Apfel-score for postoperativ kvalme og oppkast

Klinisk bakgrunn

Postoperativ kvalme og oppkast (PONV) rammer omkring en tredjedel av alle voksne som gjennomgår generell anestesi, og andelen stiger til over 70 % hos høyrisikopasienter. Uten risikostratifisering blir profylaksen enten generell, med unødvendig legemiddeleksponering og bivirkninger for lavrisikopasienter, eller reaktiv, med forsinket lindring for dem som rammes. Apfel-skåren fyller funksjonen å skille ut, før inngrepet, de pasientene der profylakse er berettiget, fra dem der den ikke er det, og å styre valget mellom monoprofylakse og en multimodal antiemetisk strategi.

Beregning av Apfel-skåren

Skåren er summen av fire binære prediktorer:

$$\text{Apfel Score} = \text{Kvinnelig kjønn} + \text{Ikke-røyker} + \text{Tidligere PONV eller reisesyke} + \text{Postoperative opioider planlagt}$$

Hver variabel tildeles 0 (Nei) eller 1 (Ja). Det finnes ingen vekter; en pasient med tre av fire faktorer får skåren 3 uansett hvilke tre det er.

Utledningskohorten besto av 2 722 voksne pasienter (520 i Oulu i Finland og 2 202 i Würzburg i Tyskland) som gjennomgikk inhalasjonsanestesi uten antiemetisk profylakse ved ulike typer kirurgi [1]. Utfallet var kvalme eller oppkast innen 24 timer etter operasjonen. De fire prediktorene ble identifisert ved logistisk regresjon og valgt fordi en forenkling fra kontinuerlige koeffisienter til binære variabler ikke forverret den diskriminerende evnen nevneverdig. Kryssvalidering mellom de to sentrene viste ingen sentereffekt (OR 1,06, 95 % KI 0,71 til 1,59) [1].

Tolkning i praksis

Risikoprosentene for 0 til 4 faktorer er hentet direkte fra utledningskohorten:

Terskelen for å vurdere en profylaktisk antiemetisk strategi ble i utledningsstudien satt ved to eller flere faktorer [1]. Dette bekreftes av de fjerde konsensusretningslinjene for PONV, som anbefaler risikostratifisering og trinnvis profylakse ut fra antallet risikofaktorer, med multimodal profylakse ved forhøyet risiko [2].

Et poeng som har betydning ved valget av profylakse, er at hvert antiemetisk tiltak reduserer den relative risikoen omtrent like mye, uavhengig av utgangsrisikoen. Den absolutte gevinsten av å legge til ett legemiddel mer blir derfor størst hos dem som allerede har høy skår, og tilsvarende liten hos dem med lav skår. Det er dette som begrunner den trinnvise tilnærmingen.

Tidspunktet for administrasjon hører med til den praktiske gjennomføringen. Deksametason gis ved innledningen av anestesien, mens 5-HT3-antagonister har best effekt når de gis mot slutten av inngrepet, slik at virkningen dekker den tidlige oppvåkningsfasen.

Validering og ytelse

I den opprinnelige kryssvalideringen mellom Oulu og Würzburg oppnådde skåren en AUC på 0,65 til 0,75, og den forenklede versjonen beholdt en AUC på 0,63 til 0,73 [1].

I en sammenlignende studie av seks prediktive modeller for PONV på 1 566 pasienter under balansert anestesi uten profylakse presterte Apfel-skåren best blant de forenklede modellene, med en AUC på 0,68 [3]. Kalibreringen var utmerket: regresjonen mellom forutsagt og observert insidens ga $y = 0{,}82x + 0{,}01$ med $r^2 = 0{,}995$, noe som innebærer at skåren systematisk overestimerer risikoen noe, men bevarer rangordenen godt [3]. Apfel-skåren krevde færrest parametere av alle de sammenlignede modellene (fire mot opptil fjorten) og ble anbefalt til klinisk bruk og til gruppesammenligninger i antiemetiske studier [3].

I en moderne, stor kohort på 33 460 poster fra et anestesiregister, der Apfel-skåren ble brukt til preoperativ prediksjon av postoperativt oppkast innen 24 timer, sank AUC til 0,610 (95 % KI 0,588 til 0,632) [4]. Dette gjenspeiler dels at utfallet ble begrenset til oppkast (ikke kvalme), dels at kohorten omfattet en bredere blanding av anestesiteknikker og kirurgiske inngrep enn utledningspopulasjonen. Maskinlæringsmodeller basert på flere variabler oppnådde AUC 0,729 i samme kohort, men Apfel-skåren beholdt en negativ prediktiv verdi over 0,95 ved optimal terskel [4].

En spesifikk svakhet ble vist ved keisersnitt: i en prospektiv kohort på 116 kvinner oppnådde Apfel-skåren en AUC på bare 0,547 (95 % KI 0,350 til 0,745) [5]. Årsaken er strukturell: samtlige pasienter er kvinner og de fleste er ikke-røykere, noe som fjerner den diskriminerende evnen hos to av fire prediktorer og etterlater skåren uten spredning i denne populasjonen.

Begrensninger

Apfel-skåren er utledet og validert for voksne som gjennomgår balansert generell anestesi med inhalasjonsanestetika. Ved ren regional anestesi mangler de prediktorene som gjelder anestesiteknikk, og skåren er ikke validert i denne sammenhengen. For barn gjelder andre risikoprofiler og andre prediktorer; voksenmodeller har vist seg å ha dårligere diskriminasjon i pediatriske kohorter og bør ikke overføres direkte.

Skåren tar ikke hensyn til operasjonsspesifikk risiko. Lang operasjonsvarighet, typen kirurgi (for eksempel gynekologisk, laparoskopisk, øre-nese-hals) og anestesiteknikk (inhalasjon mot TIVA) påvirker PONV-insidensen uavhengig av pasientfaktorene i Apfel-skåren. En pasient med lav skår som gjennomgår en høyrisikoprosedyre, kan derfor ha en faktisk risiko som overstiger den forutsagte.

To av fire prediktorer, kvinnelig kjønn og ikke-røyker, er konstante eller nesten konstante i visse populasjoner, noe som gjør skåren i praksis ubrukelig for kvinner som gjennomgår keisersnitt [5]. I slike populasjoner bør instrumentet suppleres med eller erstattes av populasjonstilpassede modeller.

Skåren gjelder dessuten kvalme og oppkast i løpet av det første døgnet. Plager som først oppstår etter utreise, er et eget fenomen med delvis andre risikofaktorer, og den forutsagte risikoen fra Apfel-skåren kan ikke uten videre overføres til dette tidsvinduet. Ved dagkirurgi er dette en relevant begrensning, ettersom en stor del av plagene da oppstår etter at pasienten har reist hjem.

Til sist er risikoen ikke statisk over tid. Røykeslutt, ny aldersrelatert sykdom eller endret opioidstrategi kan flytte pasienten mellom risikobånd. Skåren bør beregnes på nytt når forutsetningene endrer seg, ikke bare én gang per pasient.

Kilder

1. Apfel CC, Läärä E, Koivuranta M, Greim CA, Roewer N. A simplified risk score for predicting postoperative nausea and vomiting: conclusions from cross-validations between two centers. Anesthesiology 1999;91(3):693–700. PMID: 10485781
2. Gan TJ, Belani KG, Bergese S, m.fl. Fourth Consensus Guidelines for the Management of Postoperative Nausea and Vomiting. Anesthesia and Analgesia 2020;131(2):411–448. PMID: 32467512
3. Apfel CC, Kranke P, Eberhart LH, Roos A, Roewer N. Comparison of predictive models for postoperative nausea and vomiting. British Journal of Anaesthesia 2002;88(2):234–240. PMID: 11883387
4. Wang HJ, Lee WP, Gau TP, Cheng KI, Wei CR. Prediction of Postoperative Vomiting Within 24 Hours Using Machine Learning With Large Language Model-Enhanced Interpretability: Development and Validation Study. JMIR Medical Informatics 2026;31:e84260. PMID: 42536998
5. Liu Y, Zhong H, Dai Z, m.fl. Predicting postoperative nausea and vomiting after cesarean section: a nomogram model combined with gastric ultrasound. BMC Anesthesiology 2025;25:478165. PMID: 39923027