External validation and comparison of PREVENT and SCORE2 atherosclerotic cardiovascular risk scores in the MASHAD cohort study
Diese Studie validierte die kardiovaskulären Risikomodelle PREVENT und SCORE2 extern in der iranischen MASHAD-Kohorte und stellte fest, dass beide Modelle zwar eine akzeptable Diskriminierung aufwiesen, das absolute Risiko jedoch signifikant unterschätzten und eine lokale Rekalibrierung erforderten, um genaue Vorhersagen für diese nahöstliche Population zu liefern.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie haben zwei sehr populäre Wettervorhersagen, PREVENT und SCORE2. Diese Vorhersagemodelle sind in Europa und den USA berühmt dafür, die Wahrscheinlichkeit vorherzusagen, mit der ein „Sturm“ (ein Herzinfarkt oder Schlaganfall) in den nächsten 10 Jahren einen Menschen treffen wird. Sie verwenden ein Standardrezept: Sie schauen sich Ihr Alter, Ihren Blutdruck, Ihren Cholesterinspiegel und ob Sie rauchen, an, um Ihnen eine prozentuale Chance zu geben, von diesem Sturm getroffen zu werden.
Die Forscher in dieser Studie wollten sehen, ob diese berühmten Vorhersagemodelle auch in Maschhad, Iran, korrekt funktionieren würden. Sie behandelten die lokale Bevölkerung wie eine neue, ungetestete Wetterzone.
Hier ist, was sie herausgefunden haben, einfach erklärt:
1. Das Problem: Die „fremden“ Vorhersagemodelle waren zu optimistisch
Als die Forscher die ursprünglichen europäischen und amerikanischen Formeln auf die iranische Bevölkerung anwandten, machten die Vorhersagemodelle einen großen Fehler: Sie waren zu optimistisch.
- Die Analogie: Stellen Sie sich einen Wetterbericht aus London vor, der einem Bauern in der Wüste sagt: „Es besteht eine Wahrscheinlichkeit von 1 % für Regen heute.“ Aber in der Wüste regnet es tatsächlich 30 % der Zeit. Der Bauer würde völlig durchnässt werden, weil die Vorhersage für seinen spezifischen Standort falsch war.
- Die Realität: Sowohl PREVENT als auch SCORE2 sagten den iranischen Menschen, dass ihr Risiko für ein Herzereignis sehr gering sei. Als die Forscher jedoch die tatsächlichen Daten über 10 Jahre betrachteten, erlitten viel mehr Menschen Herzereignisse, als die Modelle vorhergesagt hatten. Die Modelle unterschätzten die Gefahr.
2. Die Lösung: „Lokale Feinabstimmung“ (Rekalibrierung)
Die Forscher haben die Modelle nicht weggeworfen. Stattdessen führten sie eine „lokale Feinabstimmung“ durch.
- Die Analogie: Denken Sie an die Modelle wie an einen Radiosender. Die Musik (die Art und Weise, wie sie Menschen von niedrigem zu hohem Risiko einordnen) war gut, aber die Lautstärke war zu leise. Sie mussten nicht das Lied ändern; sie mussten nur den Lautstärkeregler anpassen, um zum lokalen Publikum zu passen.
- Das Vorgehen: Sie passten die Mathematik leicht an, um sie an die tatsächliche Anzahl der Herzereignisse anzupassen, die in Maschhad auftraten. Sie behielten das „Ranking“-System gleich, verschoben aber die Zahlen so, dass die Prozentsätze der Realität entsprachen.
3. Die Ergebnisse: Wer war besser?
Nach der „Feinabstimmung“ funktionierten beide Modelle viel besser, aber eines hatte einen leichten Vorsprung.
- Die Fähigkeit zur Einordnung (Diskriminierung): Beide Modelle waren gut darin, Menschen zu sortieren. Sie konnten erkennen, wer wahrscheinlicher ein Ereignis erleiden würde als jemand anderes. PREVENT war bei dieser Sortierung etwas besser als SCORE2, vergleichbar mit einer etwas schärferen Brille.
- Die Genauigkeit (Kalibrierung): Vor der Feinabstimmung lagen die Modelle bei der Menge des Risikos falsch. Nach der Feinabstimmung entsprach das vorhergesagte Risiko fast perfekt dem tatsächlichen Risiko.
- PREVENT war insgesamt etwas genauer. Dies liegt wahrscheinlich daran, dass PREVENT mehr Details berücksichtigt, wie etwa die Nierenfunktion und Diabetes, die in dieser spezifischen Gruppe von Menschen sehr verbreitet sind.
- SCORE2 ist ein einfacheres Modell (es betrachtet keinen Diabetes), aber es funktionierte dennoch gut, sobald es auf die lokale „Lautstärke“ abgestimmt wurde.
4. Warum das wichtig ist (Der „Nettonutzen“)
Die Studie nutzte ein Konzept namens „Nettonutzen“, um zu sehen, ob die abgestimmten Modelle Ärzten helfen, bessere Entscheidungen zu treffen.
- Die Analogie: Stellen Sie sich einen Sicherheitskontrolleur vor, der Taschen kontrolliert.
- Ursprüngliches Modell: Der Kontrolleur war zu entspannt und ließ viele gefährliche Taschen durch (er übersah viele Hochrisiko-Personen).
- Abgestimmtes Modell: Der Kontrolleur wurde aufmerksamer. Er stoppte mehr gefährliche Taschen (erfasste mehr Hochrisiko-Personen), stoppte aber auch versehentlich einige harmlose Taschen (senkte die „Spezifität“).
- Das Ergebnis: Die Forscher fanden heraus, dass die „abgestimmten“ Modelle es wert waren. Obwohl sie ein paar zusätzliche Personen markierten, die eigentlich sicher waren, erfassten sie erfolgreich viel mehr Menschen, die tatsächlich gefährdet waren. Im gesundheitlichen Kontext ist es besser, ein potenzielles Herzproblem frühzeitig zu erkennen, als es zu übersehen.
Zusammenfassung
Die Studie kommt zu dem Schluss, dass man einen Risiko-Rechner aus Europa oder Amerika nicht einfach kopieren und einfügen kann und erwarten kann, dass er in Iran perfekt funktioniert. Das „Rezept“ für Risiko ist an verschiedenen Orten unterschiedlich.
Die gute Nachricht ist jedoch, dass diese Werkzeuge funktionieren können, wenn man sie an die lokale Bevölkerung „kalibriert“. Sobald die Forscher die Zahlen angepasst hatten, um sie an die Realität von Maschhad anzupassen, wurden sowohl PREVENT als auch SCORE2 zu zuverlässigen Werkzeugen zur Vorhersage von Herzrisiken, wobei PREVENT einen leichten Vorteil hatte, da es mehr Gesundheitsfaktoren berücksichtigt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.