An algorithmic process to develop clinical practice guideline recommendations based on meta-analyses of the relevant evidence

Stel je voor dat je een detective bent die een mysterie probeert op te lossen: "Helpt deze specifieke behandeling patiënten werkelijk om beter te worden?" In de wereld van fysiotherapie gaat dit niet alleen over gissen; het gaat over het opstellen van Clinical Practice Guidelines (CPG's). Zie deze richtlijnen als het ultieme regelboek of de kaart die therapeuten gebruiken om te beslissen wat de beste manier is om mensen te helpen herstellen. Om een goede kaart te maken, moet je naar alle aanwijzingen (wetenschappelijke studies) kijken en ontdekken wat ze echt samen betekenen.

Meestal proberen wetenschappers deze aanwijzingen te combineren met een methode die meta-analyse wordt genoemd. Stel je voor dat je honderd verschillende mensen hebt die vertellen hoe lang een specifieke reis heeft geduurd. Sommigen zeggen 10 minuten, anderen 12 en weer anderen 8. Een meta-analyse is als een super slimme rekenmachine die niet alleen telt hoeveel mensen "10 minuten" zeiden (wat misleidend kan zijn); in plaats daarvan weegt het elke melding op basis van hoeveel mensen er in die groep zaten en hoe betrouwbaar het verhaal is, om zo één precies gemiddeld antwoord te krijgen. Het grote probleem is dat, hoewel deze "super-rekenmachine" de gouden standaard is voor het vinden van de waarheid, de meeste richtlijnen in de fysiotherapie deze methode hebben genegeerd. In plaats daarvan hebben ze vertrouwd op een "stem-telling"-methode — in feite vragen: "Zeiden meer studies 'ja' dan 'nee'?" — wat is alsoals besluiten dat het zonnig is omdat meer mensen zeiden dat het "zonnig" was, zelfs als degenen die "zonnig" zeiden in de schaduw stonden. Dit artikel pakt het rommelige, subjectieve deel van het maken van deze richtlijnen aan en probeert menselijke gokwerk te vervangen door een helder, stapsgewijs algoritme.

---

Het Algoritme: Aanwijzingen omzetten in een Regelboek

Dit artikel is in feite een "hoe-te-doen"-handleiding voor een team van fysiotherapie-experts die besloten te stoppen met gissen en te beginnen met rekenen. Ze wilden een nieuwe, super betrouwbare manier creëren om hun regelboek te schrijven voor het helpen van mensen om weer te leren lopen na een beroerte. In plaats van een groep experts rond een tafel te laten zitten en te laten discussiëren over wat "voelt" als een goede behandeling, bouwden ze een besluitvormingsmachine (een algoritme) die de ruwe cijfers uit hun "super-rekenmachine" (de meta-analyse) neemt en een duidelijke aanbeveling uitspuugt.

Hier is hoe hun nieuwe systeem werkt, stap voor stap:

1. Bewijs verzamelen en controleren op vervalsingen
Eerst vonden ze 296 studies over herstel na een beroerte. Maar niet alle aanwijzingen zijn betrouwbaar. Ze gebruikten een speciale checklist (genaamd RoB-2) om te controleren op "bias", wat vergelijkbaar is met controleren of een getuige een reden heeft om te liegen. Als een studie te rommelig was of te veel rode vlaggen had, gooiden ze deze eruit. Ze hielden alleen de kwalitatief hoogwaardige bewijslast over.

2. Appels met appels groeperen
Je kunt een studie over "rennen op een loopband" niet vergelijken met een studie over "zwemmen" en een eerlijk resultaat verwachten. Het team groepeerde studies die exact hetzelfde deden heel zorgvuldig. Ze keken naar specifieke zaken zoals "loopsnelheid" of "hoe ver iemand in 6 minuten kan lopen". Ze moesten zelfs wat wiskundige magie toepassen om verschillende looptesten (zoals een 2-minutenloop) om te zetten naar een standaard "6-minutenloop"-afstand, zodat alles eerlijk vergeleken kon worden.

3. De "Super-rekenmachine" (Meta-analyse)
Zodra de groepen gesorteerd waren, voerden ze de meta-analyse uit. Dit telde niet alleen stemmen; het combineerde de werkelijke cijfers van elke studie om het ware gemiddelde effect te vinden. Ze stelden twee grote vragen:

• Is het resultaat echt? (Statistische significantie)
• Is het resultaat groot genoeg om ertoe te doen? (Klinische relevantie)

Om de tweede vraag te beantwoorden, gebruikten ze een drempelwaarde voor een "Betekenisvol Verschil". Denk hierbij aan een drempel of een snelheidsopwelling. Als een behandeling een patiënt slechts 0,01 meter/seconde sneller laat lopen, is dat een echt getal, maar het is te klein om er in het echte leven toe te doen. Maar als het hen 0,16 m/s sneller laat lopen (een getal dat ze kozen op basis van eerder onderzoek), dan is dat een gamechanger. Het algoritme controleert of de behandeling deze drempel passeert.

4. De Beslissingsmachine
Dit is het coolste deel. Ze bouwden een stroomdiagram (een algoritme) dat de wiskundige resultaten en de "betrouwbaarheidsscore" (genaamd GRADE) neemt en automatisch een aanbeveling toewijst. Er zijn vijf mogelijke uitkomsten:

• Sterke aanbeveling: De wiskunde zegt "Ja, het werkt", de zekerheid is hoog en de verbetering is groot genoeg om ertoe te doen. Het regelboek zegt: "Clinici zouden dit moeten gebruiken."
• Voorwaardelijke aanbeveling: Het werkt waarschijnlijk wel, maar misschien niet voor iedereen, of de zekerheid is niet 100%. Het regelboek zegt: "Clinici zouden dit kunnen overwegen te gebruiken."
• Geen aanbeveling vóór of tegen: Dit is een nieuwe categorie die ze hebben uitgevonden. Soms laat de wiskunde zien dat de behandeling geen betekenisvol verschil maakt vergeleken met de gebruikelijke zorg. Omdat de "gebruikelijke zorg" is wat patiënten sowieso krijgen, kun je niet zeggen: "Doe het niet." Je zegt alleen: "Het voegt geen extra waarde toe, dus geef prioriteit aan andere zaken als je die hebt."
• Tegen: De behandeling is eigenlijk schadelijk of slechter dan niets doen. Het regelboek zegt: "Gebruik dit niet."
• Onvoldoende bewijs: De gegevens zijn te rommelig of ontbreken. Het regelboek zegt: "We hebben meer onderzoek nodig."

5. Conflicten afhandelen
Wat als één deel van de behandeling geweldig werkt, maar een ander deel niet? Het algoritme heeft ook regels voor dit soort situaties. Als aan de criteria voor een "Sterke" aanbeveling wordt voldaan, maar één specifiek onderdeel laat geen voordeel zien, degradeert het algoritme de aanbeveling automatisch naar "Voorwaardelijk". Het is als een vangnet dat voorkomt dat het team te enthousiast wordt over een behandeling die slechts de helft van de tijd werkt.

Waarom dit belangrijk is

De auteurs ontdekten dat ze door dit strikte, op wiskunde gebaseerde algoritme te gebruiken, veel van de "menselijke mening" uit het proces konden verwijderen. In het verleden konden verschillende groepen experts naar dezelfde gegevens kijken en verschillende regelboeken opstellen omdat ze een andere mening hadden over wat "goed genoeg" was. Deze nieuwe methode maakt het proces reproduceerbaar. Als je hetzelfde team dezelfde gegevens geeft en zij gebruiken ditzelfde algoritme, zouden ze hetzelfde antwoord moeten krijgen.

Ze benadrukten ook dat deze aanpak hard werk is. Ze moesten gegevens extraheren uit 186 studies en 309 verschillende meta-analyses uitvoeren! Het vereiste veel wiskunde en computerprogrammering. Ze hebben echter al hun tools en spreadsheets online gedeeld, zodat andere teams ze ook kunnen gebruiken.

Het artikel beweert niet dat ze elk probleem in de geneeskunde hebben opgelost. Ze geven toe dat het vinden van de perfecte "betekenisvolle verschil"-getallen (de drempels) nog steeds lastig is en dat het proces tijdrovend is. Maar ze hebben succesvol aangetoond dat het mogelijk is om een regelboek te bouwen waarbij de wiskunde de beslissing stuurt, en niet alleen de meningen van de mensen in de kamer. Door dit te doen, hopen ze dat de fysiotherapeutische zorg consistenter, eerlijker en effectiever wordt voor iedereen.