions in ST-Segment Elevation Myocardial Infarction Patients. JACC Cardiovasc Interv 2013; 6: 814–23. doi: 10.1016/j.jcin.2013.04.010
37. Valgimigli M, Gagnor A, Calabró P, et al. Radial versus femoral access in patients with acute coronary syndromes undergoing invasive management: a randomised multicentre trial. Lancet 2015; 385: 2465–76. doi: 10.1016/S0140-6736(15)60292-6
38. Grines CL, Cox DA, Stone GW, et al. Coronary angioplasty with or without stent implantation for acute myocardial infarction. Stent Primary Angioplasty in Myocardial Infarction Study Group. N Engl J Med 1999; 341: 1949–56. doi: 10.1056/NEJM199912233412601
39. Steyerberg EW, Vickers AJ, Cook NR, et al. Assessing the performance of prediction models: a framework for traditional and novel measures. Epidemiology 2010; 21: 128–38. doi: 10.1097/EDE.0b013e3181c30fb2
40. Steyerberg EW, Vergouwe Y. Towards better clinical prediction models: Seven steps for development and an ABCD for validation. Eur Heart J 2014; 35: 1925–31. doi: 10.1093/eurheartj/ehu207
41. Davis J, Goadrich M. The relationship between PrecisionRecall and ROC curves. In: Proceedings of the 23rd international conference on Machine learning – ICML. ACM Press, 2006: 233–40. doi: 10.1145/1143844.1143874
42. Harrell FE. Regression Modeling Strategies: With Applications to Linear Models, Logistic Regression, and Survival Analysis. New York: Springer; 2001. doi: 10.1007/978–1-4757-3462-1