🇸🇪 Score d'Apfel pour les nausées et vomissements postopératoires

Klinisk bakgrund

Postoperativt illamående och kräkning (PONV) drabbar ungefär en tredjedel av alla vuxna som genomgår generell anestesi, och andelen stiger till över 70 % hos högriskpatienter. Utan riskstratifiering blir profylax antingen allmän, med onödig läkemedelsexponering och biverkningar för lågriskpatienter, eller reaktiv, med försenad lindring för dem som drabbas. Apfel Score fyller funktionen att före ingreppet särskilja patienter där profylax är motiverad från dem där den inte är det, och att styra valet mellan monoprofylax och multimodal antiemetisk strategi.

Beräkning av Apfel Score

Poängen är summan av fyra binära prediktorer:

$$\text{Apfel Score} = \text{Kvinnligt kön} + \text{Icke-rökare} + \text{Tidigare PONV eller åksjuka} + \text{Postoperativa opioider planerade}$$

Varje variabel tilldelas 0 (Nej) eller 1 (Ja). Det finns inga vikter; en patient med tre av fyra faktorer får poäng 3 oavsett vilka tre det är.

Härledningskohorten utgjordes av 2 722 vuxna patienter (520 i Oulu, Finland, och 2 202 i Würzburg, Tyskland) som genomgick inhalationsanestesi utan antiemetisk profylax vid olika typer av kirurgi [1]. Utfallet var illamående eller kräkning inom 24 timmar efter operation. De fyra prediktorerna identifierades genom logistisk regression och valdes eftersom en förenkling från kontinuerliga koefficienter till binära variabler inte försämrade diskriminerande förmåga nämnvärt. Korsvalidering mellan de två centren visade ingen centereffekt (OR 1,06, 95 % KI 0,71 till 1,59) [1].

Tolkning i praktiken

Riskprocenterna för 0 till 4 faktorer härrör direkt från härledningskohorten:

Tröskeln för att överväga profylaktisk antiemetisk strategi sattes i härledningsstudien vid två eller flera faktorer [1]. Detta bekräftas av de fjärde konsensusriktlinjerna för PONV, som rekommenderar riskstratifiering och stegvis profylax utifrån antalet riskfaktorer, med multimodal profylax vid förhöjd risk [2].

Validering och prestanda

I den ursprungliga korsvalideringen mellan Oulu och Würzburg uppnådde poängen en AUC på 0,65 till 0,75, och den förenklade versionen bibehöll en AUC på 0,63 till 0,73 [1].

I en jämförande studie av sex prediktiva modeller för PONV på 1 566 patienter under balanserad anestesi utan profylax presterade Apfel Score bäst bland de förenklade modellerna med en AUC på 0,68 [3]. Kalibreringen var utmärkt: regressionen mellan förutsagd och observerad incidens gav $y = 0{,}82x + 0{,}01$ med $r^2 = 0{,}995$, vilket innebär att poängen systematiskt överskattar risken något men bevarar rangordningen väl [3]. Apfel Score krävde färst parametrar av alla jämförda modeller (fyra mot upp till fjorton) och rekommenderades för kliniskt bruk och för gruppjämförelser i antiemetiska studier [3].

I en modern stor kohort på 33 460 anestesiregisterposter, där Apfel Score användes för preoperativ prediktion av postoperativt kräkning inom 24 timmar, sjönk AUC till 0,610 (95 % KI 0,588 till 0,632) [4]. Detta återspeglar dels att utfallet begränsades till kräkning (inte illamående), dels att kohorten inkluderade en bredare blandning av anestetiska tekniker och kirurgiska ingrepp än härledningspopulationen. Maskininlärningsmodeller baserade på fler variabler uppnådde AUC 0,729 i samma kohort, men Apfel Score bibehöll ett negativt prediktivt värde över 0,95 vid optimal tröskel [4].

En specifik svaghet demonstrerades vid kejsarsnitt: i en prospektiv kohort på 116 kvinnor uppnådde Apfel Score en AUC på endast 0,547 (95 % KI 0,350 till 0,745) [5. Orsaken är strukturell: samtliga patienter är kvinnor och de flesta är icke-rökare, vilket eliminerar diskriminerande förmåga hos två av fyra prediktorer och lämnar poängen utan spridning i denna population.

Begränsningar

Apfel Score är härlett och validerat för vuxna som genomgår balanserad generell anestesi med inhalationsanestetika. Vid enbart regional anestesi saknas de prediktorer som rör anestesiteknik, och poängen är inte validerad i denna kontext. För barn gäller andra riskprofiler och andra prediktorer; vuxenmodeller har visat sig ha sämre diskrimination i pediatriska kohorter och bör inte överföras direkt.

Poängen tar inte hänsyn till operationsspecifik risk. Lång operationsduration, typ av kirurgi (till exempel gynekologisk, laparoskopisk, öron-näsa-hals) och anestesiteknik (inhalation kontra TIVA) påverkar PONV-incidensen oberoende av patientfaktorerna i Apfel Score. En patient med låg poäng som genomgår en högriskprocedur kan därför ha en faktisk risk som överskrider den förutsagda.

Två av fyra prediktorer, kvinnligt kön och icke-rökare, är konstanta eller nästan konstanta i vissa populationer, vilket gör poängen i praktiken obrukbar för kvinnor som genomgår kejsarsnitt [5]. I sådana populationer bör instrumentet kompletteras med eller ersättas av populationsanpassade modeller.

Slutligen är risken inte statisk över tiden. Rökstopp, ny åldersrelaterad sjukdom eller förändrad opioidstrategi kan flytta patienten mellan riskband. Poängen bör räknas om när förutsättningarna ändras, inte en gång per patient.

Källor

1. Apfel CC, Läärä E, Koivuranta M, Greim CA, Roewer N. A simplified risk score for predicting postoperative nausea and vomiting: conclusions from cross-validations between two centers. Anesthesiology 1999;91(3):693–700. PMID: 10485781
2. Gan TJ, Belani KG, Bergese S, m.fl. Fourth Consensus Guidelines for the Management of Postoperative Nausea and Vomiting. Anesthesia and Analgesia 2020;131(2):411–448. PMID: 32467512
3. Apfel CC, Kranke P, Eberhart LH, Roos A, Roewer N. Comparison of predictive models for postoperative nausea and vomiting. British Journal of Anaesthesia 2002;88(2):234–240. PMID: 11883387
4. Wang HJ, Lee WP, Gau TP, Cheng KI, Wei CR. Prediction of Postoperative Vomiting Within 24 Hours Using Machine Learning With Large Language Model-Enhanced Interpretability: Development and Validation Study. JMIR Medical Informatics 2026;31:e84260. PMID: 42536998
5. Liu Y, Zhong H, Dai Z, m.fl. Predicting postoperative nausea and vomiting after cesarean section: a nomogram model combined with gastric ultrasound. BMC Anesthesiology 2025;25:478165. PMID: 39923027