READMITS-poäng för återinläggning vid akut hjärtinfarkt

Klinisk bakgrund

Återinläggning inom 30 dagar efter akut hjärtinfarkt är vanligt och kostsamt. I USA återinläggs upp till en av fem patienter inom en månad efter utskrivning, och sjukhus kan få ekonomiska påföljder vid för hög återinläggningsfrekvens. Att tidigt identifiera vilka patienter som löper högst risk skulle möjliggöra riktade insatser under själva vårdtillfället i stället för i efterhand.

De modeller som fanns innan READMITS hade dock svag till måttlig diskrimination. En systematisk översikt från 2018 identifierade 16 AMI-specifika modeller med en median c-statistik på 0,65 (intervall 0,53 till 0,79), och bara hälften av dem hade validerats i en separat kohort [2]. Dessutom var de flesta baserade på administrativa data som inte är tillgängliga förrän efter utskrivning, vilket gör dem oanvändbara för prospektiv klinisk beslutsfattande. READMITS utformades specifikt för att fylla detta gap: en poäng som kan beräknas redan första vårddygnet och som därmed möjliggör tidig resursallokering för övergångsvård.

Beräkning av READMITS

READMITS bygger på sju variabler som alla är tillgängliga inom de första 24 timmarna av vårdtillfället:

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

där $\mathbb{1}$ är en indikatorvariabel som antar värdet 1 om villkoret är uppfyllt och 0 annars. Ålderspoängen beräknas som heltalsdel av (ålder minus 18) dividerat med 10, det vill säga +1 per decennium över 18 år. En 58-åring får alltså 4 poäng från ålder, en 78-åring får 6.

De enskilda variablerna och deras poängvärden:

Härledningskohorten utgjordes av 826 konsekutiva vårdtillfällen för akut hjärtinfarkt vid 6 sjukhus i norra Texas under 2009 till 2010 [1]. Sjukhusen var diversifierade avseende betalningsform, ålder, etnicitet och socioekonomisk status och inkluderade både sjukhus med skyddsnät, vårdcentraler, undervisande och icke-undervisande sjukhus. Återinläggningsfrekvensen inom 30 dagar var 13 procent. Modellen utvecklades med stegvis bakåtselektion och femfaldig korsvalidering. Det modellerade utfallet var all-orsak, icke-elektiv återinläggning inom 30 dagar.

Tolkning i praktiken

READMITS delar in patienter i tre riskband:

Poängens huvudsyfte är att tidigt peka ut patienter för riktade återinläggningsförebyggande insatser. För patienter i högsta riskbandet handlar det om att redan under första dygnet initiera strukturerad övergångsvård: säkerställa medicineringstillhörighet, planera tidig poliklinisk uppföljning och bedöma sociala faktorer som kan påverka efterlevnad. För lågriskpatienter räcker i regel standardiserad utskrivningsplanering.

En viktig poäng från härledningsstudien är att READMITS presterade nästan lika bra som en mer komplex modell som inkluderade data från hela vårdtillfället (c-statistik 0,73 jämfört med 0,75) [1]. Den fullständiga modellen förbättrade inte nettoreklassifikation på ett meningsfullt sätt. Detta tyder på att återinläggningsrisken vid hjärtinfarkt i högre grad styrs av patientens initiala kliniska status och komorbiditet än av förloppet under sjukhusvistelsen, vilket förstärker värdet av en tidig poäng.

Validering och prestanda

I härledningskohorten hade READMITS en optimism-korrigerad c-statistik på 0,73 (95 procent KI 0,71 till 0,74) med god kalibrering [1]. Poängen överträffade en multikonditionell EHR-baserad modell för återinläggning (c-statistik 0,70, P = 0,04 för jämförelse) och omklassificerade 18 procent fler patienter korrekt. Jämfört med CMS administrativa AMI-modell hade READMITS likartad diskrimination men bättre kalibrering och en betydligt bredare riskstratifiering: genomsnittlig förutsagd risk sträckte sig från 2,1 till 41,1 procent jämfört med 7,2 till 24,3 procent för CMS-modellen [1].

READMITS har inte externt validerats i en separat kohort, vilket är den enskilt viktigaste begränsningen. Författarna själva framhåller detta och efterlyser extern validering [1]. Erfarenheterna från andra AMI-specifika återinläggningsmodeller är dock varnande: när Matheny medarbetare utvecklade maskininlärningsmodeller för samma utfall vid två amerikanska universitetssjukhus föll c-statistiken från 0,69 till 0,70 vid härledningssjukhuset till 0,56 till 0,66 vid det externa valideringssjukhuset, med samtidig försämrad kalibrering [3]. Detta illustrerar att portabiliteten hos återinläggningsmodeller i allmänhet är låg och att god prestanda i en kohort inte garanterar prestanda i en annan.

Den systematiska översikten av AMI-återinläggningsmodeller fann att median c-statistiken över samtliga 16 AMI-specifika modeller var 0,65, och att endast hälften hade validerats alls [2]. READMITS c-statistik på 0,73 i härledningskohorten placerar den i den övre delen av detta spektrum, men siffran är inte extern och ska tolkas därefter.

Begränsningar

READMITS gäller endast patienter med akut hjärtinfarkt och är inte framtagen för andra diagnoser. Härledningskohorten är begränsad till 826 vårdtillfällen vid 6 sjukhus i norra Texas under 2009 till 2010, och generaliserbarheten till andra regioner, vårdstrukturer eller tidsperioder är okänd [1]. Saknad extern validering är det främsta metodologiska problemet.

Modellen saknar flera variabler som kan påverka återinläggningsrisk: medication vid utskrivning (aspirin, betablockerare, ACE-hämmare), processmått som door-to-balloon-tid, samt infarktens lokalisering och storlek [1]. Troponinnivån var förvånande nog inte en oberoende prediktor, medan BNP var det, vilket författarna noterade överensstämmer med tidigare fynd att BNP kan vara en bättre prediktor för ogynnsamma händelser vid akut koronart syndrom än troponin [1].

BNP eller NT-proBNP måste mätas under första dygnet för att poängen ska kunna beräknas fullt ut. På sjukhus där natriuretiska peptider inte rutinmässigt tas vid akut hjärtinfarkt saknas en av de viktiga variablerna, och den variabel som ger högst poäng (8 poäng) går förlorad. Detta kan leda till systematisk underskattning av risken.

Ålderspoängens utformning, med +1 per decennium över 18 år, innebär att en 28-åring får 1 poäng och en 68-åring får 5 poäng. Detta ger en grov indelning som kan underskatta risken för patienter i de övre decennierna och överskatta för dem i de nedre, jämfört med en kontinuerlig åldersvariabel.

Slutligen är READMITS framtagen i ett amerikanskt sjukvårdssystem där ekonomiska incitament för att minska återinläggningar är starka. Återinläggningsmönster skiljer sig åt mellan sjukvårdssystem, och en modell som predicerar återinläggning i ett system med korta vårdtider och hög utskrivningsfrekvens kan fungera annorlunda i ett system med längre vårdtider och annan primärvårdsstruktur.

Källor

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