ADHERE-algoritm för akut dekompenserad hjärtsvikt

Klinisk bakgrund

Akut dekompenserad hjärtsvikt är ett tillstånd där mortaliteten under vårdtiden varierar kraftigt mellan patienter, från enstaka procent till över tjugo. Att bedöma risken vid ankomsten är centralt för flera beslut: val av vårdnivå (övervakningsavdelning, intermediärvård eller intensivvård), intensitet av diuretikabehandling och vasodilaterande terapi, samt när och om inotropt stöd ska sättas in. Utan ett strukturerat instrument tenderar kliniska bedömningar av risk att variera stort mellan bedömare och överdriva mortaliteten, särskilt hos patienter med normalt eller förhöjt blodtryck vid ankomst.

ADHERE-algoritmen togs fram för att erbjuda en enkel sängkantsbedömning baserad på tre variabler som redan finns tillgängliga vid ankomsten: blodurea-kväve (BUN), systoliskt blodtryck och S-kreatinin. Syftet var att identifiera både patienter med mycket låg mortalitet, där en mindre intensiv handläggning kan vara lämplig, och patienter med hög mortalitet, där tidig aggressiv terapi och högre vårdnivå kan motiveras.

Beräkning av ADHERE-algoritmen

ADHERE-algoritmen är ett klassifikationsträd (CART, classification and regression tree) som bygger på tre variabler insamlade vid ankomst till sjukhus:

• Blodurea-kväve (BUN) i mg/dL
• Systoliskt blodtryck i mmHg
• S-kreatinin i mg/dL

Trädet kan uttryckas som en sekventiell beslutsregel:

$$\text{Risk} = \begin{cases} \text{Låg} & \text{om BUN} < 43 \text{ och SBP} \geq 115 \ \text{Intermediär} & \text{om BUN} < 43 \text{ och SBP} < 115 \ \text{Intermediär} & \text{om BUN} \geq 43 \text{ och SBP} \geq 115 \ \text{Intermediär} & \text{om BUN} \geq 43 \text{, SBP} < 115 \text{ och kreatinin} < 2{,}75 \ \text{Hög} & \text{om BUN} \geq 43 \text{, SBP} < 115 \text{ och kreatinin} \geq 2{,}75 \end{cases}$$

Härledningskohorten utgjordes av 33 046 sjukhusvårdstillfällen från ADHERE-registret (Acute Decompensated Heart Failure National Registry), som samlade in data från 263 sjukhus i USA mellan oktober 2001 och februari 2003 [1]. Medelåldern var 72,5 år och 52 % var kvinnor. Samtliga patienter hade primärdiagnosen akut dekompenserad hjärtsvikt. Mortaliteten under vårdtiden var 4,2 % i härledningskohorten. Av 39 analyserade variabler identifierades BUN som den ensamt starkaste prediktorn, följt av systoliskt blodtryck och S-kreatinin. Modellen validerades prospektivt på 32 229 efterföljande sjukhusvårdstillfällen (mars till juli 2003), där mortaliteten var 4,0 % och riskstratifieringen bibehöll sin förmåga att särskilja grupper [1].

Tolkning i praktiken

Trädet delar in patienter i tre riskgrupper med mortalitet under vårdtiden varierande från 2,1 % till 21,9 % i härledningskohorten [1,2]. Oddskvoten för mortalitet mellan hög- och lågriskgrupperna var 12,9 (95 % KI 10,4 till 15,9) [1].

Låg risk innebär att patienten kan handläggas på en vanlig vårdavdelning med standardiserad diuretikabehandling och monitorering, utan omedelbar indikation för intensivvård enbart baserat på mortalitetsrisken. Det är den vanligaste gruppen och omfattar majoriteten av patienterna.

Intermediär risk kräver klinisk bedömning utöver poängen. Här finns patienter med nedsatt njurfunktion men bevarat blodtryck, liksom patienter med lågt blodtryck men normalt BUN. Vårdnivån bör avgöras utifrån totalbilden: andningssvikt, syresättning, behov av intravenös vasodilaterande behandling och svar på initial terapi.

Hög risk innebär en mortalitet på ungefär en av fem patienter under vårdtiden. Dessa patienter bör övervägas för intensivvård eller intermediärvård, tidig invasiv hemodynamisk monitorering och strukturerad utredning av bakomliggande orsaker till dekompensationen. Risken för kardiogen chock och njursvikt är uttalad.

Validering och prestanda

I den prospektiva interna valideringen inom ADHERE-registret bibehöll algoritmen sin diskriminerande förmåga, med liknande resultat i valideringskohorten som i härledningskohorten [1].

I en extern validering av Lagu m.fl. (2016) testades sju mortalitetsprediktionsmodeller för akut dekompenserad hjärtsvikt på 13 163 patienter från 62 amerikanska sjukhus (HealthFacts-databasen, 2010 till 2012) [3]. Medianåldern var 74 år, hälften var kvinnor och 27 % var svarta. Mortaliteten under vårdtiden var 4,3 %. ADHERE-algoritmen uppvisade en c-statistik på 0,68 till 0,70, vilket var jämförbart med de andra kliniska modellerna (EFFECT och två GWTG-HF-varianter) men sämre än modeller baserade på administrativa data och elektroniska journaldata (LAPS2 och Premier+, c-statistik 0,76 till 0,81) [3]. ADHERE-algoritmens prediktionsintervall i denna population var 1,2 till 17,4 %, något smalare än i ursprungskohorten [3].

I en mer recent studie av Palmer m.fl. (2025) på 5 602 patienter inskrivna på hjärtintensivvård i MIMIC-IV-databasen var ADHERE-algoritmens AUC 0,63 (95 % KI 0,57 till 0,70), vilket var lägre än både GWTG-HF (AUC 0,66) och en maskininlärningsmodell (AUC 0,72) [4]. Denna population var dock selekterad till intensivvårdspatienter med en högre mortalitet (6,2 %), vilket inte motsvarar den generella sjukhuspopulation som ADHERE-algoritmen utvecklades för.

En subanalys inom ADHERE Emergency Module (ADHERE-EM) visade att CART-modellen stratifierade män och kvinnor lika väl, utan signifikant skillnad i mortalitet mellan könen inom varje riskgrupp [5].

Begränsningar

ADHERE-algoritmen gäller för akut dekompenserad hjärtsvikt och har inte validerats för kronisk stabil hjärtsvikt, kardiogen chock eller hjärtsvikt med hög utflödeshastighet. Den är framtagen för mortalitet under vårdtiden och säger ingenting om långtidsprognos eller återinskrivningsrisk.

Trädet använder endast tre variabler och ignorerar därmed andra viktiga prediktorer som natrium, hjärtfrekvens, andningsfrekvens, troponin, NT-proBNP, syrgassaturation och mekanisk ventilation. Detta är en medveten förenkling för att säkerställa att instrumentet kan användas omedelbart vid ankomsten, men det innebär att patienter med låg poäng ändå kan ha hög risk på grund av faktorer som inte fångas av trädet.

Tröskelvärdena är baserade på amerikanska patientdata från början av 2000-talet. Sedan dess har handläggningen av akut hjärtsvikt utvecklats markant med bredare användning av ACE-hämmare, betablockerare, mineralokortikoidreceptorantagonister och SGLT2-hämmare, vilket kan ha påverkat mortaliteten i de olika riskgrupperna. De absoluta mortalitetssiffrorna bör därför tolkas som historiska referensvärden snarare än som aktuella skattningar.

Ett vanligt fel är att använda BUN-värden i SI-enheter (mmol/L) i stället för mg/dL. Tröskeln 43 mg/dL motsvarar cirka 15,4 mmol/L. På samma sätt gäller att kreatinintröskeln 2,75 mg/dL motsvarar cirka 243 µmol/L. Att mata in värden i fel enhet ger en helt felaktig klassificering.

Algoritmen bör inte användas som enda underlag för beslut om vårdnivå. Den ger en grov riskstratifiering som måste kompletteras med klinisk bedömning, särskilt hos patienter med intermediär risk där trädet inte särskiljer mellan olika underliggande orsaker till dekompensationen.

Källor

1. Fonarow GC, Adams KF Jr, Abraham WT m.fl. Risk stratification for in-hospital mortality in acutely decompensated heart failure: classification and regression tree analysis. JAMA 2005. PMID: 15687312
2. Adams KF Jr, Uddin N, Patterson JH. Clinical predictors of in-hospital mortality in acutely decompensated heart failure: piecing together the outcome puzzle. Congest Heart Fail 2008. PMID: 18550923
3. Lagu T, Pekow PS, Shieh MS m.fl. Validation and comparison of seven mortality prediction models for hospitalized patients with acute decompensated heart failure. Circ Heart Fail 2016. PMID: 27514749
4. Palmer DQ, Gismondi RA, Gemal P m.fl. Mortality prediction in heart failure patients: machine learning versus Get With The Guidelines-Heart Failure (GWTG-HF) and Acute Decompensated Heart Failure National Registry (ADHERE). Cureus 2025. PMID: 40895687
5. Diercks DB, Fonarow GC, Kirk JD m.fl. Risk stratification in women enrolled in the Acute Decompensated Heart Failure National Registry Emergency Module (ADHERE-EM). Acad Emerg Med 2008. PMID: 18275445