Aus der Klinik für Anästhesiologie, perioperative Medizin und Schmerztherapie Helios Klinikum Berlin-Buch.
DISSERTATION
Validierung des HELIOS Risiko Score.
Diskriminierungskraft des Scores zur Einschätzung des intrahospitalen Mortalitätsrisikos.
Signifikanz von verschiedenen Risikofaktoren bei der Risikoevaluation.
Zur Erlangung des akademischen Grades Doctor medicinae (Dr. med.)
Vorgelegt der Medizinischen Fakultät Medizinische Hochschule Hannover
Małgorzata Kazimierczak Aus Berlin
Angenommen vom Senat: 26.03.2019
Präsident: Prof. Dr. med. Michael P. Manns Wissenschaftliche Betreuung: Prof. Dr.med. Jochen Strauß
1. Referent: Prof.‘in Dr. rer. biol. hum. Marie-Luise Dierks 2. Referent: Prof. Dr. med. Dr. rer. nat. Niels Rahe-Meyer
Tag der mündlichen Prüfung: 26.03.2019 Prüfungsausschluss
Vorsitz: Prof. Dr. med. Wolfgang Koppert 1. Prüfer PD Dr. med. Christoph Schröder 2. Prüfer PD Dr. med. Serghei Cebotari
INHALTSVERZEICHNIS
1. ZUSAMMENFASSUNG... 5
1.1 Zusammenfassung in Deutsch... 5
1.2 Zusammenfassung in Englisch... 7
2. ABKÜRZUNGSVERZEICHNIS... 9
3. EINLEITUNG... 12
3.1 Definition der Mortalität... 12
3.2 Skalen... 13
3.2.1 Warum werden in der operativen Medizin Skalen verwendet?... 13
3.2.2 Worauf ist bei der Einschätzung der Qualität einer Skala zu achten?... 14
3.2.3 Wichtige Werkzeuge der Mortalitätseinschätzung... 18
3.2.4 Skala ASA………... 18
3.2.5 Skala RCRI (Lee)………. 19
3.2.6 NSQIP Surgery Mortality Calculator………. 21
3.2.7 Skala SMPM (Glance)………... 24
3.2.8 Skala P-POSSUM……… 25
3.3 HELIOS Risiko Score (HRS)... 27
3.3.1 Helios Risiko Score. Konzept... 29
3.3.2 Helios Risiko Score. Aufbau und Funktion... 32
4. FRAGESTELLUNG... 36
5. METHODEN... 37
5.1 Studiendesign ... 37
5.2 Einschluss-/ Ausschlusskriterien... 38
5.3 Outcome... 38
5.4 Statistische Methoden... 38
6. ERGEBNISSE... 40
6.1 Studienpopulation... 40
6.2 Deskriptive Statistik. Demographische Daten. Mortalitätsdaten... 41
6.3 Diskriminierungskraft des Helios Skala für intrahospitale Mortalität... 50
6.4 Kalibration („goodness of fit “) des Helios Risiko Scores………. 52
6.5 Diskriminierungskraft der ASA PS für in-hospitale Mortalität... 55
6.6 Gewicht der einzelnen Risikofaktoren... 57
6.6.1 Monovariate Analyse der quantitativen Risikofaktoren... 57
6.6.2 Monovariate Analyse der qualitativen Risikofaktoren... 57
6.6.3 Regressionsanalyse zur Ermittlung der adjustierten Odds Ratios der wichtigsten Risikofaktoren... 60
7. DISKUSSION... 67
7.1 In-hospital-Mortalität und post-hospital-Mortalität... 67
7.2 Skalen zur Risikoabschätzung und dessen Eigenschaften. Diskriminierungskraft für das postoperative Mortalitätsrisiko ... 68
7.3 Risikofaktoren für postoperative Morbidität und Mortalität... 77
7.3.1 KHK und Myokardinfarkt... 77
7.3.2 Herzinsuffizienz... 82
7.3.3 Schlaganfall... 86
7.3.4 pAVK... 88
7.3.5 Diabetes mellitus... 93
7.3.6 Niereninsuffizienz... 95
7.3.7 Vorhofflimmern... 99
7.3.8 Systemarterielle Hypertonie... 100
7.3.9 Herzklappenerkrankungen... 103
7.4 Einfluss des Alters, der Operation mit ihrer Dringlichkeit und der Belastbarkeit des Patienten auf das perioperative Risiko... 105
7.4.1 Risikofaktor: Alter... 105
7.6 Methodendiskussion und Methodenkritik... 124
7.7 Schlussfolgerung... 125
8. LITERATURVERZEICHNIS... 126
9. ABBILDUNGSVERZEICHNIS... 146
10.TABELLENVERZEICHNIS... 148
11.EIDESSTATTLICHE VERSICHERUNG... 150
12.LEBENSLAUF... 151
13.DANKSAGUNG... 152
1 ZUSAMMENFASSUNG
1.1 Zusammenfassung in Deutsch
HINTERGRUND
Die Identifizierung eines gefährdeten Patienten und seine gezielte Optimierung bereits vor einem Eingriff erfordert ein exaktes Werkzeug zur Risikoeinschätzung. Vorhandene Skalen, die anhand der präoperativen Daten die Mortalität und Morbidität vorhersagen können, sind oft ungenau und kompliziert. Der in dem Jahr 2008 in die Helios Kliniken eingeführte Helios Risiko Score (HRS) ist ein bettseitiges, einfach zu handhabendes Werkzeug. Seine Diskriminierungskraft zur in-hospital Mortalität wurde jedoch bis dato nicht untersucht. Die Validierung des HRS war das Ziel dieser Arbeit.
METHODIK
Es erfolgte eine retrospektive, monozentrische Auswertung der Mortalität von Patienten, die sich zwischen April 2012 und April 2015 einem nichtkardiochirurgischen Eingriff unterziehen mussten. Die Diskriminierungskraft der HRS Skala wurde mittels der ROC (receiver operator characteristic) Analyse berechnet. Der Einfluss einzelner Komponenten des HRS auf die in- hospital Mortalität (Patienten- und OP- Risiko) wurde durch schrittweise logistische Regression getestet. Für alle Risikofaktoren wurden ORs (odds ratios), unadjustiert (monovariate Regressionsanalyse) und adjustiert (multivariate Regressionsanalyse), bestimmt. Die einheitliche Validierung der HRS Skala mit ihrer Anpassung an unsere Patientenpopulation (goodness of fit) wurde mittels Hosmer-Lemeshow Test im letzten Schritt untersucht.
ERGEBNISSE
Von 48032 Patienten sind 366 verstorben (0.77%). Wenn ambulante Fälle, Operationen in Lokalanästhesie (Code 99) und Kinder ausgenommen wurden, betrug die Mortalität 0.88%.
(AUROC: 0.88; 95%CI: 0.846-0.913; p<0.0001). Die Anpassung des HRS zeigte sich als moderat (Hosmer-Lemeshow Statistik 11.084; p=0.026).
SCHLUSSFOLGERUNG
Der Helios Risiko Score ist für die Abschätzung des in-hospitalen Risikos geeignet. Die Diskriminierungskraft des HRS ist der ASA Klassifikation und dem RCRI überlegen.
In der multivariaten Regressionsanalyse konnten (in der Reihenfolge) 1. schlechte
Belastbarkeit (Immobilisation), 2. Dyspnoe (Ruhedyspnoe) und 3. das OP Risiko als mit der Mortalität am stärksten korrelierende Risikofaktoren bezeichnet werden.
1.2 Zusammenfassung in Englisch
BACKGROUND
Detection of a patient at high risk and its targeted optimization already before surgery requires an exact tool for risk assessment. Existing scales for predicting mortality and morbidity based on preoperative data are often inaccurate and complex. The Helios Risk Score (HRS), introduced in 2008, is a simple, easy-to-use tool. However, its discrimination for in-hospital mortality has not yet been investigated. The validation of HRS was the aim of this work.
METHODS
A retrospective, monocentric evaluation of the mortality of patients undergoing non-cardiac surgery between April 2012 and April 2015. The discrimination of the HRS scale was
calculated (ROC- receiver operator characteristic). The influence of the individual
components of the HRS on the in-hospital mortality (patient and surgical risk) was tested by stepwise logistic regression. ORs (odds ratios), unadjusted (monovariate regression analysis) and adjusted (multivariate regression analysis), were calculated for all risk factors. Validation of the HRS scale with its adaptation to our patient population (goodness of fit) was
investigated using the Hosmer-Lemeshow test finally.
RESULTS
The mortality of 48032 patients was 0.77% (n=366). Excluding outpatient procedures, local anesthesia (code 99) and children, the mortality was 0.88%. The discriminatory power of HRS in the whole group was good- AUROC: 0.889 (95% CI: 0.872-0.906, p <0.0001). The HRS showed the best discrimination in Trauma (AUROC: 0.943, 95% CI: 0.928-0.958, p <0.0001) and general surgery (AUROC: 0.88, 95% CI: 0.846-0.913, p <0.0001). The goodness of fit of HRS was moderate (Hosmer-Lemeshow statistics 11.084, p = 0.026).
Risk factors best correlated with in-hospital mortality in the multivariate regression analysis were (in order) 1. poor functional capacity (immobilisation), 2. dyspnoea (at rest) and 3. OP risk.
2 ABKÜRZUNGSVERZEICHNIS
AAA Abdominales Aorten-Aneurysma
AAI Ankle-Arm Index
ACC Active Cardiac Conditions ACVB Coronary Artery Bypass Grafting AHA American Heart Association
AS Aortenklappen Stenose
ASA American Society of Anesthesiologists
AUC Area Under Curve
AUGEN Augenheilkunde
BAA Bauch Aorten-Aneurysma
BHOM Biochemistry and Haematology Outcome Model
BMI Body Mass Index
CCE Cholezystektomie
CCS Canadian Cardiovascular Society
CHA Allgemeinchirurgie
CHKI Kinderchirurgie
CHU Unfallchirurgie
COPD Chronic Obstructive Pulmonary Disease
DERMA Dermatologie
DM Diabetes mellitus
EEA Eversionsendarteriektomie
ESC/ESA European Society of Cardiology/ European Society of Anaesthesiology EVAR Outcomes
Model Endovascular aneurysm repair Outcomes Model
FRAUEN Frauenheilkunde
GEF Gefäßchirurgie
GYNURO Uro-Gynäkologie
HNO Hals-Nasen-Ohren Heilkunde
HR Hazard Ratio
HRS Helios Risiko Score
ICISS International Classification of Disease Illness Severity Score IDDM Insulin-Dependent Diabetes Mellitus
IR Interquartile Range
IRIS Identification of Risk in Surgical Patients K-TEP Knie Totalendoprothese
KHK Koronare Herzkrankheit
KIS Krankenhausinformationssystem KOF Klappenöffnungsfläche
LAE Lungenarterien Embolie
M männlich
MACE Major Adverse Cardiac Events MET Metabolic Equivalent Treshold
MI Myokardinfarkt
MPM-III Mortality Probability Model at Intensive Care Unit Admission mR Monovariate Regressionsanalyse
MR Multivariate Regressionsanalyse
NEUCHI Neurochirurgie
NHANES National Health and Nutrition Examination Survey
NI Niereninsuffizienz
NIDDM Noninsulin-dependent Diabetes Mellitus,
NSQIP MICA American College of Surgeons National Surgical Quality Improvement Program Myocard Infarction and Cardiac Arrest Calculator
NV Nierenversagen
OR Odds Ratio
ORT Orthopädie
P-POSSUM Portsmouth-Physiological and Operative Severity Score for the enUmeration of Mortality and Morbidity
PatRG Patientenrechtegesetz
pAVK Periphere Arterielle Verschlusskrankheit PCCL Patient Clinical Complexity Level
PEA Pulslose Elektrische Aktivität PTCA Perkutane Koronarographie ACVB Aortokoronarer Venenbypass RCRI Revised Cardiac Risk Index
REACH Reduction of Atherothrombosis for Continued Health ROC Receiver Operating Characteristic
RR Relative Risk
SDM Shared Decision Making
SMPM Surgical Mortality Probability Model SORT Surgical Outcome Risk Tool
TAVI Transcatheter Aortic Valve Implantation
TEA Thrombendarteriektomie
TIA Transitorische Ischämische
TVT Tiefe Venenthrombose
URO Urologie
VF Ventricular Fibrillation
VHF Vorhofflimmern
VO2max Maximale Sauerstoffaufnahme
W weiblich
WHO World Health Organization
3 EINLEITUNG
Der demographische Wandel in Europa wird einen Zuwachs von nichtkardiochirurgischen Eingriffen um 20% bis zum Jahr 2020 bringen. Dabei wächst der Anteil von älteren Patienten um 50% [1]. Aktuell werden jährlich ca. 19 Millionen Patienten operiert. Davon weisen 5,7 Millionen (30%) ein erhöhtes kardiopulmonales Risiko auf. Etwa 167 000 Patienten erleiden diverse kardiologische Komplikationen, die in 19 000 Fällen lebensgefährlich sind [2]. Das Risikoprofil dieser Patienten stellt eine große Herausforderung für die Anästhesiologie dar.
Um den gefährdeten Risikopatienten sicher zu identifizieren und dann gezielt optimieren zu können, benötigt man exakte Werkzeuge zur Risikoeinschätzung, die die Mortalität und Morbidität auf Basis der vorhandenen präoperativen Daten genau vorhersagen können.
Eine verlässliche Risikoabschätzung unterstützt die Entscheidungsfindung vor einem risikoreichen Eingriff schon bei der Patientenaufklärung.
3.1 Definition der Mortalität
Mortalität (von lat. mortalitas „Sterblichkeit“) ist ein Begriff aus der Demografie. Sie bezeichnet die Anzahl der Todesfälle in der Gesamtbevölkerung (undifferenziert) pro Zeiteinheit, beispielsweise pro 1000 Personen in einem Jahr. Die Mortalität kann für eine konkrete Population angegeben werden, z.B. altersbezogen oder geschlechtsbezogen. Sie kann auch auf verschiedene Risikofaktoren bezogen adjustiert gemessen werden (z.B.
Hauptdiagnose, Nebendiagnosen).
Die Todesursachen lassen sich in kardiovaskuläre, nicht-kardiovaskuläre und andere Ursachen aufteilen. Der kardiovaskuläre Tod resultiert aus einem MI, plötzlichem Herztod, Herzinsuffizienz, Apoplex, kardiovaskulären Eingriff, kardiovaskulärer Blutung und anderen kardiovaskulären Ursachen (LAE, pAVK). Der nicht-kardiovaskuläre Tod ist definiert als jeder Tod aus einer anderen als kardiovaskuläre Ursache (z.B. pulmonal, renal, gastrointestinal, Trauma, Malignität) [3]. Eine weitere Klassifikation unterscheidet (in)direkt chirurgische (z.B.
Anastomoseninsuffizienz) und medizinische (stehende in Verbindung mit einer Operation z.B. Aspirationspneumonie) Ursachen [4] [5].
Für den Patienten und seine Entscheidungsfindung ist vor einer Operation vor Allem die Gesamtmortalität von Bedeutung.
3.2 Skalen
3.2.1 Warum werden in der operativen Medizin Skalen verwendet?
Hauptaufgabe einer Risikoskala ist es eine akkurate, genaue und eindeutige
Risikoeinschätzung zu liefern. Diese Risikoeinschätzung dient zunächst folgenden Zielen:
• Erstens hilft sie einen Patienten besser zu informieren, so dass er seine Entscheidung für oder gegen eine Operation oder derer Alternativen bewusst treffen kann. Dieser so genannte SDM (Shared Decision Making) Prozess wird in der Zukunft weiter an Bedeutung gewinnen. Die Grundsätze wurden bereits 2013 im PatRG
(Patientenrechtegesetz) niedergelegt [6][7].
• Zweitens liefert sie einen wesentlichen Beitrag zur Indikationsstellung.
• Drittens hilft sie bei der Entscheidung, welche Patienten von einer speziellen präoperativen Vorbereitung (z.B. Umstellung der Medikation, Beginn einer Beta- Blocker Therapie) und vor Untersuchungen (z.B. Herz Echo, Lungenfunktion) profitieren.
• Viertens kann sie Patienten identifizieren, die eine spezielle postoperative Überwachung benötigen.
• Fünftens ermöglicht eine Risikoskala ähnlich wie ein Case-mix-adjustment System einen Risikofaktoren-adjustierten Outcome-Vergleich zwischen Krankenhäusern oder auch einzelnen Ärzten.
Schließlich kann eine Risikoskala die Auswahl von Patienten für prospektiven oder
randomisierten-kontrollierten Studien erleichtern. Die Statistiken zeigen, dass Patienten, die
Behandlung der Komplikationen [9]. Die Outcome-Prädiktion betrifft vor allem die zu erwartende Morbidität und Mortalität.
3.2.2 Worauf ist bei der Einschätzung der Qualität der Skala zu achten?
Wird eine Skala zur Vorhersage eines nominalen Wertes benutzt, ergibt sich daraus eine einfache Korrelation. Wird sie zur Vorhersage einer dichotomischen Größe (Z.B. Tod- Überleben, Komplikation vorhanden-nicht vorhanden) angewandt, wird eine
Diskriminierungskraft berechnet, also ihre Fähigkeit den Patienten anhand von bekannten Risikofaktoren der einer oder anderen Gruppe zuzuordnen (z.B. lebend oder tot). Die beste Messmethode der Diskriminierungskraft ist in dem Fall die ROC Analyse (receiver operating characteristic). Bei dieser Methode wird eine Fläche unter der Kurve (AUC- area under curve), die der optimalen Sensitivität und Spezifität entspricht, berechnet. Sie wird oft gemeinsam durch das Akronym AUROC beschrieben. Die Größe kann dann zwischen den einzelnen Skalen verglichen werden. Sie nimmt Werte von 0.5 bis 1.0 an. 0.5 bedeutet, dass die Quote der falschpositiven und richtigpositiven Ergebnisse, die eine Skala liefert, einem Zufall entspricht. Bei 1.0 ist die Diskriminierungskraft am besten und es werden nur richtige Klassifikationen beobachtet. Den Unterschied zwischen AUC 0.59, 0.75 und 0.9 kann man auf der Abbildung 1 sehen.
weiteren technischen Aufwand (Computersystem) am Patientenbett und zu jeder Zeit einsetzbar. In meiner Arbeit versuche ich zu prüfen, ob der HRS (Helios Risiko Score) diesen Anforderungen Rechnung trägt.
Die Risikofaktoren, die eine Risikoskala bilden, tragen unterschiedlich stark zu dem von der Skala beschriebenen Effekt (z.B. zur Mortalität) bei. Beispielsweise wird in einer Mortalitäts- Skala die KHK und die Herzinsuffizienz berücksichtigt. Die KHK verursacht einen Anstieg der Mortalität um den Faktor 2, die Herzinsuffizienz um den Faktor 4. Der Einfluss auf die Mortalität wird durch den Wissenschaftler sehr gerne als OR (Odds Ratio) angegeben. In unserem Beispiel beträgt die OR für die KHK 2, für die Herzinsuffizienz 4.
Nicht zu verwechseln ist die OR (Odds Ratio) mit dem RR (Relative Risk) und der HR (Hazard Ratio). Alle diese Größen besitzen eine ähnliche Bedeutung, unterscheiden sich aber nur dezent durch andere Berechnungsmethoden derselben Frage (Chance gegen
Wahrscheinlichkeit gegen Wahrscheinlichkeit pro Zeiteinheit). Im Groben sollte man beachten, dass bei gleichen tatsächlichem Risiko OR > RR ist. Wenn beispielsweise die OR 2.67 beträgt, beträgt RR 2.0. Zu Vergleichszwecken soll immer der Herkunft des OR Wertes beachtet werden. Die aus einer multivariaten Regressionsanalyse stammende Odds Ratios haben einen viel höheren Aussagewert, als die aus einer monovariaten Analyse. Die monovariate Regressionsanalyse liefert crude (rohe), nicht adjustierte Werte, die Einflüsse der anderen Risikofaktoren außer Acht lassen. Als Beispiel betrachten wir eine
Patientengruppe, die zwei Krankheiten in der Anamnese hat -Diabetes und Herzinsuffizienz- und berechnen deren Einfluss auf die 1-Jahr Mortalität. Die nicht adjustierte Odds Ratio (aus der monovariaten Regressionsanalyse) zeigte einen Risikoanstieg bei Vorhandensein eines Diabetes um den Faktor 2 (OR=2.0). Nach Adjustierung durch Herzinsuffizienz, war die OR für Diabetes auf 1.5 gesunken (die multivariate Regressionsanalyse). Warum ist das so? Bei der monovariaten Analyse hatten mehr Patienten in der Diabetes-Gruppe gleichzeitig eine Herzinsuffizienz, die ihrerseits die Mortalität negativ beeinflusst. Der kumulative Einfluss der Herzinsuffizienz zusammen mit dem Diabetes ist höher als bei alleinigem Diabetes. Die multivariate Regressionsanalyse rechnet den Effekt der anderen Faktoren/Erkrankungen heraus und liefert einen „bereinigten“ Einflusswert der uns interessierenden Krankheit auf die Mortalität. In meiner weiteren Analyse der einzelnen Risikofaktoren (Kapitel 7.2) werde ich neben der Odds Ratio auch die Information beifügen, aus welcher Analyse sie stammt.
Durch „mR“ wird als Quelle die monovariate und durch „MR“ die multivariate Regressionsanalyse markiert.
3.2.3 Wichtige Werkzeuge der Mortalitätseinschätzung
In den letzten 30 Jahren sind über 30 Risk-Stratifikations-Werkzeuge entwickelt worden [13].
Sie basieren auf Beobachtungsstudien und Regressionsanalysen. Die neuen AHA Leitlinien 2015 zur präoperativen Vorbereitung empfehlen den RCRI (revised cardiac risk index) und NSQIP MICA (AmericanCollege of Surgeons National Surgical Quality Improvement Program- myocard infartion and cardiac arrest calculator) als Werkzeuge der ersten Wahl [2].
Obwohl sie sehr unpräzise und subjektiv ist, hat die ASA-Klassifikation seit über 70 Jahren einen festen Platz in der Anästhesie.
3.2.4 Skala ASA
Die Versuche der Systematisierung von Patienten begann in der Anästhesie schon in den vierziger Jahren (1941) mit dem Entwurf der ASA PS Klassifikation (American Society of Anesthesiology Physical Status Classification) [14].
ASA 1 Normaler, gesunder Patient
ASA 2 Patient mit leichter Allgemeinerkrankung ASA 3 Patient mit schwerer Allgemeinerkrankung
ASA 4 Patient mit schwerer Allgemeinerkrankung, die eine ständige Lebensbedrohung ist
ASA 5 Moribunder Patient, der ohne Operation voraussichtlich nicht überleben wird
Abbildung 2: Die Skala ASA beinhaltet 5 Klassen [15].
Eine Korrelation zwischen ASA Klassifikation und Mortalität wurde in vielen Publikationen bestätigt. Die berichtete absolute Mortalität variierte jedoch erheblich: für ASA I: 0-0.3%, ASA II: 0.3-1.4%, ASA III: 1.8-5.4%, ASA IV: 7.8-25.9% und ASA V: 9.4-57.8%
[16][17][18][19][20][21][22]. Diese Tatsache kann daran liegen, dass die Skala als subjektiv und nicht reproduktiv bezeichnet wird [8] [21], aber auch daran, dass das Patientenkollektiv (unterschiedliche Kohorten-Größe, die Art und das Risiko der Operation) und die Länge der Outcome Beobachtung (von 24 Stunden bis 30 Tage) der einzelnen Studien erheblich variiert
[21]. Die Diskriminierungskraft der ASA Klassifikation für die Mortalität reicht in
verschiedenen Publikationen von AUC=0.59 [20][23], 0.81 [23], 0.89 [24] bis 0.93 [25] und funktioniert besser als Mortalitätsprädiktor in Einrichtungen, wo die Gesamtmortalität niedriger ist[26].
Die ASA Klassifikation wurde primär nicht zur Einschätzung des Mortalitätsrisikos entwickelt.
3.2.5 Skala RCRI
Die RCRI (revised cardiac risk index) Skala[27], auch als Lee Index bekannt, wurde im Jahr 1999 präsentiert. Sie wurde an einer Gruppe von 2893 Patienten entwickelt, die sich einem elektiven, nicht-kardiochirurgischen Eingriffe unterzogen. Als Endpunkte wurden eine relevante kardiopulmonale Komplikationen (MACE- major adverse cardiac events)
aufgezeichnet (Herztod, akuter MI, kardiales Lungenödem, Kammerflimmern, Asystolie und Block III Grades) [27].
Bei dem Revised Cardiac Risk Index werden Patienten den Risikoklassen 1 – 4 zugeordnet, je nachdem, ob sie entsprechend einen, zwei, drei oder mehr als drei von insgesamt sechs definierten Risikofaktoren aufweisen.
Risikofaktoren nach Lee:
1. Hochrisikooperation
2. ischämische Herzerkrankung 3. Herzinsuffizienz
4. zerebrovaskuläre Erkrankung 5. Insulin-Therapie
6. Serum-Kreatinin > 2mg
Die Raten von relevanten kardialen Komplikationen in den Klassen 1 – 4
3.2.6 NSQIP Surgery Mortality Calculator (National Surgical Quality Improvement Program Surgery Mortality Calculator)
Der NSQIP Surgery Mortality Calculator wurde im Rahmen eines Improvement Program von der American College of Surgeons National Surgical Quality berechnet. Der Risikorechner entstand aus der Analyse einer großen Derivationsgruppe von über 1.4 Millionen Patienten in den Jahren 2009 bis 2012. An dem Projekt haben fast 400 Kliniken in den USA
teilgenommen. Das Outcome, das durch NSQIP Risk Calculator berechnet wird, beinhaltet (30 Tage follow up für alle Variablen):
- Mortalität
- Jede Komplikation/schwerwiegende Komplikation (Wundinfektion, Harnwegsinfekt, Pneumonie, ungeplante Intubation, Beatmung > 48h, Progression der
Niereninsuffizienz, akute Niereninsuffizienz, Apoplex, Herzstillstand, MI, TVT, Sepsis) - Pneumonie
- Cardiac event (Herzstillstand, MI) - Wundinfektion
- Harnwegsinfekt
- Tiefe Venenthrombose (TVT) - Niereninsuffizienz
Die Gesamtmortalität in der Validierungsstudie betrug 0.9%. Die Diskriminationskraft für die Mortalität war hervorragend (AUC 0.944) und für die Morbidität gut (AUROC: 0.806)[39].
Die Autoren entwickelten ein online-tool mit einem sehr gut lesbaren Interface (Abbildung 4).
Abbildung 4a: NSQIP Surgery Mortality Calculator Online Version [39].
Daten-Eingabemaske (A).
Abbildung 4b: NSQIP Surgery Mortality Calculator Online Version [39].
Ergebnismaske mit der geschätzten Mortalität und Morbidität (B).
Vom Nachteil sind jedoch der enorme Zeit- und Kosten-Aufwand bei der Datensammlung, was dazu führt, dass nur ca. 3% der Krankenhäuser in den USA den Rechner in der täglichen Routine nutzen [40] [41]. Die Kosten belaufen sich jährlich für ein partizipierendes
Krankenhaus auf $100 000 (subscription fees, cost of a full-time nurse for data abstraction) [42]. 21 Risikofaktoren müssen dazu eingegeben werden. Diese sind: Alter, Geschlecht, Funktional Status (Pflege abhängiger, nicht abhängiger Patient), Notfalloperation, ASA
eingegeben werden (das System kennt 1557 verschiedene Operationen (Abbildung 4a)). Der Nutzer des Rechners muss ein spezielles Trainingsprogramm durchlaufen [39]. Die Entwickler schreiben dazu:
“Many hospitals note that participating in the ACS NSQIP produces significant cost savings, which are yielded from quality improvement activities:
• Average potential cost saved per hospital per year: $2 906 500-$5 813 000
• Average cost per complication: $11 626
• Potential yearly savings if half of the roughly 4500 U.S. hospitals participated in the ACS NSQIP (roughly the size of the U.S. private market): $7-$13 billion54
• Estimated total savings over a decade if half of the roughly 4500 U.S. hospitals participated in the ACS NSQIP: $130-$260 billion.”
Die Teilnahme an dem NSQIP Programm bringt eindeutige Vorteile für die Patienten und den Geschäftsführer des Krankenhauses. Es kann eine Reduktion der Komplikationen (um 250- 500 jährlich) und der Mortalität (um 12-36 jährlich) erzielt werden (Quelle:
https://www.facs.org/).
3.2.7 SMPM Skala (Surgical Mortality Probability Model)
Braucht man überhaupt so viele Variablen um eine präzise Aussage zur postoperativen Mortalität treffen zu können? Muss das Prädiktionswerkzeug derart ausgebaut und kompliziert sein? Diese Frage stellten sich die Autoren der SMPM Skala (surgical mortality probability model). Der Rechner basierte auf Daten aus der ACS NSQIP Datenbank aus den Jahren 2005 bis 2007. Es wurden 298 772 Patienten aus 200 chirurgischen Zentren
eingeschlossen. Die Skala SMPM zieht nur drei Faktoren in Betracht: ASA Status, operatives Risiko (3 Klassen: low, intermediate und high risk procedure) und OP Dringlichkeit (2 Klassen:
nonemergent und emergency surgery). Je nach Einflussstärke auf das Mortalitätsrisiko wurden Punkte in jeder der drei Kategorien verteilt. Die Summe der Punkte (max. 9 Punkte) ergibt, in welche Risikoklasse der Patient zugeordnet wird. Abbildung 5.
Risiko Faktoren Punkte ASA PS
I 0
II 2
III 4
IV 5
V 6
OP Risiko
niedrig 0
mittel 1
hoch 2
OP Dringlichkeit
kein Notfall 0
Notfall 1
Summe 0 bis max. 9 Punkte
SMPM Klasse Summe der Punkte Mortalität
I 0-4 <0.5%
II 5-6 1.5-4.0%
III 7-9 >10%
Abbildung 5: Risiko Klassen der SMPM Skala. Die 30 Tage Mortalität beträgt von <0.5% in der ersten SMPM Klasse bis zu >10% in der dritten SMPM Klasse.
Der SMPM Score hat eine hervorragende Diskriminierungskraft für die 30-Tage Mortalität (AUROC= 0.899 in der Derivationsgruppe und 0.897 in der Validationsgruppe). Die
Anpassung auf die Population verstanden als Vergleich der geschätzten und beobachteten Mortalität war ebenso gut (der Hosmer-Lemeshow “goodness of fit” Test betrug 5.53;
p=0.35 in der Derivationsgruppe und 13.0; p=0.023 in der Validationsgruppe)[41].
Die SMPM Skala wurde bis heute noch nicht in einem externen Krankenhaus validiert und ihre endgültige Brauchbarkeit bleibt letztlich unklar.
3.2.8 Die P-POSSUM Skala (Portsmouth-Physiological and Operative Severity Score for the enUmeration of Mortality and Morbidity)
Die P-POSSUM Skala wurde in vielen Kliniken und Ländern validiert (Italien, Japan,
Österreich) [13]. Die Diskriminierungskraft der 30-Tage Mortalität reicht von 0.68 [45], 0.74 [46], 0.9 [33] bis 0.92 [47] und ist sehr gut. Bei der in-hospital Mortalität beträgt die AUC 0.81[46] bis 0.912 [48]. Nachdem die primäre Skala P-POSSUM eine ausgeprägte
Überschätzung der Mortalität und Morbidität in externen Patientenpopulationen gezeigt hat, sind durch Anpassung der Regressionskoeffizienten zahlreiche Modifikationen entwickelt worden (Abbildung 6 rechts).
Die P-POSSUM Skala besitzt ihre Schwächen. Erstens beinhaltet sie perioperative Variablen und kann somit nicht zur präoperativen Risikoeinschätzung genutzt werden. Zweitens gibt es subjektive Variablen wie z.B. die Interpretation eines Röntgen Thorax. Und drittens könnte die Skala, wenn sie als Adjustierungssystem zur Berechnung der Mortalität eingesetzt wird, einen „schlechteren“ Chirurgen besser beurteilen (perioperative Variable: Blutverlust). Das wäre der Fall, wenn zwei Chirurgen eine identische Prozedur ausführen und beide eine identische crude (nicht adjustierte) Mortalität haben, hätte derjenige mit einem größeren Blutverlust eine bessere adjustierte Mortalität. Das kommt zustande, weil bei der
Mortalitäts-Adjustierung die crude (nicht adjustierte) Mortalität durch die von einer Skala geschätzte dividiert wird [13] [41].
3.3 HELIOS Risiko Score (HRS)
Die Leitlinien ESC/ESA schlagen vor, Patienten mit einer kardialen Vorerkrankung einem präoperativen Evaluationsprozess zu unterziehen, wenn eine Operation mit einem niedrigen oder mittleren Risiko geplant ist. Bei Patienten mit bekannter oder hoher Wahrscheinlichkeit einer Herzerkrankung, bei denen ein nichtkardialer Eingriff mit hohem OP-Risiko bevorsteht, sollte für die präoperative Evaluation ein interdisziplinäres Expertenteam in Erwägung gezogen werden (Empfehlungsgrad IIb, Evidenzgrad C) [49]. In dem ESC/ESA Algorithmus werden im Allgemeinem zwei Säulen des Risikos hervorgehoben: Patientenrisiko und
Im Helios Konzern hat man den Bedarf einer Modifikation der oben vorgestellten Vorgehensweise erkannt, um sie alltagsfähiger zu gestallten.
Die Autoren des HRS verfolgten folgende Ziele:
1. Jeder Patient soll vor einer Operation eine professionelle Risikoevaluation erhalten.
2. Die wichtigsten Risikofaktoren sollen in den HRS miteinbezogen werden, wie sie evidenzbasiert in dem ESC Algorithmus aufgelistet sind mit dem Unterschied, dass sie mehr benutzerfreundlich, intuitiv nutzbar sind. Dabei soll aber kein
Informationsverlust riskiert werden.
3. Das Werkzeug soll die Kommunikation zwischen den behandelnden Disziplinen (Anästhesie und Chirurgie) fördern.
4. Die Patientenaufklärung soll durch die aus der Risikoevaluation gewonnene Informationen optimiert und unterstützt werden.
5. Eine apparative Diagnostik sowie Laborwerte sollten nur noch zielgerichtet nach einer Anamnese und Untersuchung durchgeführt werden. Durch sinnvollen Umgang mit verfügbaren Ressourcen können inadäquate Kosten für das Gesundheitssystem reduziert werden.
Die patientenbezogenen Ziele sind im Einzelnen in dem Kapitel 3.2. (Warum werden in der operativen Medizin Skalen verwendet?) erläutert worden.
3.3.1 Helios Risiko Score. Konzept
Der HRS Score wurde auf der Rückseite der Checkliste „PERI“ (WHO-Checkliste safer surgery) als sog. Checkliste „PRÄ“ eingefügt. Abbildung 9.
Die Checkliste „PRÄ“ stützt sich auf folgenden Säulen:
1. Patientenaufkleber und Datum.
2. Interdisziplinäre Fallevaluation. Einschätzung der Vorerkrankungen des Patienten und
6. OP Freigabe.
Der eigentliche Helios Risiko Score wird sowohl vom Arzt der Anästhesie als auch vom Arzt des operativen Fachgebietes erhoben. Dafür sind farbig hinterlegte Markierungsstellen vorgesehen (grün für Anästhesisten und grau für Chirurgen). Dabei werden sowohl Risiko- erhöhende Symptome und Erkrankungen (linke Spalte) als auch Risiko-erhöhende
Operationen (rechte Spalte) berücksichtigt. Abbildung 9.
4 FRAGESTELLUNG
Primäres Ziel
Beantwortung der Frage: Ist der HELIOS Score zur Abschätzung des in-hospital Mortalitätsrisikos geeignet? Wie gut ist seine Diskriminierungskraft im Vergleich zu den anderen genutzten Skalen?
Sekundäres Ziel
Untersuchung einzelner Risikofaktoren, die in den Helios Score eingehen und deren Einfluss auf die in-hospital Mortalität.
5 METHODEN
5.1 Studiendesign
Die vorliegende Untersuchung ist eine retrospektive, monozentrische, statistische
Auswertung der Mortalität in einem Zentrum der Maximalversorgung. Personenbezogene Daten wurden nicht erhoben. Die demografischen Merkmale der Population wurden aus der Datenbank des klinischen Informationssystems generiert. Die in-hospital Mortalität wurde aus der Datenbank der Controlling Abteilung gewonnen und mit den Daten des
Informationssystems des Krankenhauses verknüpft. Es wurden über 170 Variablen zu jedem Patienten erhoben oder abgeleitet. Bei den erhobenen Daten handelt es sich um
Routinedaten, die im Verlauf der Behandlung generiert/dokumentiert wurden. Eine Manipulation dieser Daten ist ausgeschlossen.
Abbildung 15: Die Datenmaske des Statistica 12 Programms mit den Studiendaten.
5.2 Einschluss-/Ausschlusskriterien
Es wurden alle erwachsenen Patienten, die stationär zwischen April 2012 und April 2015 einer nichtkardiochirurgischen operativen Versorgung unterzogen worden sind,
eingeschlossen.
Aus der Regressionsanalyse wurden ambulante Fälle (n=1703), Kinder (n=5952) und Patienten mit unvollständigen Datensätzen (n=3521) ausgeschlossen.
5.3 Outcome
Analysiert wurde die in-hospital Mortalität, also jeder Todesfall, der in einem Zeitraum zwischen der Operation und der KH Entlassung auftrat.
5.4 Statistische Methoden
Die statistische Bearbeitung wurde mit dem Programm der Firma StatSoft, Inc. (2014).
STATISTICA (data analysis software system), version 12. www.statsoft.com. (StatSoft U.S.A.) vorgenommen. Um die Diskriminierungskraft der HRS Skala auf die in-hospital Mortalität zu beurteilen, wurde eine ROC (receiver operator characteristic) Analyse und als deren Maß die AUC (area under curve) berechnet (C-Statistik). Dieses Vorgehen wurde sowohl für die gesamte untersuchte Population angewandt, als auch in den einzelnen Fachdisziplinen getestet. Die NRI (Net Reclassification Improvement) Methode wurde zum Vergleich der Diskriminierungskraft zwischen ASA und HRS angewandt.
Der Einfluss der einzelnen Komponenten der HRS auf die in-hospital Mortalität (des Patienten- und OP Risikos) wurde durch schrittweise logistische Regression getestet. Es wurden OR (odds ratio) unadjustiert (monovariate Regressionsanalyse) und adjustiert (multivariate Regressionsanalyse) ausgerechnet. In einem nächsten Schritt wurde die Validierung der HRS Skala mit ihrer Anpassung an die Patientenpopulation (goodness of fit) mittels Hosmer-Lemeshow Test untersucht. Es wurde eine cross-validation Methode angewandt, so wie eine traditionelle Verteilung der Population in eine Derivations- und in
eine Validierungsgruppe (mit Verteilung 30:70) vorgenommen. Der Unterschied zwischen der durch den HRS vorhergesagten Mortalität und der beobachteten Mortalität wurde nummerisch und graphisch dargestellt. Der Einschluss der Risikofaktoren in die
Regressionsanalyse erfolgte mittels reference-coding Methode.
6 ERGEBNISSE
6.1 Studienpopulation
Die Studienpopulation betrug 48032 Patienten, die in drei Jahren (April 2012 bis April 2015) einer nichtkardiochirurgischen Operation unterzogen wurden. Davon waren 38559 (86.6%) Patienten > 17 Jahre alt und 5952 Patienten (12.4%) < 17 Jahre alt. Die Anzahl der
inkompletten Datensätze (nicht alle Risikofaktoren vorhanden) betrug 3521 (7.3-8.4%). In 163 Fällen war der HRS falsch als 0 (Null) kodiert oder die Angaben zur Mortalität haben gefehlt.
Die statistische Auswertung und Validierung des HRS Scores wurde nur für erwachsene Patienten (>17 Jahre) durchgeführt (ambulante und stationäre Operationen im
Erwachsenenalter). In dieser Gruppe betrug die Mortalität (n=366) 0.95%.
Die in-hospital Gesamtmortalität in der gesamten Studienpopulation (n=44511, inklusive Kinder) betrug 0.77%. Nimmt man ambulante Fälle, Operationen in Lokalanästhesie (Code 99) und Kinder aus, betrug die Mortalität (n=324) 0.88%.
Das mittlere Alter betrug 50 Jahre mit einem IR (interquartile range) zwischen 33 und 69 Jahren. Die Geschlechtsverteilung war beinahe ausgeglichen (49.5% Frauen und 50.5%
Männer). Das Alter der Männer ähnelte dem der Frauen (49 Jahre vs. 50 Jahre).
Insgesamt wurden fast 18% der Fälle als Notfall deklariert.
Die Verweildauer im KH betrug 7.5 Tage (IR: 2-8). Die präoperative Verweildauer im KH betrug 1.2 Tage. Die Summe der OP-Zeiten betrug durchschnittlich 74.1 min (IR: 26-90). Die OP-Anzahl pro Patient betrug durchschnittlich 1.35. Die durchschnittliche Anzahl der Nebendiagnosen betrug 6.5 pro Patient (IR: 2-9). Die durchschnittliche Anzahl der Intensiv- Aufenthalte betrug 1.3 pro Patient.
6.2 Deskriptive Statistik. Demografische Daten. Mortalität
Skala Helios Risiko Score.
Der HRS unterteilt das Risiko in acht Risikoklassen (2,3,4,5,6,7,8,10 Punkte) und drei Risikogruppen. Diese Gruppen sind entsprechend farblich markiert (siehe Abbildung 13, Seite 35). Patienten, die 2 bis 5 HRS Punkte erreichen, gehören zu der „grünen“ Gruppe, die, die 6 Punkte erreichen, sind als „gelbe“ Gruppe markiert, und die, die über 6 Punkte
erreichen, werden als „rote“ Gruppe bezeichnet. Ambulante Patienten, die in LA
(Lokalanästhesie) operiert werden, werden dem Anästhesisten präoperativ nicht vorgestellt.
Diese Fälle werden mit dem Code 99 bezeichnet. Die Tabelle 1 beinhaltet die wichtigsten demographischen Daten und Risikofaktoren der Studien-Population, unterteilt in die drei Risikogruppen, als auch die Charakteristika der Patientengruppe, die ambulant versorgt wurde.
Gruppe GRÜN* Gruppe GELB* Gruppe ROT* Code99† Gesamt
Anzahl (n) 30525 3706 2462 1703 38559
Alter
Durchschnitt ‡ 53.6 66.5 70.2 58.34 56
Alter > 75 (%) 9.9 27.9 39.85 15.9 13.86
Geschlecht
W 53.2 43.1 41.8 47.2 51.05
M 46.8 56.9 58.2 52.8 48.95
ASA PS
I 36.4 5.25 1.5 30.6 31
II 48.3 32.9 10.7 44.66 44.3
III 14.9 60.2 64.24 22 22.40
IV 0.35 1.65 22.7 2.62 1.99
V 0 0.03 0.88 0.1 0.06
Als Notfall 15.9 20.5 38 11.45 17.63
OP-Risiko
gering 52 0 46.3 0 47,35
mittel 25.5 99.5 38 0 33,15
hoch 21.9 0.5 15.7 0 19,5
Herz/Kreislauf
Dilat. Kardiomyo. 0.16 0.49 2.23 0.47 0.34
Herzinsuffizienz 1.56 6.1 23.15 3.2 3.45
MI aktuell 0.03 0.03 0.73 0 0.08
MI z.N. 1.99 8.12 11.25 3.23 3.23
KHK 4.63 17.5 30.5 7.75 7.67
PTCA/ACVB 3.35 14 18.7 5.46 5.46
VHF aktuell 2.7 8.45 18.56 5.11 4.4
Z.n. HKS 0.08 0.13 1.02 0.12 0.15
Klappenersatz 0.27 1.19 1.87 0.76 0.48
pAVK 2.54 18.7 20.7 3.6 5.35
Hypertonus 37.96 72.77 72.83 45.86 43.9
Pulmo
COPD 2.77 8.26 17.6 4.64 4.34
Astma 4.1 3.8 2.6 3.2 3.96
Pneumonie 0.08 0.11 1.14 0.23 0.15
Niere
chron. NI 4.54 16.1 32.2 9 7.58
akutes NV 0.63 1.32 6.66 1.82 1.1
Dialyse 0.91 2.02 6.46 1 1.44
Neurologie
TIA/Apoplex 2.82 11.93 16 4.23 4.53
Tabelle 1 (Teil 1 von 2): Demographische Daten und präoperative Risikofaktoren in den Helios Risiko Score (HRS) Gruppen grün, gelb, rot und Code 99 (ambulant und LA). Siehe auch Abbildung 13 auf Seite 35. *Die Farben bedeuten Zuordnung zu entsprechenden HRS Gruppen. Die grüne Gruppe= 2-5 Punkte, die gelbe Gruppe= 6 Punkte und die rote Gruppe= 7, 8 und 10 Punkte. Alle Angaben in %. †Code 99=
Fälle ambulant und LA. ‡Mittelwert.
Gruppe GRÜN* Gruppe GELB* Gruppe ROT* Code99† Gesamt Stoffwechsel
DM 10.9 36.7 37 17.4 15.4
Hyperthyreose 0.94 1.75 2.32 0.94 1.1
Hypothyreose 7.8 8.45 7.5 8 7.85
Leberzirrhose 0.34 0.97 3.2 0.4 0.6
Dyspnoe
in Ruhe 0.32 0.66 9.53 1.9 1
bei Belastung 18.1 38.1 54.1 25.1 22.67
Belastbarkeit
steigt>2 Etagen 31.3 28 9.26 28.8 29.5
steigt>1 Etage 5.07 12.98 8.53 7.46 6.16
steigt<1 Etage 1.06 3.63 18.3 3.9 2.54
altersentspr. 53.86 23.34 8.53 44.45 47.6
eing.beurteil. 7 25.12 28.43 10.3 10.28
Rollstuhl 1.19 4.16 10.9 2.9 2.18
bettläger. 0.47 2.75 16.04 2.23 1.78
Übergewicht 36.5 35.2 33.3 36.9 35.4
(BMI>25<=30)
BMI<18.5 1.96 2.83 5.7 3.05 2.3
Adipositas
BMI>30 16 18.9 14.9 14 16.1
BMI>35 5.1 7.4 6.46 4.1 5.28
BMI>40 2.2 3.29 4.6 2.17 2.46
Beobachtete Mortalität
0.24 1.7 8.73 0.82 0.95
Sepsis 0.02 0 0.61 0.23 0.06
BARTHEL Index ‡ 90.6 82.74 54.36 84.96 85.8
PCCL ‡ 1.08 2.52 3.34 1.49 1.38
KH Verw.(T) ‡ 5.9 15 21.9 6.35 7.9
praeOP Verw.(T) ‡ 0.96 2.5 3.5 1.3 1.3
Sum. OP Zeit (h) ‡ 66.3 137.1 131 48 77.8
Tabelle 1 (Teil 2 von 2): Demographische Daten und präoperative Risikofaktoren in den Helios Risiko Score (HRS) Gruppen grün, gelb, rot und Code 99 (ambulant und LA).*Die Farben bedeuten Zuordnung zu entsprechenden HRS Gruppen. Die grüne Gruppe= 2-5 Punkte, die gelbe Gruppe= 6 Punkte und die rote Gruppe= 7, 8 und 10 Punkte. Alle Angaben in %. †Code 99= Fälle ambulant und LA. ‡Mittelwert. HKS=Herz-Kreislauf- Stillstand, W=weiblich, M=männlich, MI=Myokardinfarkt, KHK=koronare Herzkrankheit, PTCA/ACVB=perkutane
Koronarographie/aortokoronarer Venenbypass, VHF=Vorhofflimmern, pAVK=periphere arterielle Verschlusskrankheit, COPD=chronische obstruktive Lungenkrankheit, NI=Niereninsuffizienz, NV=Nierenversagen, TIA=transitorische ischämische Attacke, DM=Diabetes mellitus, BMI=Body Mass Index, PCCL=Patient Clinical Complexity Level, KH=Krankenhaus
HRS Klasse n %
2 10679 27.8
3 10292 26.8
4 3120 8.1
5 6434 16.7
6 3706 9.65
7 1072 2.79
8 1047 2.73
10 343 0.89
Code 99* 1703 4.43
Gesamt 38559 100%
Tabelle 2: Verteilung der Fälle auf die acht HRS Risiko Klassen. *Code 99= Fälle ambulant und LA
An der Klinik sind zwölf operative Fachrichtungen repräsentiert. Die Verteilung der Fälle auf die drei HRS Risikogruppen in den Fachrichtungen gibt einen Überblick, welche
Fachdisziplinen mit den meisten gefährdeten Patienten konfrontiert sind. Die Patienten mit dem höchsten Risikoprofil werden durch den Gefäßchirurgen versorgt (über 14% der Fälle).
Am wenigsten sind die Patienten der „roten“ Gruppe in der gynäkologischen Urologie anzutreffen (Tabelle 3).
Fachdisziplin Gruppe GRÜN*
Gruppe GELB*
Gruppe ROT*
Code 99† Gesamt Disziplin
Augenheilkunde 69.6 0.8 3.3 26 2.97
Allgemeinchir. 77.75 12.1 7.45 2.44 12.1
Kinderchir. 13.6 10.5 2.3 71.3 8.44
Unfallchir. 82.3 4.7 6.46 5.25 12.6
Dermatologie 80.73 0.32 7.2 11.8 1.32
Frauenheilkunde 96.5 1.95 0.81 0.75 10.66
Gefäßchir. 48.06 25 14.25 12.7 7.64
Gyn-Urologie 96 2.73 0.46 0.76 1.38
HNO 70.9 1.34 2.53 25.2 13.56
Neurochir. 61 25.5 10.2 3.3 6.4
Orthopädie 61.5 14 4.5 19.95 11
Urologie 79.9 3.4 7.75 9 12
Gesamt Gruppe 69.4 8.9 5.7 16 100%
Tabelle 3: Prozentuelle Verteilung der Patientenpopulation in einzelnen Fachbereichen. *Die Farben bedeuten Zuordnung zu entsprechenden HRS Gruppen. Die grüne Gruppe= 2-5 Punkte, die gelbe Gruppe= 6 Punkte und die rote Gruppe= 7, 8 und 10 Punkte. Alle Angaben in %. †Code 99= Fälle ambulant und LA
Die in-hospital Mortalität in den einzelnen HRS Klassen ist in der Tabelle 4 ersichtlich. Es wurden in dem Studienzeitraum 2012 bis 2015 366 Todesfälle zwischen den erwachsenen (>17 Jahre) Patienten beobachtet.
HELIOS Risiko Score Gesamt n Todesfälle n Todesfälle %
2 10679 4 0.04%
3 10292 14 0.14%
4 3120 16 0.51%
5 6434 40 0.62%
6 3706 63 1.70%
7 1072 46 4.29%
8 1047 104 9.93%
10 343 65 18.95%
Code 99 1703 14 0.82%
Gesamtgruppe 38396 366 0.95%
Tabelle 4: In-hospital Mortalität in HRS Klassen 2 bis 10 und Code 99. Patienten > 17 Jahre.
Die Abbildung 16 zeigt eine nicht lineare Verteilung zwischen der Mortalität in den HRS Klassen. Das Problem ist uns bekannt. In der Diskussion werde ich auf das Thema näher eingehen und mögliche Verbesserungsverschläge erläutern.
0,62
1,7
4,29
9,93
18,95
2 0,82 4 6 8 10 12 14 16 18 20
Skala ASA
In der nachstehenden Tabelle 5 sind die demographischen Daten der Patienten unterteilt nach den ASA-Klassen zu sehen.
ASA PS Klasse ASA I ASA II ASA III ASA IV ASA V Gesamt
Als Notfall 15.7 13.3 20.7 46.4 81.8 16.3
OP-Risiko
gering 72.3 44.25 16.75 32 0 47.3
mittel 25 36.15 40.5 33.5 14.3 33.3
hoch 2.57 19.6 42.73 34.5 85.7 19.3
Demographische Daten
Alter* 41.1 58.6 69.4 71.2 68.4 55.9
Alter > 75 Jahre 0.76 10.9 33.8 42 36.4 13.6
Geschlecht
W 56.2 53.2 42.7 41.7 54.55 51.5
M 43.8 46.8 57.3 58.3 45.45 48.5
Herz/Gef.
Dilat. Kardiomyo. 0 0.08 0.92 4.13 4.55 0.33
Herzinsuff. (a) 0.05 0.95 10.4 29.9 22.73 3.4
MI aktuell 0 0.03 0.16 0.85 0 0.07
MI z.N. 0.05 1.64 9.4 13.7 4.55 3.15
KHK 0.16 3.68 22.66 36.8 31.8 7.56
PTCA/ACVB 0.15 2.34 16.8 22.79 13.64 5.4
VHF (a) 0.12 2.5 11.87 22.65 31.8 4.3
Z.n. HKS 0.02 0.03 0.37 2.42 4.55 0.16
Klappenersatz 0 0.19 1.53 2.56 0 0.48
pAVK 0.11 2.26 15.9 25.16 10 4.55
Hypertonus 7.92 50.3 76.12 72.8 72.7 43.5
Pulmo
COPD 0.16 2.63 11.9 19.52 9.1 4.31
Asthma 2.8 4.9 3.83 2.44 0 3.85
Pneumonie 0.02 0.07 0.35 1.28 0 0.13
Niere
chron. NI 0.2 3.66 21.4 42.7 27.3 7.4
akutes NV 0.07 0.49 2.88 7.83 9.1 1.05
Dialyse 0.01 0.3 4.27 12.07 22.73 1.2
Neurologie
TIA/Apoplex 0.23 2.72 12.8 17.5 4.55 4.54
Stoffwechsel
ASA PS Klasse ASA I ASA II ASA III ASA IV ASA V Gesamt Dyspnoe
in Ruhe 0.09 0.24 2.5 14.76 27.3 0.9
bei Belastung 4.26 19.2 47.15 53.4 31.8 19.7
Belastbarkeit
steigt>2 Etagen 20.45 33.26 24.7 5.9 9.1 26.2
steigt>1 Etage 0.43 4.75 15.4 7.95 0 52.95
steigt<1 Etage 0.06 0.85 7.4 19.26 0 2.2
altersentspr. 76 50.3 18.4 4.9 9.1 53
eing.beurteil. 2.6 8.9 23.1 29.65 27.3 9.7
Rollstuhl 0.3 1.45 6.4 10 4.55 2.15
bettlaeger. 0.14 0.5 4.65 22.34 50 1.6
Übergewicht 25.2 36.3 33.6 29.9 40.9 31.4
(BMI>25<=30)
BMI<18.5 2.5 1.6 2.9 7.4 9.1 2.3
Adipositas
BMI>30 7.9 17.4 19 13 13.65 14
BMI>35 1.63 5.8 7.75 7.06 4.55 4.6
BMI>40 0.49 2.26 4.49 4.36 4.55 2.1
Beobachtete
Mortalität 0.04 0.25 2.01 13.74 40.91 0.78
Sepsis 0 0.01 0.16 1.03 13.64 0.06
BARTHEL Index* 91.4 90 75.65 47.4 37.5 85.94
PCCL* 0.596 1.282 2.443 3.469 3.727 1.294
KH Verw. (T)* 4.6 6.8 12.45 24.7 35.9 7.8
praeOP Verw. (T)* 0.7 1.1 2.2 4 2.6 1.3
Sum. OP Zeit (h)* 62.6 77.4 93.6 119.3 298.4 77.4
Tabelle 5 (Teil 2 von 2): Deskriptive Statistik nach der ASA Klassifikation Angaben in %. *Mittelwert, HKS=Herz-Kreislauf-Stillstand, W=weiblich, M=männlich, MI=Myokardinfarkt, KHK=koronare Herzkrankheit,
PTCA/ACVB=perkutane Koronarographie/aortokoronarer Venenbypass, VHF=Vorhofflimmern, pAVK=periphere arterielle Verschlusskrankheit, COPD=chronische obturative Lungenkrankheit, NI=Niereninsuffizienz, NV=Nierenversagen, TIA=transitorische ischämische Attacke, DM=Diabetes mellitus, BMI=Body Mass Index, PCCL=Patient Clinical Complexity Level, KH=Krankenhaus
Die Verteilung der Fälle in den ASA Klassen ist in der Tabelle 6 gezeigt. Hier sehen wir, ähnlich wie bei der Verteilung auf die HRS Klassen, dass die Mehrheit (2/3) der Operierten gesund ist.
ASA Klasse n %
1 10948 30.99
2 15621 44.22
3 8029 22.73
4 702 1.99
5 22 0.06
Gesamt 35322 100%
Tabelle 6: Verteilung der Fälle auf die ASA Klassen.
Die Verteilung der ASA Klassen auf die einzelnen Fachrichtungen zeigt ein ähnliches Muster wie die HRS Klassen- siehe Tabelle 7.
Fachdisziplin ASA I ASA II ASA III ASA IV ASA V Gesamt Disziplin
Augenheilkunde 13.29 47.46 38.24 1.01 0 2.79
Allgemeinchir. 28.63 47.94 20.78 2.52 0.12 14.36
Kinderchir. 79.55 18.77 1.49 0.19 0 1.52
Unfallchir. 38.6 41.96 16.99 2.35 0.1 14.23
Dermatologie 16.83 49.71 30.75 2.71 0 1.46
Frauenheilkunde 54.11 39.04 6.69 0.16 0 12.7
Gefäßchir. 10.56 33.32 49.4 6.5 0.22 7.80
Gyn-Urologie 24.34 59.38 16.12 0.16 0 1.72
HNO 39.1 41.81 18.19 0.92 0 12.67
Neurochir. 17.98 46.71 32.31 2.81 0.19 7.45
Orthopädie 24 49.77 24.54 1.69 0 10.58
Urologie 20.59 50.41 27.53 1.47 0 12.72
Gesamt Gruppe 30.99 44.22 22.73 1.99 0.06 100%
Tabelle 7: Prozentuelle Verteilung der ASA Klassifikation auf die einzelnen Fachbereiche.
Die Tabelle 8 beinhaltet die Todesfallverteilung in einzelnen ASA Klassen.
Der Unterschied in der Anzahl der Todesfälle im Vergleich zur Tabelle 4 ist damit zu erklären, dass Angaben zur ASA Klassifikation häufiger fehlten.
ASA Klasse Gesamt n Todesfälle n Todesfälle %
1 10948 6 0.05
2 15621 44 0.28
3 8029 173 2.15
4 702 106 15.1
5 22 9 40.9
Gesamt 35322 338 0.95
Tabelle 8: In-hospital Mortalität bei Erwachsenen nach ASA Klassen.
Abbildung 18: Mortalität (%) in ASA Klassen.
6.3 Diskriminierungskraft der Helios Skala für die in-hospital Mortalität
Diskriminierungskraft der HRS Skala in der Gesamtgruppe.
Die Diskriminierungskraft ist die Eigenschaft einer Skala zur korrekten Einstufung in eine von zwei Gruppen. Im Sinne unseres Endpunktes wäre das die in-hospital Mortalität. Die
Diskriminierungskraft ist in der ROC Analyse als ein Verhältnis der Sensitivität zur 1-Spezifität berechnet und als AUC (area under curve) in der Abbildung 19 dargestellt.
0,05 0,28 2,15
15,1
40,91
0 5 10 15 20 25 30 35 40 45
I II III IV V
6.4 Kalibration („goodness of fit “) der Helios Skala
Die Anpassung der Daten an die Patientenpopulation lässt sich in einer Validationsanalyse prüfen. Das Einschlusskriterium zum Modell ist das “effect coding”. Damit wird der Zustand mit dem niedrigsten Risiko als Referenzbereich angenommen. Die hier genutzte Methode ist die v-fold cross validation. In der Methode werden keine zwei Derivations und
Validationsgruppen gebildet. Sie entstehen hier aus einer randomisierten Auswahl durch das Statistikprogramm. Die Ergebnisse der Analyse sind in der Tabelle 10 zu sehen. Die
adjustierten Odds Ratios besagen, um wieviel das reine Risiko steigt, wenn ein Faktor vorhanden ist im Vergleich zur Situation, wenn er nicht vorhanden ist.
Risiko crude Odds Ratio adj. Odds Ratio 95%CI adj. OR p<
Patienten Risiko
kein (0) 1 Referenz
gering (1) 1.07 2.015 1.15-3.53 0.014
mittel (3) 6.3 7.264 4.59-11.48 0.0001
hoch (5) 39.6 51.89 37.32-72.14 0.0001
OP Risiko
gering (2) 1 Referenz
mittel (3) 4.12 2.87 2.04-4.04 0.0001
hoch (5) 5.14 7.58 5.31-10.82 0.0001
Hosmer-Lemeshow stat. 11.084; p=0.026
Tabelle 10: Regressionsanalyse der HRS Skala. Odds Ratio für das Patienten- und das OP- Risiko.
Goodness of fit des Helios Risiko Scores: Hosmer-Lemeshow Statistik 11.084; p=0.026
Die Kalibration des HRS Scores ist eher gering (p=0.026). In dem Hosmer-Lemeshow Test ist eine gute Kalibration erreicht, wenn der p-Wert > 0.05 beträgt. Es muss an dieser Stelle explizit erwähnt werden, dass in großen Populationen (>2000 Fälle) auch kleine
Unterschiede zwischen beobachteter und geschätzter Mortalität als statistisch relevant ausfallen werden. Diese Methodenproblematik hat selbst der Autor des Verfahrens bemängelt und Alternativen vorgeschlagen[51]. Eine dieser Alternativen ist eine einfache graphische Darstellung der Ergebnisse oder eine Teilung der Studienpopulation in kleinere Gruppen.
