Guptas perioperative risiko for myokardieinfarkt eller hjertestop (MICA)

Klinisk baggrund

Perioperativt myokardieinfarkt og hjertestop er sjældne, men alvorlige komplikationer ved ikke-kardiel kirurgi, med høj dødelighed når de først indtræffer. Beslutningen om, hvor omfattende den præoperative kardiologiske udredning skal være, og hvordan risikoen skal kommunikeres til patienten, kræver et kvantificeret risikoestimat. Det dominerende instrument før Guptas model var Revised Cardiac Risk Index (RCRI), som bygger på seks kliniske variable og giver en grov risikoklasse. RCRI er dog blevet kritiseret for relativt lav diskriminerende evne og for ikke at tage detaljeret højde for indgrebets risikoprofil. Guptas perioperative risiko for myokardieinfarkt eller hjertestop (MICA) blev udviklet netop for at afhjælpe disse svagheder, i særdeleshed for at integrere den kirurgiske underkategori som en stærk risikodriver og dermed give en mere differentieret og individuelt tilpasset risikoprocent [1].

Beregning af Guptas perioperative risiko

Modellen er en logistisk regression med fem prædiktorer: alder, funktionsstatus, ASA-klasse, præoperativt kreatinin og indgrebstype. Den beregnes som:

$$x = 0{,}02 \times \text{alder} + \beta_{\text{funktionsstatus}} + \beta_{\text{ASA-klasse}} + \beta_{\text{kreatinin}} + \beta_{\text{indgrebstype}} - 5{,}25$$

$$\text{risiko ($$

hvor hvert $\beta$ svarer til koefficienten for den valgte kategori inden for den pågældende variabel. Alder bidrager lineært med 0,02 per leveår. Funktionsstatus giver 0 point for Uafhængig, 0,65 for Delvist afhængig og 1,03 for Helt afhængig. ASA-klassen bidrager med negative koefficienter for de lavere klasser (I: -5,17; II: -3,29; III: -1,92; IV: -0,95; V: 0), hvilket betyder, at raskere patienter får en lavere risiko. Præoperativt kreatinin >1,5 mg/dL lægger 0,61 til. Indgrebstypens koefficienter spænder fra -1,61 (brystkirurgi) til +1,60 (aortakirurgi) og er den enkeltvis stærkeste risikodriver i modellen.

Udledningskohorten bestod af 211.410 patienter i American College of Surgeons National Surgical Quality Improvement Program (NSQIP) fra 2007, en prospektiv multicenterdatabase med over 250 hospitaler. Endepunktet var perioperativt myokardieinfarkt eller hjertestop, hvilket indtraf hos 1.371 patienter (0,65 %). Modellen blev derefter valideret på NSQIP 2008 med 257.385 patienter [1].

Fortolkning i praksis

Til forskel fra indeks, der giver risikoklasser, leverer Guptas model en kontinuerlig sandsynlighed i procent. Der findes ingen alment accepterede tærskelværdier i selve beregneren for, hvornår risikoen bliver "høj" eller "lav", og ESC's retningslinjer fra 2022 definerer heller ikke faste grænser for, hvornår modellen skal udløse specifikke tiltag [3]. Risikotallet skal derfor fortolkes i sin kliniske sammenhæng:

Det er vigtigt, at risikotallet anvendes som grundlag for fælles beslutningstagning og ikke som et selvstændigt beslutningsværktøj. En patient med et lavt risikotal, men med nyligt myokardieinfarkt eller ustabil angina, skal håndteres ud fra det kliniske billede og ikke ud fra beregneren.

Validering og performance

I udledningsstudiet havde modellen en c-statistik på 0,884 i udviklingskohorten og 0,874 i den temporale valideringskohorte (NSQIP 2008). Til sammenligning gav RCRI anvendt på de samme 2008-data en c-statistik på 0,747 [1].

Ekstern validering har vist betydeligt dårligere performance. Fronczek m.fl. validerede NSQIP MICA og RCRI på 870 patienter ≥45 år, som gennemgik ikke-kardiel karkirurgi på et tertiært center, med systematisk måling af højsensitivt troponin T postoperativt og diagnose efter Third Universal Definition of Myocardial Infarction. Det sammensatte endepunkt indtraf hos 8,7 %. NSQIP MICA havde en c-statistik på 0,64 (95 % KI 0,57–0,70) sammenlignet med 0,60 for RCRI. Kalibreringen var dårlig: modellen undervurderede risikoen systematisk (P<0,001) [2].

Alrezk m.fl. afprøvede Gupta MICA på NSQIP 2012-data begrænset til geriatriske patienter (≥65 år, n=172.905). AUC faldt til 0,70, en forringelse på cirka 17 % sammenlignet med den oprindelige performance i NSQIP 2007. Kalibreringen var mangelfuld: modellen undervurderede risikoen i lavrisikokategorierne og overvurderede i højrisikokategorierne, med en medianafvigelse på -0,73 procentpoint hos geriatriske patienter [4].

Sammenfattende præsterer modellen godt i den population, den er udledt af, men diskriminationen falder markant ved ekstern validering, særligt i geriatriske kohorter og ved karkirurgi. Kalibreringen er et tilbagevendende problem med systematisk undervurdering af den observerede risiko.

Begrænsninger

Modellen er udledt af NSQIP-data fra 2007 og afspejler datidens kirurgiske teknik og patientpopulation. Kirurgiske resultater er blevet bedre over tid, hvilket betyder, at koefficienterne kan være forældede. Alrezk m.fl. påpeger, at modeller bør opdateres med jævne mellemrum for at afspejle ændret praksis [4].

Den geriatriske population udgør et særligt problem. Antagelsen om linearitet for alder gør, at modellen ikke opfanger den ikke-lineære risikostigning, der ses hos ældre patienter, hvilket bidrager til den forringede performance og den systematiske undervurdering af risikoen i denne gruppe [4].

Fronczek m.fl. viste, at når perioperative myokardieinfarkter diagnosticeres med systematisk troponinmåling efter den gældende universelle definition, falder c-statistikken kraftigt sammenlignet med udledningsstudiet, som byggede på klinisk erkendte infarkter [2]. Det er en fundamental begrænsning: modellen blev trænet på en endepunktsdefinition, som overser asymptomatiske troponinstigninger, og disse udgør en betydelig andel af de perioperative myokardieskader efter moderne praksis.

Modellen mangler flere klinisk relevante prædiktorer: iskæmisk hjertesygdom, hjertesvigt, diabetes, apopleksi og anæmi indgår ikke. RCRI inkluderer flere af disse, hvilket delvis forklarer, hvorfor RCRI stadig anvendes sideløbende. Til gengæld inkluderer Guptas model indgrebstypen i detaljer, hvilket RCRI ikke gør.

Kreatinintærsklen på 1,5 mg/dL (svarende til cirka 133 µmol/L) er den samme som i RCRI og er en grov binær inddeling, som ikke tager højde for eGFR eller kønsforskelle i kreatinin.

Kilder

1. Gupta PK, Gupta H, Sundaram A, m.fl. Development and validation of a risk calculator for prediction of cardiac risk after surgery. Circulation. 2011;124(4):381–7. PMID: 21730309
2. Fronczek J, Polok K, Devereaux PJ, m.fl. External validation of the Revised Cardiac Risk Index and National Surgical Quality Improvement Program Myocardial Infarction and Cardiac Arrest calculator in noncardiac vascular surgery. Br J Anaesth. 2019;123(4):421–429. PMID: 31256916
3. Halvorsen S, Mehilli J, Cassese S, m.fl. 2022 ESC Guidelines on cardiovascular assessment and management of patients undergoing non-cardiac surgery. Eur Heart J. 2022;43(39):3826–3924. PMID: 36017553
4. Alrezk R, Jackson N, Al Rezk M, m.fl. Derivation and validation of a geriatric-sensitive perioperative cardiac risk index. J Am Heart Assoc. 2017;6(11):e006648. PMID: 29146612