Utility of glucose, lipid and kidney function Trajectory Measures for incident Cardiovascular Disease risk prediction for people living with Type 2 Diabetes: a case-study using Danish registry data

De studie met Deense registergegevens toont aan dat het toevoegen van trajectmaten voor variabiliteit en verandering in HbA1c, LDL-cholesterol en eGFR aan bestaande risicomodellen de voorspelling van cardiovasculaire ziekte bij mensen met type 2-diabetes enigszins verbetert, met name door een betere net-herrangschikking, hoewel de toename in discriminatie minimaal blijft.

De kern

De Reis van Je Gezondheid: Waarom één foto niet genoeg is

Stel je voor dat je gezondheid een lange auto-rit is. De meeste artsen kijken naar je risico op een hartaanval (een "ongeluk" op die rit) door naar één foto te kijken die ze net hebben gemaakt. Ze kijken naar je suikergehalte, je cholesterol en je nieren op vandaag.

Deze nieuwe studie uit Denemarken zegt: "Wacht even! Een foto is leuk, maar het vertelt ons niet of je auto al een tijdje schokkerig rijdt, of dat je gaspedaal steeds harder wordt ingetrapt, of dat je remmen trillen."

De onderzoekers wilden weten: Is het nuttig om naar de hele reis te kijken in plaats van alleen naar het moment van de foto? Ze keken naar de "reisverloop" (de trajectory) van drie belangrijke dingen bij mensen met diabetes type 2:

1. HbA1c (je suikergehalte over tijd).
2. LDL-cholesterol (het "slechte" vet in je bloed).
3. eGFR (hoe goed je nieren werken).

Wat hebben ze gedaan?

Ze keken naar de medische dossiers van 83.000 mensen met diabetes in Denemarken. In plaats van alleen te kijken naar de laatste meting, keken ze naar alle metingen van de afgelopen 3 jaar. Ze berekenden twee soorten "reisverloop":

1. De gemiddelde waarde (De gemiddelde snelheid): Was de suiker gemiddeld hoog? (Dit wisten ze al uit de foto).
2. De schommeling en verandering (De ruwe rit):
   • Schommeling: Kwam de suiker vaak van 5 naar 10 en weer terug? (Onstabiel).
   • Verandering: Ging de suiker of het cholesterol langzaam maar zeker omhoog, alsof je auto steeds zwaarder wordt?

Wat ontdekten ze?

Hier komt het interessante deel, verteld in simpele termen:

• De "Gemiddelden" waren saai: Het gemiddelde suikergehalte of het gemiddelde cholesterol gaf geen extra informatie. Als je gemiddelde suiker hoog is, wisten we dat al.
• De "Ruwe Rit" was gevaarlijk: Mensen bij wie de waarden veel schommelden (op en neer) of steeds slechter werden (een steile helling omhoog), hadden een grotere kans op een hartaanval.
  • Vooral bij cholesterol was dit duidelijk: Mensen wier cholesterol waarden wilden "danssen" of snel omhoog gingen, hadden veel meer risico.
  • Bij suiker en nieren was het effect kleiner, maar wel aanwezig.

Hoeveel helpt dit voor de arts?

Stel je voor dat je een voorspellingsmodel hebt dat zegt: "Jij hebt 20% kans op een hartaanval."
Als je de "reisverloop"-gegevens toevoegt:

• De voorspelling wordt niet perfect: Het model wordt niet plotseling 100% goed. Het wordt slechts een heel klein beetje scherper (zoals een foto die net iets scherper wordt).
• Maar de indeling wordt beter: Het helpt de arts om mensen die echt in de gevarenzone zitten, beter te herkennen. Het is alsof je een extra bril opzet: je ziet niet de hele wereld anders, maar je ziet de gaten in de weg net iets duidelijker.

In de studie bleek dat door naar de "reis" te kijken, ze ongeveer 3 tot 9% meer mensen konden herkennen die echt risico liepen, vergeleken met alleen naar de laatste foto te kijken.

Wat betekent dit voor jou?

1. Stabiliteit is koning: Het is niet alleen belangrijk dat je waarden "goed" zijn, maar ook dat ze stabiel blijven. Grote schommelingen zijn slecht voor je hart, zelfs als het gemiddelde goed lijkt.
2. Gebruik je oude data: Je arts heeft waarschijnlijk al jarenlang metingen in je dossier. Deze studie zegt: "Gebruik die oude data!" Het is gratis en makkelijk om te kijken of je waarden stabiel zijn of juist wild gaan bewegen.
3. Geen wondermiddel: Het is geen magische oplossing die alles oplost. Het helpt een beetje, maar het is geen vervanging voor gezonde leefstijl en medicijnen.

Kortom:
Vroeger keken artsen alleen naar de laatste foto van je gezondheid. Deze studie zegt: "Kijk ook naar de video van de afgelopen jaren!" Als je gezondheid in die video steeds meer schokt of verslechtert, is dat een belangrijk signaal dat je arts moet zien, zelfs als de laatste foto er nog redelijk uitziet. Het is een slimme, goedkope manier om je hart iets beter te beschermen.

Technische samenvatting

Titel: Nut van trajectmaatregelen voor glucose, lipiden en nierfunctie voor het voorspellen van incidentie van cardiovasculaire ziekte bij mensen met type 2-diabetes: een case-study met Deense registerdata.

1. Probleemstelling

Cardiovasculaire ziekte (CVD) is een veelvoorkomende en ernstige complicatie bij type 2-diabetes (T2D), verantwoordelijk voor 30-50% van de sterfte in deze populatie. Huidige risicovoorspellingsmodellen voor CVD bij T2D-patiënten vertonen slechts een gemiddelde prestatie (C-index rond de 0,7). Deze modellen baseren zich doorgaans op enkele basale metingen (de meest recente waarde op één tijdstip) van risicofactoren. Dit benadert de dynamiek van de ziekte onvoldoende, aangezien individuele variabiliteit en veranderingen in de tijd (trajecten) van risicofactoren zoals HbA1c, LDL-cholesterol en eGFR mogelijk waardevolle voorspellende informatie bevatten die in een enkel punt wordt gemist. Er is een gebrek aan onderzoek naar de toegevoegde waarde van longitudinale trajectmaatregelen specifiek voor T2D-populaties.

2. Methodologie

• Studieontwerp: Een registergebaseerde multivariabele prognostische modelleringstudie met interne validatie.
• Populatie: 83.326 personen met T2D uit Deense landelijke registers. Inclusiecriteria: geen voorgeschiedenis van CVD op 1 januari 2015 (baseline) en minimaal 2 geregistreerde metingen van HbA1c, LDL-cholesterol en eGFR in de periode 2012-2014.
• Data Bronnen: Koppeling van registers via het unieke burgeridentificatienummer (CPR):
  • Burgerregistratiesysteem: Leeftijd, geslacht, vitaliteit.
  • Nationaal Patiëntenregister: Diagnoses (ICD-10) voor CVD-voorvallen.
  • Register van Laboratoriumresultaten (RLRR): Klinische labwaarden (HbA1c, lipiden, eGFR).
  • Voorschrijfregister: Medicatiegebruik (ATC-codes).
• Trajectmaatregelen: Voor elke participant werden drie typen gepaarde maatregelen berekend over de 3 jaar voorafgaand aan baseline:
  1. Gemiddelde & Standaarddeviatie (SD).
  2. Mediaan & Interkwartielafstand (IQR).
  3. Intercept & Helling (slope) uit een gefit groeimodel (lineair mixed model).
     Deze werden berekend voor HbA1c, LDL-cholesterol en eGFR.
• Statistische Analyse:
  • Referentiemodel: Cox-regressie met alleen basale metingen (leeftijd, geslacht, duur T2D, HbA1c, LDL, HDL, eGFR, medicatie).
  • Trajectmodellen: Sequentiële toevoeging van de trajectmaatregelen aan het referentiemodel.
  • Eindpunt: Major Adverse Cardiovascular Events (MACE): niet-dodelijke ischemische hartziekte, beroerte, hartfalen of CVD-sterfte (volgsperiode 2015-2020).
  • Prestatiemaatregelen: Hazard Ratio's (HR), C-index (discriminatie) en Net Reclassification Index (NRI).

3. Belangrijkste Resultaten

• Patiëntkarakteristieken: Gemiddelde leeftijd 65 jaar, 48% vrouw. Medianen bij baseline: HbA1c 48 mmol/mol, LDL 2,1 mmol/L, eGFR 83 mL/min/1,73m².
• Incidentie: Tijdens een mediane follow-up van 6 jaar traden er 11.280 CVD-voorvallen op (13,5%).
• Associaties met CVD:
  • Dispersie en verandering: Maatregelen die variabiliteit (SD, IQR) of verandering over tijd (slope) weergeven, waren significant geassocieerd met een hoger risico op MACE.
    • LDL-cholesterol: Slope toonde de sterkste associatie (HR 1,48; 95% CI 1,25-1,76). Variabiliteit (SD/IQR) was ook sterk geassocieerd (HR ~1,12-1,15).
    • HbA1c: Slope (HR 1,16) en SD (HR 1,08) waren significant.
    • eGFR: SD en IQR waren significant geassocieerd (HR ~1,12-1,20).
  • Centrummaten: Maatregelen voor het gemiddelde niveau (mean, median, intercept) toonden geen significante associatie met CVD-voorvallen na correctie voor de basale metingen.
• Voorspellende Prestatie:
  • Discriminatie (C-index): De toevoeging van trajectmaatregelen leidde tot slechts minimale verbeteringen in discriminatie (toename C-index van +0,001 tot +0,003).
  • Reclassificatie (NRI): Er was een bescheiden maar meetbare verbetering in net reclassificatie, variërend van +3% tot +9% (bijv. +7,9% voor HbA1c intercept & slope).
  • Gecombineerd model: Een model dat trajectmaatregelen van alle drie de domeinen combineerde, leverde de beste verbetering op (C-index +0,003, NRI +9,0%).

4. Belangrijkste Bijdragen

1. Eerste studie in T2D-populatie: Dit is een van de eerste studies die specifiek de waarde van trajectmaatregelen voor HbA1c, LDL en eGFR onderzoekt bij mensen met T2D, gebruikmakend van grote, landelijke registers.
2. Distinction tussen niveau en variabiliteit: Het onderzoek benadrukt dat niet het gemiddelde niveau over tijd, maar juist de variabiliteit (dispersie) en de richting van verandering (slope) voorspellende waarde hebben voor CVD-risico.
3. Pragmatische toepassing: Het toont aan dat waardevolle risicofactoren kunnen worden afgeleid uit routinematig verzamelde elektronische gezondheidsgegevens (EHR) zonder extra kosten of ingewikkelde nieuwe biomarkers.
4. Subgroepanalyse: Er werden signalen gevonden dat de toegevoegde waarde mogelijk groter is bij mannen en oudere leeftijdsgroepen (>40 jaar), waar basale modellen vaak minder goed presteren.

5. Betekenis en Conclusie

Hoewel trajectmaatregelen van glucose, lipiden en nierfunctie statistisch significant geassocieerd zijn met incident CVD en leiden tot een bescheiden verbetering in risicoreclassificatie (NRI), zijn de verbeteringen in discriminatie (C-index) klein. Dit suggereert dat deze maatregelen op zichzelf geen "turnkey" klinisch hulpmiddel zijn dat de huidige modellen fundamenteel transformeert.

Echter, gezien de beschikbaarheid in bestaande registers, vormen ze een pragmatische en kosteneffectieve aanvulling op bestaande risicomodellen. De auteurs concluderen dat voor klinisch betekenisvolle verbeteringen in CVD-risicopreditie bij T2D, trajectmaatregelen waarschijnlijk moeten worden gecombineerd met geavanceerde modelleringstechnieken, langere historische vensters en aanvullende risicovoorspellers (zoals nieuwe biomarkers of polygenische scores). De studie biedt een bewezen raamwerk voor het gebruik van longitudinale registerdata om de zorg voor diabetespatiënten te verfijnen.