Advertisement

Huisarts en wetenschap

, Volume 61, Issue 5, pp 18–19 | Cite as

Nieuwe mogelijkheden bij cardiovasculaire risico-inschatting

  • Michiel Bots
Opinie
  • 41 Downloads

Samenvatting

Wanneer we de kans dat een patiënt binnen de komende tien jaar klachten van hart- en vaatziekten krijgt kunnen schatten, om daar vervolgens beleidsconsequenties aan te verbinden, wordt het mogelijk om gericht preventief te handelen. Er zijn veel verschillende CVRM-voorspelregels bedacht, die variëren in het aantal en soort voorspellende factoren. Slechts enkele daarvan zijn gevalideerd. Hoewel de roep om verbetering van de CVRM-voorspelregels al geruime tijd klinkt, is de bewijsvoering nog steeds beperkt. Nieuwe mogelijkheden dienen zich echter aan.

Literatuur

  1. 1.
    Harskamp RE, Van Peet PG, Peters MJ, Van Weert HC. Cardiovasculair risico-inschatting: een toekomstverkenning. Huisarts Wet 2018;61(5):https://doi.org/10.1007/s12445-018-0121-4.Google Scholar
  2. 2.
    NHG-Standaard Cardiovasculair risicomanagement (tweede herziening). Huisarts Wet 2012;55:14-28.Google Scholar
  3. 3.
    Damen JA, Hooft L, Schuit E, Debray TP, Collins GS, Tzoulaki I, et al. Prediction models for cardiovascular disease risk in the general population: systematic review. BMJ 2016;353:i2416.Google Scholar
  4. 4.
    Piepoli MF, Hoes AW, Agewall S, Albus C, Brotons C, Catapano AL, et al. 2016 European Guidelines on cardiovascular disease prevention in clinical practice. Eur Heart J 2016;37:2315-81.Google Scholar
  5. 5.
    Vonder M, Van der Aalst CM, Vliegenthart R, Van Ooijen PMA, Kuijpers D, Gratama JW, et al. Coronary artery calcium imaging in the ROBINSCA trial: rationale, design, and technical background. Acad Radiol 2018;25:118-128.Google Scholar
  6. 6.
    Den Ruijter HM, Peters SA, Anderson TJ, Britton AR, Dekker JM, Eijkemans MJ, et al. Common carotid intima-media thickness measurements in cardiovascular risk prediction: a meta-analysis. JAMA 2012;308:796-803.Google Scholar
  7. 7.
    Rumsfeld JS, Joynt KE, Maddox TM. Big data analytics to improve cardiovascular care: promise and challenges. Nat Rev Cardiol 2016;13:350-9.Google Scholar
  8. 8.
    Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N. Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLoS One 2017;12:e0174944.Google Scholar
  9. 9.
    Obermeyer Z, Emanuel EJ. Predicting the future – big data, machine learning, and clinical medicine. N Engl J Med 2016;375:1216-9.Google Scholar
  10. 10.
    Neff G. Why big data won’t cure us. Big Data 2013;1:117-123.Google Scholar
  11. 11.
  12. 12.
    Riley RD, Ensor J, Snell KI, Debray TP, Altman DG, Moons KG, et al. External validation of clinical prediction models using big datasets from e-health records or IPD meta-analysis: opportunities and challenges. BMJ 2016;353:i3140.Google Scholar
  13. 13.
    Collins GS, Reitsma JB, Altman DG, Moons KG. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): the TRIPOD statement. BMJ 2015;350:g7594.Google Scholar

Copyright information

© Bohn Stafleu van Loghum is een imprint van Springer Media B.V., onderdeel van Springer Nature 2018

Authors and Affiliations

  1. 1.Arts-epidemioloog, hoogleraar Epidemiologie van cardiovasculaire aandoeningenJulius Centrum voor Gezondheidswetenschappen en Eerstelijns Geneeskunde, Universitair Medisch Centrum UtrechtUtrechtNederland

Personalised recommendations