READMITS-score for reinnleggelse ved akutt hjerteinfarkt

Klinisk bakgrunn

Reinnleggelse innen 30 dager etter akutt hjerteinfarkt er vanlig og kostbart. I USA reinnlegges opptil én av fem pasienter innen en måned etter utskrivning, og sykehus kan få økonomiske sanksjoner ved for høy reinnleggelsesfrekvens. Å identifisere tidlig hvilke pasienter som har høyest risiko, ville gjøre det mulig å sette inn målrettede tiltak under selve oppholdet i stedet for i etterkant.

Modellene som fantes før READMITS hadde imidlertid svak til moderat diskriminasjon. En systematisk oversikt fra 2018 identifiserte 16 AMI-spesifikke modeller med en median c-statistikk på 0,65 (intervall 0,53 til 0,79), og bare halvparten av dem var validert i en separat kohort [2]. De fleste var dessuten basert på administrative data som ikke er tilgjengelige før etter utskrivning, noe som gjør dem ubrukelige for prospektiv klinisk beslutningstaking. READMITS ble utformet spesifikt for å fylle dette gapet: en skår som kan beregnes allerede første døgn, og som dermed gjør det mulig å fordele ressurser til overgangsoppfølging tidlig.

Beregning av READMITS

READMITS bygger på sju variabler som alle er tilgjengelige i løpet av de første 24 timene av oppholdet:

$$\text{READMITS} = 6 \times \mathbb{1}$${S{cr}>2} + 8 \times \mathbb{1}{\text{BNP}\uparrow} + \left\lfloor \frac{\text{alder}-18}{10} \right\rfloor + 4 \times \mathbb{1}{\text{diabetes}} + 2 \times \mathbb{1}{\text{kvinne}} + 1 \times \mathbb{1}{\text{ingen PCI}} + 3 \times \mathbb{1}_{\text{SBT}<100}

der $\mathbb{1}$ er en indikatorvariabel som får verdien 1 hvis vilkåret er oppfylt og 0 ellers. Alderspoengene beregnes som heltallsdelen av (alder minus 18) delt på 10, det vil si +1 per tiår over 18 år. En 58-åring får altså 4 poeng fra alder, en 78-åring får 6.

De enkelte variablene og poengverdiene:

Utledningskohorten besto av 826 konsekutive innleggelser for akutt hjerteinfarkt ved 6 sykehus i det nordlige Texas i 2009 til 2010 [1]. Sykehusene var varierte med hensyn til betalingsordning, alder, etnisitet og sosioøkonomisk status, og omfattet både sykehus med sikkerhetsnettfunksjon (safety-net), legesentre, undervisningssykehus og sykehus uten undervisning. Reinnleggelsesfrekvensen innen 30 dager var 13 prosent. Modellen ble utviklet med stegvis bakoverseleksjon og femfoldig kryssvalidering. Utfallet som ble modellert, var reinnleggelse innen 30 dager uansett årsak og ikke-elektiv.

Tolkning i praksis

READMITS deler pasientene inn i tre risikobånd:

Skårens hovedformål er å peke ut pasienter tidlig for målrettede tiltak som skal forebygge reinnleggelse. For pasienter i det høyeste risikobåndet handler det om å starte strukturert overgangsoppfølging allerede første døgn: sikre legemiddelkontinuitet, planlegge tidlig poliklinisk oppfølging og vurdere sosiale faktorer som kan påvirke etterlevelsen. For lavrisikopasienter er standardisert utskrivningsplanlegging vanligvis tilstrekkelig.

Et viktig poeng fra utledningsstudien er at READMITS presterte nesten like godt som en mer kompleks modell som inkluderte data fra hele oppholdet (c-statistikk 0,73 sammenlignet med 0,75) [1]. Den fullstendige modellen bedret ikke nettoreklassifiseringen på en meningsfull måte. Dette tyder på at reinnleggelsesrisikoen etter hjerteinfarkt i høyere grad styres av pasientens initiale kliniske status og komorbiditet enn av forløpet under sykehusoppholdet, noe som styrker verdien av en tidlig skår.

Validering og ytelse

I utledningskohorten hadde READMITS en optimismekorrigert c-statistikk på 0,73 (95 prosent KI 0,71 til 0,74) med god kalibrering [1]. Skåren overgikk en EPJ-basert modell for reinnleggelse på tvers av diagnoser (c-statistikk 0,70, P = 0,04 for sammenligningen) og reklassifiserte 18 prosent flere pasienter korrekt. Sammenlignet med CMS' administrative AMI-modell hadde READMITS tilsvarende diskriminasjon, men bedre kalibrering og en betydelig bredere risikostratifisering: gjennomsnittlig forutsagt risiko strakk seg fra 2,1 til 41,1 prosent, mot 7,2 til 24,3 prosent for CMS-modellen [1].

READMITS er ikke validert eksternt i en separat kohort, noe som er den enkeltstående viktigste begrensningen. Forfatterne understreker dette selv og etterlyser ekstern validering [1]. Erfaringene fra andre AMI-spesifikke reinnleggelsesmodeller gir imidlertid grunn til varsomhet: da Matheny og medarbeidere utviklet maskinlæringsmodeller for samme utfall ved to amerikanske universitetssykehus, lå c-statistikken på 0,69-0,70 ved utledningssykehuset, men falt til 0,56-0,66 ved det eksterne valideringssykehuset, med samtidig dårligere kalibrering [3]. Dette illustrerer at overførbarheten til reinnleggelsesmodeller generelt er lav, og at god ytelse i én kohort ikke garanterer ytelse i en annen.

Den systematiske oversikten over AMI-reinnleggelsesmodeller fant at median c-statistikk for samtlige 16 AMI-spesifikke modeller var 0,65, og at bare halvparten overhodet var validert [2]. READMITS' c-statistikk på 0,73 i utledningskohorten plasserer den i den øvre delen av dette spekteret, men tallet er ikke eksternt og må tolkes deretter.

Begrensninger

READMITS gjelder bare pasienter med akutt hjerteinfarkt og er ikke utviklet for andre diagnoser. Utledningskohorten er begrenset til 826 innleggelser ved 6 sykehus i det nordlige Texas i 2009 til 2010, og generaliserbarheten til andre regioner, helsesystemer eller tidsperioder er ukjent [1]. Manglende ekstern validering er det viktigste metodologiske problemet.

Modellen mangler flere variabler som kan påvirke reinnleggelsesrisikoen: legemidler ved utskrivning (acetylsalisylsyre, betablokkere, ACE-hemmere), prosessmål som door-to-balloon-tid, samt infarktets lokalisasjon og størrelse [1]. Troponinnivået var overraskende nok ikke en uavhengig prediktor, mens BNP var det, noe forfatterne bemerket stemmer overens med tidligere funn om at BNP kan være en bedre prediktor for ugunstige hendelser ved akutt koronarsyndrom enn troponin [1].

BNP eller NT-proBNP må måles første døgn for at skåren skal kunne beregnes fullt ut. På sykehus der natriuretiske peptider ikke rutinemessig tas ved akutt hjerteinfarkt, mangler en av de viktige variablene, og variabelen som gir flest poeng (8 poeng) går tapt. Dette kan føre til systematisk undervurdering av risikoen.

Utformingen av alderspoengene, med +1 per tiår over 18 år, innebærer at en 28-åring får 1 poeng og en 68-åring får 5 poeng. Dette gir en grov inndeling som kan undervurdere risikoen hos pasienter i de øvre tiårene og overvurdere den hos dem i de nedre, sammenlignet med en kontinuerlig aldersvariabel.

Til slutt er READMITS utviklet i et amerikansk helsesystem der de økonomiske insentivene for å redusere reinnleggelser er sterke. Reinnleggelsesmønstre er ulike mellom helsesystemer, og en modell som predikerer reinnleggelse i et system med korte liggetider og høy utskrivningsfrekvens, kan fungere annerledes i et system med lengre liggetider og en annen struktur i primærhelsetjenesten.

Kilder

1. Nguyen OK, Makam AN, Clark C m.fl. Predicting 30-Day Hospital Readmissions in Acute Myocardial Infarction: The AMI "READMITS" Score. J Am Heart Assoc. 2018;7(8):e008882. PMID: 29666065
2. Smith LN, Makam AN, Darden D m.fl. Acute Myocardial Infarction Readmission Risk Prediction Models: A Systematic Review of Model Performance. Circ Cardiovasc Qual Outcomes. 2018;11(1):e003885. PMID: 29321135
3. Matheny ME, Ricket I, Goodrich CA m.fl. Development of Electronic Health Record-Based Prediction Models for 30-Day Readmission Risk Among Patients Hospitalized for Acute Myocardial Infarction. JAMA Netw Open. 2021;4(1):e2035782. PMID: 33512518