Electronic health record (EHR)-detectable statin intolerance phenotypes: Prevalence and validation in real-world general practice

Deze studie toont aan dat de prevalentie van statine-intolerantie in de ePBRN-dataset 5,09% bedraagt en concludeert dat EHR-gebaseerde fenotyperingsalgoritmen, ondanks variërende nauwkeurigheid, vooral als ondersteunend hulpmiddel voor klinische besluitvorming en niet als definitieve diagnose moeten worden gebruikt.

De kern

🧪 De "Statinen-Probleem": Een zoektocht in de digitale dossiers

Stel je voor dat statines (cholesterolverlagende pillen) als een superheld werken in je lichaam. Ze vechten tegen hart- en vaatziekten en houden je aderen schoon. Maar net als elke superheld hebben ze soms een zwak punt: bij sommige mensen veroorzaken ze bijwerkingen, zoals spierpijn of vermoeidheid. Dit noemen we statine-intolerantie.

Het probleem is dat artsen het soms moeilijk hebben om te zeggen: "Is dit echt de pil die de pijn veroorzaakt, of is het toeval?" Soms stoppen mensen de pil te snel, en soms blijven ze hem onnodig slikken terwijl ze pijn hebben.

De onderzoekers van dit paper wilden een oplossing vinden. Ze vroegen zich af: "Kunnen we de enorme digitale dossiers van artsen (de 'Elektronische Gezondheidsdossiers' of EHR) gebruiken om automatisch te vinden wie er echt intolerant is?"

🔍 De Digitale Detectives

Om dit te doen, hebben de onderzoekers zes verschillende "digitale detectives" (algoritmen) uit verschillende landen opgestart. Denk hierbij aan zes verschillende zoekopdrachten in een gigantische bibliotheek van medische dossiers. Elke detective had een eigen lijstje met regels om een "slachtoffer" te vinden:

1. De strenge detective: Zoekt alleen naar mensen met extreem hoge spierwaarden in hun bloed.
2. De ruime detective: Zoekt naar iedereen die de pil heeft gestopt, zelfs als de reden niet helemaal duidelijk is.
3. De internationale detectives: Regels uit de VS, Japan, Singapore en het VK.

Ze draaiden deze detectives door de dossiers van bijna 16.000 mensen in Sydney die statines kregen voorgeschreven om hartproblemen te voorkomen.

📊 Wat vonden ze? (De Verassingen)

1. Het aantal is lager dan gedacht
Ze ontdekten dat ongeveer 5% van de mensen echt intolerant was. Dat klinkt als een klein getal, maar het is aan het lage eind van wat we wereldwijd verwachten (vaak wordt geschat op 5-15%).

• De Metafoor: Stel je voor dat je een visnet trekt in een meer. Als je een heel strak net gebruikt (strenge regels), vang je minder vissen dan met een wijd net. De onderzoekers gebruikten een vrij strak net, daarom vingen ze minder "intolerante" patiënten.

2. Geen enkele detective was perfect
Dit is het belangrijkste punt: Geen enkele van de zes digitale detectives kon het 100% goed doen.

• De Singaporese detective (B) was de beste in het opsporen van mensen die misschien problemen hebben (ze miste er bijna geen, maar riep soms ook onterecht "alarm" bij mensen die het wel goed hadden).
• De Japanse detective (SAMT) was de beste in het bevestigen van problemen (als zij zei "ja, dit is een probleem", dan was het bijna zeker waar, maar ze misten wel veel mensen die het wel hadden).

3. De "Gouden Standaard" was handwerk
Om te controleren welke detective goed was, moesten twee echte mensen (artsen) handmatig duizenden dossiers doorbladeren. Dit was als het controleren van een hele berg post met de hand, om te zien wie er echt een probleem had. Dit bleek de enige manier om de "waarheid" te vinden, omdat computers niet kunnen voelen of iemand echt pijn heeft of niet.

💡 Wat betekent dit voor de praktijk?

De onderzoekers trekken een belangrijke conclusie die we als een wekker kunnen zien:

De digitale detectives zijn geen diagnose-apparaten, maar hulpmiddelen.

Je kunt de computer niet blindelings vertrouwen om te zeggen: "Jij bent intolerant, stop met de pil."

• De analogie: Stel je voor dat je een metaaldetector gebruikt op het strand. Als hij piept, betekent het niet automatisch dat je een gouden ring hebt gevonden. Het kan ook een blikje zijn. Je moet het grondje nog even met je hand uitgraven (de arts moet met de patiënt praten) om te zien wat het echt is.

🚀 De Aanbeveling: Een Tweestapsplan

De beste manier om dit te gebruiken, is een tweestapsplan:

1. Gebruik de Singaporese detective om een lijst te maken van mensen die misschien problemen hebben (zoals een alarmbel).
2. Laat de Japanse detective (of een menselijke arts) deze lijst controleren om te zien wie het echt is.

🏁 Conclusie in het kort

Dit onderzoek laat zien dat we slimme computers kunnen gebruiken om patiënten te vinden die misschien last hebben van hun medicijnen. Maar de computer is niet de dokter. Menselijke oordeelsvorming en het gesprek met de patiënt blijven onmisbaar. De technologie is een geweldig hulpmiddel om de weg te vinden, maar de arts moet de beslissing nemen.

Kort samengevat: De digitale zoektocht werkt, maar we moeten de resultaten altijd met een menselijke hand controleren voordat we de pil laten staan.

Technische samenvatting

Titel: EHR-detecteerbare fenotypen van statine-intolerantie: Prevalentie en validatie in de algemene praktijk

Auteurs: Shagoofa Rakhshanda et al. (UNSW Sydney, Australië)

---

1. Het Probleem

Statines zijn de hoeksteen in de preventie van cardiovasculaire ziekten (CVD), maar een aanzienlijk deel van de patiënten meldt "statine-intolerantie". Dit leidt vaak tot stopzetting van de behandeling, wat het risico op CVD verhoogt.

• Definitie-uitdaging: Er bestaat geen universele taxonomie voor statine-intolerantie. Verschillende organisaties (zoals ILEP, NLA, EAS) gebruiken verschillende definities, variërend van milde spierklachten tot ernstige creatinekinase (CK)-verhogingen.
• Data-uitdaging: In elektronische gezondheidsrecords (EHR) is het moeilijk om echte intolerantie te onderscheiden van nocebo-effecten (klachten door verwachtingen) of niet-statine-gerelateerde oorzaken.
• Doel: Het identificeren en valideren van geautomatiseerde, regelgebaseerde algoritmen (elektronische fenotypen) om statine-intolerantie te detecteren in EHR-data, specifiek voor patiënten met primaire preventie van CVD.

2. Methodologie

De studie gebruikte een vierfasige methodologie op basis van de Electronic Practice Based Research Network (ePBRN) dataset uit Zuidwest-Sydney (Australië).

• Dataset:

  • Bron: ePBRN Linked Dataset (249.345 patiënten, 11 huisartsenpraktijken, periode 2012-2019).
  • Selectiecriteria: Patiënten >18 jaar die voor het eerst een statine kregen (indexdatum), zonder voorgeschiedenis van CVD (primaire preventie), met minimaal 2 jaar follow-up en 3+ bezoeken.
  • Uitsluiting: Patiënten >80 jaar, overleden tijdens follow-up, of met bestaande CVD.
  • Eindgroep voor analyse: 15.583 patiënten.

• Fase 1: Identificatie van Algoritmen:

  • Een literatuurreview leverde zes bestaande, regelgebaseerde fenotyperingsalgoritmen op:
    1. Minnesota Combined Rule-Based (CRB)
    2. Japan - Statin induced myopathy (SIMs)
    3. USA - SIMs
    4. Singapore - SIMs (Algoritmen A, B, C en D)
    5. Japan - Statin-associated muscle toxicity (SAMT)
    6. NHS-UK - Statin intolerance pathway
  • Deze algoritmen gebruiken gestructureerde data (diagnosecodes, medicatie, labwaarden zoals CK).

• Fase 2: Referentiestandaard (Ground Truth):

  • Een subset van 1.369 patiënten werd handmatig geannoteerd door twee onderzoekers.
  • Definitie: De Europese Atherosclerose Vereniging (EAS)-definitie werd gebruikt als klinische referentiestandaard (strakke definitie: SAMS + CK-verhoging + temporeel verband).
  • Validatie: Inter-Annotator Agreement (IAA) werd berekend met Cohen's Kappa (0.894), wat een hoge overeenkomst aangeeft.

• Fase 3 & 4: Implementatie en Validatie:

  • De zes algoritmen werden uitgevoerd op de ePBRN-data.
  • De resultaten werden vergeleken met de handmatig geannoteerde referentiestandaard.
  • Prestatie-indicatoren: Nauwkeurigheid (Accuracy), Sensitiviteit, Specificiteit, Positief Voorspellende Waarde (PPV), Negatief Voorspellende Waarde (NPV), F1-score, en correlatiecoëfficiënten (MCC, PCC).

3. Belangrijkste Resultaten

• Prevalentie:

  • De gevonden prevalentie van statine-intolerantie in de ePBRN-dataset was 5,09% (794 van de 15.583 patiënten).
  • Dit ligt aan de onderkant van het wereldwijd gerapporteerde bereik van 5-15%. De auteurs wijzen dit toe aan de strikte EAS-definitie die werd gebruikt voor de referentiestandaard.

• Demografie:

  • Intolerante patiënten waren gemiddeld iets ouder (58,4 vs 55,8 jaar) en vaker vrouw (55,9%) dan de totale populatie.
  • De meeste intolerante patiënten gebruikten moderate intensiteit statines (71,9%).

• Validatie van Algoritmen:

  • Geen enkel algoritme presteerde perfect in zowel screening als bevestiging.
  • Singapore SIMs-B: Toonde de beste sensitiviteit (92,95%), nauwkeurigheid (57,05%) en F1-score (71,51%). Dit maakt het een sterke kandidaat voor screening (het vinden van potentiële gevallen).
  • Japan SAMT: Toonde de beste specificiteit (99,13%) en PPV (76,19%). Dit maakt het een sterke kandidaat voor bevestiging (het zeker weten dat een patiënt intolerant is).
  • ROC AUC: Alle algoritmen hadden een lage discriminatiekracht (AUC 0,50 – 0,52), wat aangeeft dat ze moeilijk tussen tolerant en intolerant onderscheid kunnen maken zonder extra klinische context.

4. Bijdragen en Significatie

• Technische Validatie: Dit is een van de eerste studies die meerdere internationale EHR-algoritmen voor statine-intolerantie direct valideert tegen een handmatig geannoteerde referentiestandaard in een algemene praktijksetting.
• Klinische Implicatie:
  • De studie concludeert dat geen enkel algoritme op zichzelf voldoende is als definitief diagnostisch hulpmiddel.
  • Aanbevolen Workflow: Een tweestapsbenadering wordt voorgesteld:
    1. Gebruik Singapore SIMs-B voor screening om patiënten te flaggen die mogelijk intolerant zijn (hoge sensitiviteit).
    2. Gebruik Japan SAMT om deze gevallen te bevestigen voordat therapie wordt gewijzigd (hoge specificiteit).
• Rol van Klinische Oordeelsvorming: EHR-fenotypen moeten worden gezien als beslissingsondersteuning en niet als definitieve diagnose. Klinisch oordeel en patiëntengagement blijven essentieel om nocebo-effecten en echte intolerantie te onderscheiden.
• Beperkingen: De resultaten zijn contextspecifiek (Australische huisartsenpraktijk) en afhankelijk van de kwaliteit van de documentatie in de EHR. De variatie in CK-waarden per etniciteit werd niet volledig meegenomen, wat een bron van bias kan zijn.

Conclusie: Hoewel regelgebaseerde algoritmen nuttig zijn voor het identificeren van cohorten in grote datasets, vereist de definitieve diagnose van statine-intolerantie een combinatie van geautomatiseerde screening, bevestiging en menselijke evaluatie.