Guptas perioperative risiko for hjerteinfarkt eller hjertestans (MICA)

Klinisk bakgrunn

Perioperativt hjerteinfarkt og hjertestans er uvanlige, men alvorlige komplikasjoner ved ikke-kardial kirurgi, med høy dødelighet når de først inntreffer. Beslutningen om hvor omfattende preoperativ kardiologisk utredning som skal gjøres, og hvordan risikoen skal formidles til pasienten, krever et kvantifisert risikoanslag. Det dominerende instrumentet før Guptas modell var Revised Cardiac Risk Index (RCRI), som bygger på fem kliniske variabler og gir en grov risikoklasse. RCRI er imidlertid blitt kritisert for relativt lav diskriminerende evne, og for at den ikke tar detaljert hensyn til risikoprofilen til det aktuelle inngrepet. Guptas perioperative risiko for hjerteinfarkt eller hjertestans (MICA) ble utviklet nettopp for å rette opp disse svakhetene, særlig for å integrere kirurgisk underkategori som en sterk risikodriver og dermed gi en mer differensiert og individtilpasset risikoprosent [1].

Beregning av Guptas perioperative risiko

Modellen er en logistisk regresjon med fem prediktorer: alder, funksjonsstatus, ASA-klasse, preoperativt kreatinin og inngrepstype. Den beregnes slik:

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

$$\text{risk ($$

der hver $\beta$ tilsvarer koeffisienten for den valgte kategorien innenfor den enkelte variabelen. Alder bidrar lineært med 0,02 per leveår. Funksjonsstatus gir 0 poeng for Uavhengig, 0,65 for Delvis avhengig og 1,03 for Helt avhengig. ASA-klasse bidrar med negative koeffisienter for lavere klasser (I: -5,17; II: -3,29; III: -1,92; IV: -0,95; V: 0), noe som innebærer at friskere pasienter får lavere risiko. Preoperativt kreatinin >1,5 mg/dL legger til 0,61. Koeffisientene for inngrepstype spenner fra -1,61 (brystkirurgi) til +1,60 (aortakirurgi) og er den enkeltfaktoren som driver risikoen sterkest i modellen.

Utledningskohorten besto av 211 410 pasienter i American College of Surgeons National Surgical Quality Improvement Program (NSQIP) fra 2007, en prospektiv multisenterdatabase med over 250 sykehus. Utfallet var perioperativt hjerteinfarkt eller hjertestans, som inntraff hos 1 371 pasienter (0,65 %). Modellen ble deretter validert på NSQIP 2008 med 257 385 pasienter [1].

Tolkning i praksis

Til forskjell fra indekser som gir risikoklasser, leverer Guptas modell en kontinuerlig sannsynlighet i prosent. Det finnes ingen alminnelig aksepterte terskelverdier i selve kalkulatoren for når risikoen blir "høy" eller "lav", og ESCs retningslinjer fra 2022 definerer heller ikke faste grenser for når modellen skal utløse bestemte tiltak [3]. Risikotallet må derfor tolkes i sin kliniske sammenheng:

Det er viktig at risikotallet brukes som grunnlag for felles beslutningstaking, ikke som et selvstendig beslutningsverktøy. En pasient med lavt risikotall, men med nylig gjennomgått hjerteinfarkt eller ustabil angina, skal håndteres ut fra det kliniske bildet, ikke ut fra kalkulatoren.

Validering og ytelse

I utledningsstudien viste modellen en c-statistikk på 0,884 i utviklingskohorten og 0,874 i den temporale valideringskohorten (NSQIP 2008). Til sammenligning ga RCRI anvendt på de samme 2008-dataene en c-statistikk på 0,747 [1].

Ekstern validering har vist betydelig dårligere ytelse. Fronczek m.fl. validerte NSQIP MICA og RCRI på 870 pasienter ≥45 år som gjennomgikk ikke-kardial karkirurgi ved et tertiærsenter, med systematisk måling av høysensitivt troponin T postoperativt og diagnose etter Third Universal Definition of Myocardial Infarction. Det sammensatte utfallet inntraff hos 8,7 %. NSQIP MICA hadde en c-statistikk på 0,64 (95 % KI 0,57–0,70) mot 0,60 for RCRI. Kalibreringen var dårlig: modellen underestimerte risikoen systematisk (P<0,001) [2].

Alrezk m.fl. testet Gupta MICA på NSQIP 2012-data begrenset til geriatriske pasienter (≥65 år, n=172 905). AUC sank til 0,70, en forverring på omkring 17 % sammenlignet med den opprinnelige ytelsen i NSQIP 2007. Kalibreringen var mangelfull: modellen underestimerte risikoen i lavrisikokategoriene og overestimerte i høyrisikokategoriene, med et medianavvik på -0,73 prosentpoeng hos geriatriske pasienter [4].

Oppsummert presterer modellen godt i den populasjonen den er utledet fra, men diskriminasjonen faller markant ved ekstern validering, særlig i geriatriske kohorter og ved karkirurgi. Kalibreringen er et gjennomgående problem, med systematisk underestimering av den observerte risikoen.

Begrensninger

Modellen er utledet fra NSQIP-data fra 2007 og gjenspeiler datidens kirurgiske teknikk og pasientpopulasjon. Kirurgiske utfall er blitt bedre over tid, noe som innebærer at koeffisientene kan være foreldet. Alrezk m.fl. påpeker at modeller bør oppdateres med jevne mellomrom for å gjenspeile endret praksis [4].

Den geriatriske populasjonen utgjør et særskilt problem. Forutsetningen om lineær aldersvirkning gjør at modellen ikke fanger den ikke-lineære risikoøkningen som ses hos eldre pasienter, noe som bidrar til den svekkede ytelsen og den systematiske underestimeringen av risiko i denne gruppen [4].

Fronczek m.fl. viste at når perioperative hjerteinfarkter diagnostiseres med systematisk troponinmåling etter den gjeldende universelle definisjonen, faller c-statistikken kraftig sammenlignet med utledningsstudien, som bygde på klinisk oppdagede infarkter [2]. Dette er en grunnleggende begrensning: modellen ble trent på en utfallsdefinisjon som overser asymptomatiske troponinstigninger, som utgjør en betydelig andel av de perioperative myokardskadene etter moderne praksis.

Modellen mangler flere klinisk relevante prediktorer: iskemisk hjertesykdom, hjertesvikt, diabetes, hjerneslag og anemi inngår ikke. RCRI inkluderer flere av disse, noe som delvis forklarer hvorfor RCRI fortsatt brukes parallelt. På den annen side inkluderer Guptas modell inngrepstypen i detalj, noe RCRI ikke gjør.

Kreatininterskelen på 1,5 mg/dL (svarende til omkring 133 µmol/L) er den samme som i RCRI og er en grov binær inndeling som ikke tar hensyn til eGFR eller kjønnsforskjeller 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