Voorspellen behandeleffect individuele patiënt

Behandeleffect bij individuele patiënten voorspellen - Methodologie van onderzoek 6: predictiemodel op basis van klinische trials

J.A.N. (Jannick) Dorresteijn, A.M.J. (Annemarie) Wassink, Ewout W. Steyerberg,, Yolanda van der Graaf en F.L.J. (Frank) Visseren
Ned Tijdschr Geneeskd. 2012;156:A4510

Eerder verschenen als:

Dorresteijn JAN, Visseren FLJ, Ridker PM, et al. Estimating treatment effects for individual patients based on the results of randomised clinical trials. BMJ. 2011;343:d5888 Medline. doi:10.1136/bmj.d5888

Achtergrond

Wanneer uit een trial blijkt dat een behandeling effectief is, zal deze behandeling in de praktijk vaak aan grotere groepen patiënten voorgeschreven gaan worden. Men neemt dan aan dat het gemiddelde behandeleffect uit de trial zal optreden bij iedere patiënt met soortgelijke kenmerken als de gemiddelde patiënt in de trial. Bij sommige patiënten werkt deze behandeling echter niet of kan deze zelfs schadelijk zijn [1-5], terwijl andere patiënten juist meer dan gemiddeld baat hebben bij de behandeling. Om te bepalen of een behandeling zinvol is voor een individuele patiënt moet een arts vóór het begin van de behandeling eigenlijk een expliciete inschatting maken van het te verwachten effect op basis van de individuele eigenschappen van die patiënt.

Data van gerandomiseerde gecontroleerde trials kunnen worden gebruikt om predictiemodellen te ontwikkelen voor het voorspellen van een absoluut behandeleffect voor de individuele patiënt (het ‘individuele behandeleffect’), al wordt dit in de praktijk nog nauwelijks toegepast [4,6]. Het individuele behandeleffect kan met dergelijke modellen worden geschat op basis van eenvoudige klinische gegevens, zoals leeftijd, geslacht en bloeddruk. Dergelijke voorspellingen kunnen worden gedaan voorafgaand aan het starten van behandeling en worden daarom meegewogen bij de medische besluitvorming in de spreekkamer [2].
Aan de hand van data verzameld in de Justification for the Use of Statins in Prevention (Jupiter)-trial [7-9] wordt beschreven hoe het behandeleffect voor individuele patiënten kan worden voorspeld.

Belangrijkste resultaten

• De mediane voorspelde 10 jaar absolute risicoreductie voor cardiovasculaire gebeurtenissen was 4,4% (interkwartielafstand range 2,6-7,0%), gebaseerd op de Framingham-risicoscore, 4,2% (+2,5 tot +7,1%) gebaseerd op de Reynolds score, en 3,9% (+2,5 tot 6,1 %) gebaseerd op het nieuw ontwikkelde model (optimal fit model).
• Predictie-gebaseerde behandeling was geassocieerd met meer netto voordeel dan het behandelen van iedereen of niemand, op voorwaarde dat de beslissingsdrempel tussen de 2% en 7% was en dat het ‘number willing to treat’ (NWT) om een cardiovasculaire gebeurtenis te voorkomen gedurende 10 jaar tussen 15 en 50 was.

Figuur 1


 

Fig. 1. Verdeling verwachte behandeleffect in JUPITER-studie (10-jaars risicoreductie voor ontwikkelen cardiovasculaire ziekte) a: Framingham risicoscore, b: Reynolds risicoscore, c: nieuw ontwikkeld predictiemodel

Figuur 2



Fig. 2.

Besliscurve voor afweging om wel of niet te behandelen met rosuvastatine. (te verwachten netto-effect bij 10-jaars ‘number willing to treat’ en verschillende strategieën: iedereen behandelen (---) of op basis van voorspeld behandeleffect bij individuele patiënten op basis van Framinham risicoscore (zwarte lijn), Reynolds risicoscore (grijze lijn) en nieuw ontwikkeld predictiemodel (rode lijn).

Conclusie

Het effect van een behandeling kan worden voorspeld door gebruik te maken van bestaande risicoscores, maar het is ook mogelijk om een nieuw predictiemodel te ontwikkelen. De voorspelling van het behandeleffect kan worden gebruikt om beslissingen over de behandeling te nemen op individueel niveau; in sommige gevallen is dit zinvoller dan ofwel iedereen ofwel niemand behandelen.

Referenties

1. Kent DM, Hayward RA. Limitations of applying summary results of clinical trials to individual patients: the need for risk stratification. JAMA. 2007;298:1209-12 Medline. doi:10.1001/jama.298.10.1209
2. Rothwell PM. Can overall results of clinical trials be applied to all patients? Lancet. 1995;345:1616-9 Medline. doi:10.1016/S0140-6736(95)90120-5
3. Kent DM, Rothwell PM, Ioannidis JP, Altman DG, Hayward RA. Assessing and reporting heterogeneity in treatment effects in clinical trials: a proposal. Trials. 2010;11:85 Medline. doi:10.1186/1745-6215-11-85
4. 4.Glasziou PP, Irwig LM. An evidence based approach to individualising treatment. BMJ. 1995;311:1356-9 Medline. doi:10.1136/bmj.311.7016.1356
5. Kravitz RL, Duan N, Braslow J. Evidence-based medicine, heterogeneity of treatment effects, and the trouble with averages. Milbank Q. 2004;82:661-87 Medline. doi:10.1111/j.0887-378X.2004.00327.x
6. Vickers AJ, Kattan MW, Daniel S. Method for evaluating prediction models that apply the results of randomized trials to individual patients. Trials. 2007;8:14 Medline. doi:10.1186/1745-6215-8-14
7. Ridker PM, Danielson E, Fonseca FA, et al. Rosuvastatin to prevent vascular events in men and women with elevated C-reactive protein. N Engl J Med. 2008;359:2195-2207 Medline. doi:10.1056/NEJMoa0807646
8. Ridker PM. Rosuvastatin in the primary prevention of cardiovascular disease among patients with low levels of low-density lipoprotein cholesterol and elevated high-sensitivity C-reactive protein: rationale and design of the JUPITER trial. Circulation. 2003;108:2292-7 Medline. doi:10.1161/01.CIR.0000100688.17280.E6
9. Ridker PM, Fonseca FA, Genest J, et al. Baseline characteristics of participants in the JUPITER trial, a randomized placebo-controlled primary prevention trial of statin therapy among individuals with low low-density lipoprotein cholesterol and elevated high-sensitivity C-reactive protein. Am J Cardiol. 2007;100:1659-64 Medline. doi:10.1016/j.amjcard.2007.09.072

Abstract

• Van een behandeling die is onderzocht in een klinische trial worden vaak alleen het gemiddelde behandeleffect gerapporteerd. Het behandeleffect van individuele patiënten wijkt vrijwel altijd af van dit gemiddelde.
• Vóór een behandeling begint kan het te verwachten effect worden voorspeld op basis van de klinische kenmerken van een individuele patiënt door gebruik te maken van bestaande risicoscores of een nieuw predictiemodel
• Op basis van gegevens van de 'Justification for the use of statins in prevention' (JUPITER)-trial maakten wij een predictiemodel voor de primaire preventie van cardiovasculaire ziekte met rosuvastatine.
• Wij concluderen dat het individuele behandeleffect van rosuvastatine eenvoudiger en betrouwbaar kan worden geschat aan de hand van het absolute risico van een patiënt op cardiovasculaire ziekte en het relatieve behandeleffect uit de trial.
• In de spreekkamer kan het verwachte individuele behandeleffect worden afgewogen tegen de potentiële nadelen van een behandeling. Voor deze afweging introduceren wij het begrip ‘number willing to treat’, het maximale aantal patiënten dat men wil behandelen om bij 1 patiënt het gewenste resultaat te bereiken.