Guptas perioperativa risk för hjärtinfarkt eller hjärtstopp (MICA)

Klinisk bakgrund

Perioperativ hjärtinfarkt och hjärtstopp är ovanliga men allvarliga komplikationer vid icke-kardiell kirurgi, med hög dödlighet när de väl inträffar. Beslutet om hur långtgående preoperativ kardiologisk utredning som ska göras, och hur risken ska kommuniceras till patienten, kräver en kvantifierad riskuppskattning. Det dominerande instrumentet före Guptas modell var Revised Cardiac Risk Index (RCRI), som bygger på fem kliniska variabler och ger en grov riskklass. RCRI har dock ifrågasatts för relativt låg diskriminerande förmåga och för att det inte tar hänsyn till ingreppstypens riskprofil i detalj. Guptas perioperativa risk för hjärtinfarkt eller hjärtstopp (MICA) utvecklades specifikt för att åtgärda dessa svagheter, i synnerhet för att integrera kirurgisk subkategori som en stark riskdrivare och därmed ge en mer differentierad och individanpassad riskprocent [1].

Beräkning av Guptas perioperativa risk

Modellen är en logistisk regression med fem prediktorer: ålder, funktionsstatus, ASA-klass, preoperativt kreatinin och ingreppstyp. Den beräknas enligt:

$$x = 0{,}02 \times \text{ålder} + \beta_{\text{funktionsstatus}} + \beta_{\text{ASA-klass}} + \beta_{\text{kreatinin}} + \beta_{\text{ingreppstyp}} - 5{,}25$$

$$\text{risk ($$

där varje $\beta$ motsvarar koefficienten för den valda kategorin inom respektive variabel. Ålder bidrar linjärt med 0,02 per levnadsår. Funktionsstatus ger 0 poäng för Oberoende, 0,65 för Delvis beroende och 1,03 för Helt beroende. ASA-klass bidrar med negativa koefficienter för lägre klasser (I: -5,17; II: -3,29; III: -1,92; IV: -0,95; V: 0), vilket innebär att friskare patienter får lägre risk. Preoperativt kreatinin >1,5 mg/dL lägger till 0,61. Ingreppstypens koefficienter spänner från -1,61 (bröstkirurgi) till +1,60 (aortakirurgi) och är den enskilt starkaste riskdrivaren i modellen.

Härledningskohorten utgjordes av 211 410 patienter i American College of Surgeons National Surgical Quality Improvement Program (NSQIP) från 2007, en prospektiv multicenterdatabas med över 250 sjukhus. Utfallet var perioperativ hjärtinfarkt eller hjärtstopp, vilket inträffade hos 1 371 patienter (0,65 %). Modellen validerades därefter på NSQIP 2008 med 257 385 patienter [1].

Tolkning i praktiken

Till skillnad från index som ger riskklasser levererar Guptas modell en kontinuerlig sannolikhet i procent. Det finns inga vedertagna, allmänt accepterade tröskelvärden i kalkylatorn själv för när risk blir "hög" eller "låg", och ESC:s riktlinjer från 2022 definierar heller inte fasta gränser för när modellen ska trigga specifika åtgärder [3]. Risksiffran ska därför tolkas i sitt kliniska sammanhang:

Det är viktigt att risksiffran används som underlag för gemensamt beslutsfattande, inte som ett autonomt beslutsverktyg. En patient med låg risksiffra men med nyligen genomgången hjärtinfarkt eller instabil angina ska handläggas utifrån den kliniska bilden, inte utifrån kalkylatorn.

Validering och prestanda

I härledningsstudien uppvisade modellen en c-statistik på 0,884 i utvecklingskohorten och 0,874 i den temporala valideringskohorten (NSQIP 2008). Som jämförelse gav RCRI applicerat på samma 2008-data en c-statistik på 0,747 [1].

Extern validering har visat betydligt sämre prestanda. Fronczek m.fl. validerade NSQIP MICA och RCRI på 870 patienter ≥45 år som genomgick icke-kardiell kärlkirurgi vid ett tertiärt centrum, med systematisk mätning av högkänsligt troponin T postoperativt och diagnos enligt Third Universal Definition of Myocardial Infarction. Det sammansatta utfallet inträffade hos 8,7 %. NSQIP MICA hade en c-statistik på 0,64 (95 % KI 0,57–0,70) jämfört med 0,60 för RCRI. Kalibreringen var dålig: modellen underskattade risken systematiskt (P<0,001) [2].

Alrezk m.fl. testade Gupta MICA på NSQIP 2012-data begränsat till geriatriska patienter (≥65 år, n=172 905). AUC sjönk till 0,70, en försämring med cirka 17 % jämfört med den ursprungliga prestandan i NSQIP 2007. Kalibreringen var bristfällig: modellen underskattade risken i lågriskkategorierna och överskattade i hög-riskkategorierna, med en medianavvikelse på -0,73 procentenheter hos geriatriska patienter [4].

Sammanfattningsvis presterar modellen väl i den population den härletts ur, men diskriminationen faller markant vid extern validering, särskilt i geriatriska kohorter och vid kärlkirurgi. Kalibreringen är ett återkommande problem, med systematisk underskattning av den observerade risken.

Begränsningar

Modellen är härledd från NSQIP-data från 2007 och återspeglar dåtidens kirurgiska teknik och patientpopulation. Kirurgiska utfall har förbättrats över tid, vilket innebär att koefficienterna kan vara föråldrade. Alrezk m.fl. påpekar att modeller bör uppdateras med jämna mellanrum för att återspegla förändrad praxis [4].

Den geriatriska populationen utgör ett särskilt problem. Linjäritetsantagandet för ålder gör att modellen inte fångar den icke-linjära riskökning som ses hos äldre patienter, vilket bidrar till den försämrade prestandan och den systematiska riskunderskattningen i denna grupp [4].

Fronczek m.fl. visade att när perioperativa hjärtinfarkter diagnostiseras med systematisk troponinmätning enligt gällande universella definition, sjunker c-statistiken kraftigt jämfört med härledningsstudien, som byggde på kliniskt upptäckta infarkter [2]. Detta är en fundamental begränsning: modellen tränades på en utfallsdefinition som missar asymptomatiska troponinhöjningar, vilka utgör en betydande andel av perioperativa myokardskador enligt modern praxis.

Modellen saknar flera kliniskt relevanta prediktorer: ischemisk hjärtsjukdom, hjärtsvikt, diabetes, stroke och anemi ingår inte. RCRI inkluderar flera av dessa, vilket delvis förklarar varför RCRI fortfarande används parallellt. Å andra sidan inkluderar Guptas modell ingreppstyp i detalj, vilket RCRI inte gör.

Kreatinintröskeln på 1,5 mg/dL (motsvarande cirka 133 µmol/L) är densamma som i RCRI och är en grov binär indelning som inte tar hänsyn till eGFR eller könsskillnader i kreatinin.

Källor

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