1078 Weergaven
19 Downloads
Lees verder
Het identificeren van ouderen met een verhoogd valrisico blijkt in de praktijk lastig. Op basis van data van meerdere Europese cohortstudies hebben wij predictiemodellen ontwikkeld waarmee de kans op een of meerdere valincidenten geschat kan worden. Een van de modellen hebben we ingebouwd in een klinisch beslissingsondersteuningssysteem voor het afbouwen van medicatie.

Valincidenten onder ouderen

Valincidenten zijn een groot probleem onder ouderen. Ongeveer één op drie 65-plussers valt eenmaal of vaker per jaar (Montero-Odasso et al., 2022). Onder ouderen zijn valincidenten dan ook veruit de belangrijkste oorzaak van het bezoeken van de spoedeisende hulp (VeiligheidNL, 2023). In 2020 werden in Nederland 103.000 ouderen op de spoedeisende hulp behandeld vanwege een valincident, vier keer zo veel als het aantal oudere verkeersslachtoffers (VeiligheidNL, 2023). Valincidenten brengen dus ook grote zorgkosten met zich mee. Andere gevolgen van valincidenten zijn functionele achteruitgang, vermijding van lichamelijke en sociale activiteiten, en in sommige gevallen zelfs sterfte (Montero-Odasso et al., 2022). Als gevolg van de toename van het aantal ouderen neemt het aantal valincidenten in Nederland gestaag toe (VeiligheidNL, 2023).

Valincidenten als multifactorieel probleem

Het identificeren van ouderen met een verhoogd valrisico is de hoeksteen van effectieve valpreventie. De recent gepubliceerde wereldwijde richtlijn Valpreventie schrijft artsen voor om bij thuiswonende ouderen in ieder geval de valgeschiedenisvraag te stellen: “Bent u de afgelopen 12 maanden gevallen?” (Montero-Odasso et al., 2022). De sterkste voorspeller van een toekomstig valincident is immers een eerder valincident. Valincidenten zijn echter een complex probleem waarbij ook veel andere risicofactoren van belang zijn, waaronder mobiliteitsproblemen, ondervoeding, en de ziekte van Parkinson (Montero-Odasso et al., 2022). Bovendien zijn valincidenten vaak het gevolg van medicatiebijwerkingen zoals duizeligheid en vermoeidheidsklachten (van der Velde, 2018). Met het ouder worden verandert de manier waarop het lichaam reageert op medicatie, wat de kans op bijwerkingen vergroot. Daar komt bij dat ouderen vaak meerdere medicijnen tegelijk gebruiken (van der Velde, 2018). Medicijnen die het risico op valincidenten verhogen zijn onder andere plaspillen, antidepressiva en anti-epileptica.

Het gebruik van predictiemodellen voor het schatten van valrisico

Predictiemodellen combineren gegevens om zodoende de kans op een toekomstig valincident te schatten. Gezien de multifactoriële aard van valincidenten zijn dit veelbelovende modellen om snel tot een nauwkeurige valrisicobeoordeling te komen. Eerder ontwikkelde predictiemodellen voor het schatten van valrisico hebben over het algemeen echter teleurstellende prestaties getoond. Dat uit zich met name in een lager discriminerend vermogen van die modellen (ook wel aangeduid als “area under the curve”). Dat wil zeggen dat de modellen moeite hebben om goed onderscheid te maken tussen vallers en niet-vallers bij het voorspellen. In sommige gevallen kan dit te wijten zijn aan het beperkte aantal risicofactoren dat werd meegenomen in de ontwikkeling van de modellen. In het bijzonder hebben eerdere studies doorgaans slechts een beperkt aantal of geen valrisico-verhogende medicijnen meegenomen als potentiële voorspellers. Bovendien zijn eerdere predictiemodellen vaak ontwikkeld op basis van kleinere studies met minder dan 1000 deelnemers. Gebruik van grotere datasets levert meestal beter presterende predictiemodellen op.

Onderzoek in een geharmoniseerde dataset van Europese cohortstudies onder ouderen

In een recent onderzoek (van de Loo et al., 2022) hebben we twee predictiemodellen voor het schatten van valrisico ontwikkeld op basis van data van meerdere Europese cohortstudies: één model voor het schatten van de kans op een enkel valincident en één model voor het schatten van de kans op herhaaldelijke valincidenten. Hierbij was ons doel om modellen te ontwikkelen die beter valincidenten kunnen voorspellen door het gebruik van een grote en diverse dataset en het gebruik van een groot aantal mogelijke voorspellers, waaronder medicijnen. Deze dataset bestond uit geharmoniseerde data van drie cohortstudies: de Nederlandse Longitudinal Aging Study Amsterdam (LASA) studie, de Nederlandse B-vitamins for the PRevention Of Osteoporotic Fractures (B-PROOF) studie, en de Duitse Activity and Function in the Elderly in Ulm (ActiFE Ulm) studie. We hebben deelnemers geselecteerd die 65 jaar of ouder waren en van wie follow-up gegevens beschikbaar waren. Dit resulteerde in een uiteindelijke steekproef van 5722 deelnemers. We hebben een interne-externe kruisvalidatiemethode toegepast om de prestaties van de modellen te testen. Dit hield in dat we de modellen opnieuw ontwikkelden in twee van de drie cohorten, om vervolgens het overgebleven cohort te gebruiken om de modellen te testen. Dit werd drie keer herhaald zodat alle cohorten gebruikt werden om de prestaties van de modellen te testen.

Metingen en mogelijke voorspellers

Aan respondenten werd gevraagd om voor een periode van 12 maanden alle valincidenten bij te houden op een valkalender. Voor de ontwikkeling van het model hebben we in totaal 82 mogelijke voorspellers geanalyseerd. Deze voorspellers waren gemeten aan het begin van de 12 maanden en hadden betrekking op: sociaal-demografische kenmerken, emotioneel, cognitief en lichamelijk functioneren, chronische aandoeningen, leefstijl, medicijngebruik en biomarkers, zoals vitamine B12- en D-gehaltes gemeten in het bloed.

Voorspellers voor valincidenten

We hebben data geanalyseerd van 5722 deelnemers met een mediane leeftijd van 74, waarvan 49% vrouw was. In totaal rapporteerden 1868 deelnemers (35%) tenminste één valincident en 702 deelnemers (14%) twee of meer valincidenten gedurende 1 jaar. De voorspellers in de modellen worden gepresenteerd in Tabel 1. Dit waren de voorspellers die significant geassocieerd waren met een enkel valincident en/of herhaaldelijke valincidenten. Het model voor het voorspellen van een enkel valincident bestond uit 12 voorspellers en het model voor het voorspellen van herhaaldelijke valincidenten bestond uit 10 voorspellers. Op een paar uitzonderingen na zijn de voorspellers uit de modellen ook te vinden in eerdere predictiemodellen voor het schatten van valrisico (Gade et al., 2021).

Opvallend was dat roken een beschermende factor bleek te zijn, terwijl roken bekend staat als een risicofactor voor veel chronische ziektes. Toch hebben eerdere studies een soortgelijk verband gevonden tussen roken en valrisico. Roken op late leeftijd zou mogelijk een marker kunnen zijn voor een betere resistentie tegen rook-gerelateerde ziektes, wat kan bijdragen aan een verminderd valrisico (Faulkner et al., 2009). Een hoger opleidingsniveau en een hogere score op de fluency test (die het cognitief executief functioneren meet) bleken ook geassocieerd met een hoger valrisico. Deze factoren passen bij een hogere sociaaleconomische status, waarbij alcoholgebruik weer vaker voorkomt. Daarbij hebben ouderen met een hogere sociaaleconomische status vaker een actieve leefstijl, wat het valrisico in sommige gevallen kan verhogen. Het model voor het voorspellen van een enkel valincident presteerde op vergelijkbaar niveau in vergelijking met eerder ontwikkelde modellen (Gade et al., 2021). Het model voor het voorspellen van herhaaldelijke valincidenten bleek iets beter te voorspellen dan eerdere modellen (Gade et al., 2021).

Het gebruik van een van de modellen in de praktijk

Het model voor het voorspellen van een enkel valincident hebben we geïmplementeerd in een klinisch beslissingsondersteuningssysteem voor gepersonaliseerde medicatieafbouw bij ouderen. Hierbij hebben we kleine aanpassingen gemaakt aan het model, zodat de arts op basis van gegevens uit het patiëntendossier het valrisico van een oudere automatisch kan berekenen. Het systeem visualiseert het valrisico op een begrijpelijke manier voor de arts en de patiënt. Verder geeft het systeem adviezen aan de arts over welke medicijnen het beste afgebouwd kunnen worden om het valrisico te verlagen. De effectiviteit van het hulpmiddel testen we momenteel in een interventiestudie in tien ziekenhuizen.

Meer details over de LASA, B-PROOF en ActiFE Ulm studies zijn beschreven in ons Engelstalige paper (van de Loo et al., 2022).

 Relatie tot valrisico
Hoger opleidingsniveau+
Hogere depressie score+
Hogere score op fluency test+
Visuele beperking+
Hogere body mass index
Functionele beperkingen+
Hogere handknijpkracht
Incontinentie+
Hogere systolische bloeddruk
Valgeschiedenis+
Roken
Gebruik van anti-Parkinson medicatie+
Gebruik van anti-epileptica+
Gebruik van medicijnen voor urine-incontinentie+
Gebruik van antihistaminica+
Tabel 1. Voorspellers in de predictiemodellen voor het schatten van valrisico.

Een plusteken (+) geeft aan dat de voorspeller duidt op een hoger valrisico en een minteken (-) geeft aan dat de voorspeller duidt op een lager valrisico.

Literatuurlijst

  1. Faulkner, K. A., Cauley, J. A., Studenski, S. A., Landsittel, D. P., Cummings, S. R., Ensrud, K. E., Donaldson, M. G., & Nevitt, M. C. (2009). Lifestyle predicts falls independent of physical risk factors. Osteoporosis International, 20(12), 2025–2034. https://doi.org/10.1007/s00198-009-0909-y
  2. Gade, G. V., Jørgensen, M. G., Ryg, J., Riis, J., Thomsen, K., Masud, T., & Andersen, S. (2021). Predicting falls in community-dwelling older adults: A systematic review of prognostic models. BMJ Open, 11(5), e044170. https://doi.org/10.1136/bmjopen-2020-044170
  3. Montero-Odasso, M., van der Velde, N., Martin, F. C., Petrovic, M., Tan, M. P., Ryg, J., Aguilar-Navarro, S., Alexander, N. B., Becker, C., Blain, H., Bourke, R., Cameron, I. D., Camicioli, R., Clemson, L., Close, J., Delbaere, K., Duan, L., Duque, G., Dyer, S. M., … Rixt Zijlstra, G. A. (2022). World guidelines for falls prevention and management for older adults: A global initiative. Age and Ageing, 51(9), afac205. https://doi.org/10.1093/ageing/afac205
  4. van de Loo, B., Seppala, L. J., van der Velde, N., Medlock, S., Denkinger, M., de Groot, L. C., Kenny, R.-A., Moriarty, F., Rothenbacher, D., Stricker, B., Uitterlinden, A., Abu-Hanna, A., Heymans, M. W., & van Schoor, N. (2022). Development of the ADFICE_IT Models for Predicting Falls and Recurrent Falls in Community-Dwelling Older Adults: Pooled Analyses of European Cohorts With Special Attention to Medication. The Journals of Gerontology. Series A, Biological Sciences and Medical Sciences, 77(7), 1446–1454. https://doi.org/10.1093/gerona/glac080
  5. van der Velde, N. (2018). De rol van genetische variatie bij valrisico ten gevolge van medicatiegebruik. PiL. http://www.pil-nascholing.nl/tijdschrift/editie/artikel/t/de-rol-van-genetische-variatie-bij-valrisico-ten-gevolge-van-medicatiegebruik
  6. VeiligheidNL. (2023, February 17). Feiten en cijfers valongevallen 65-plussers 2020. https://www.veiligheid.nl/kennisaanbod/infographic/feiten-en-cijfers-valongevallen-65-plussers-2020