Pedoman klinis merekomendasikan penggunaan riwayat eksaserbasi dalam memilih terapi untuk memprediksi risiko eksaserbasi penyakit paru obstruktif kronik, tetapi analisis data dari tiga studi klinis yang berbeda telah menemukan bahwa riwayat eksaserbasi saja bukanlah alat prediksi risiko yang paling akurat — dan itu bahkan dapat menyebabkan kerusakan dalam beberapa situasi.
“Hasil kami menyajikan kisah peringatan untuk potensi risiko bahaya pada pasien ketika secara naif menerapkan algoritme stratifikasi risiko di berbagai pengaturan klinis,” penulis utama Joseph Khoa Ho, PharmD, kandidat master dalam ilmu farmasi di University of British Columbia di Vancouver, Kanada, kepada Medscape Medical News.
“Kami menunjukkan bahwa model prediksi risiko memiliki akurasi yang lebih baik daripada riwayat eksaserbasi saja untuk memprediksi risiko eksaserbasi PPOK di masa depan,” katanya. “Namun, model prediksi memerlukan evaluasi ulang dan kalibrasi ulang pengaturan khusus untuk menghasilkan utilitas klinis yang lebih tinggi.”
Penelitian, yang dikenal sebagai IMPACT, menganalisis tiga percobaan yang mendaftarkan 4107 pasien pada berbagai tingkat risiko eksaserbasi sedang atau berat: kelompok plasebo dari Studi untuk Memahami Kematian dan Morbiditas pada PPOK (SUMMIT; N = 2421); Percobaan Perawatan Oksigen Jangka Panjang (LOTT; N = 595); dan lengan plasebo dari Towards a Revolution in COPD Health trial (TORCH; N = 1091). Risiko eksaserbasi rendah, sedang, dan tinggi dalam tiga percobaan masing-masing.
Studi yang diterbitkan online bulan ini di jurnal CHEST membandingkan kinerja tiga algoritma stratifikasi risiko:
Hasil Analisis
Studi ini menggunakan area under the curve (AUC), sebuah metode untuk mengevaluasi efektivitas atau efisiensi, untuk membandingkan performa dari algoritma prediksi. ACCEPT mengungguli riwayat eksaserbasi dan algoritme Bertens di semua sampel LOTT (risiko sedang) dan TORCH (risiko tinggi), keduanya signifikan secara statistik. Dalam SUMMIT (risiko rendah), Bertens dan ACCEPT mengungguli riwayat eksaserbasi, yang secara statistik signifikan.
AUC untuk riwayat eksaserbasi saja dalam memprediksi eksaserbasi di masa depan di SUMMIT, LOTT, dan TORCH adalah 0,59 (95% CI, 0,57 – 0,61), 0,63 (95% CI, 0,59 – 0,67), dan 0,65 (95% CI, 0,63 – 0,68 ), masing-masing. Bertens memiliki AUC yang lebih tinggi dibandingkan dengan riwayat eksaserbasi saja di SUMMIT (meningkat 0,10, P < 0,001) dan TORCH (meningkat 0,05, P < 0,001), tetapi tidak di LOTT (meningkat 0,01, P = 0,84).
ACCEPT memiliki AUC yang lebih tinggi dibandingkan dengan riwayat eksaserbasi saja di semua sampel penelitian, masing-masing sebesar 0,08 (P < 0,001), 0,07 (P = 0,001) dan 0,10 (P < 0,001). Dibandingkan dengan Bertens, ACCEPT memiliki AUC lebih tinggi sebesar 0,06 (P = 0,001) di LOTT dan 0,05 (P < 0,001) di TORCH, sedangkan AUC tidak berbeda di SUMMIT (perubahan -0,02, P = 0,16).
Pelajari Dasar Pemikiran
Penulis senior Mohsen Sadatsafavi, MD, PhD, profesor ilmu farmasi di University of British Columbia, mengatakan kepada Medscape Medical News bahwa penelitian ini terinspirasi oleh studi di bidang kardiologi pada awal tahun 2022 yang menemukan bahwa kinerja banyak prediksi risiko alat yang digunakan untuk mengevaluasi risiko penyakit kardiovaskular dapat sangat bervariasi jika tidak dikalibrasi untuk populasi pasien baru.
“Temuan utamanya adalah riwayat eksaserbasi saja bisa berbahaya bahkan jika diterapkan pada tingkat risiko yang berbeda,” kata Sadatsafavi tentang studi IMPACT. “Tidak ada algoritme yang dapat diterapkan secara universal, tetapi riwayat eksaserbasi memiliki peluang yang sangat tinggi untuk menjadi lebih buruk daripada tidak melakukan stratifikasi risiko sama sekali dan hanya memberikan obat kepada semua pasien.”
Riwayat eksaserbasi dianggap berbahaya karena menghasilkan manfaat bersih yang lebih rendah daripada Bertens atau ACCEPT, demikian temuan studi IMPACT.
Manfaat dari dua alat prediksi risiko ini adalah dapat dikalibrasi ulang, kata Sadatsafavi. “Anda tidak memiliki kemewahan dengan sejarah eksaserbasi karena itu hanya sejarah positif atau negatif yang tetap,” katanya. “Kita harus sangat menyadari perbedaan serangan paru-paru pada populasi yang berbeda dan fakta bahwa riwayat eksaserbasi memiliki kinerja yang sangat berbeda pada kelompok yang berbeda dan mungkin berbahaya bila diterapkan pada populasi tertentu. Kami menyarankan penggunaan alat stratifikasi risiko sebagai model statistik yang tepat dan lebih baik.”
Komentar Pakar
“Seperti yang penulis tunjukkan, pedoman manajemen COPD saat ini merekomendasikan terapi eksaserbasi preventif dengan mempertimbangkan riwayat eksaserbasi pasien,” kata Mary Jo S. Farmer, MD, PhD, asisten profesor di University of Massachusetts Chan Medical School-Baystate di Worcester, melalui surel. “Namun, strategi ini telah menunjukkan kerugian dalam beberapa situasi.”
Dia mencatat bahwa model prediksi multivariabel lebih akurat daripada riwayat eksaserbasi saja untuk memprediksi risiko eksaserbasi PPOK sedang/berat selama 12 bulan, tetapi tidak ada algoritme yang unggul dalam utilitas klinis di semua sampel.
“Para penulis menyimpulkan bahwa akurasi tertinggi dari model prediksi risiko dapat dicapai ketika model dikalibrasi ulang berdasarkan risiko eksaserbasi dasar dari populasi penelitian yang bersangkutan,” tambah Farmer.
Studi ini menerima dana dari Canadian Institutes of Health Research. Ho, Sadatsafavi, dan Petani melaporkan tidak ada hubungan keuangan yang relevan.
DADA. Diterbitkan online 8 Desember 2022. Abstrak
Untuk berita lebih lanjut, ikuti Medscape di Facebook, Twitter, Instagram, YouTube, dan LinkedIn