🇸🇪 Calculateur de probabilité d'AVAC (accouchement vaginal après césarienne)

Klinisk bakgrund

Beslutet om förlossningssätt efter ett tidigare kejsarsnitt är ett av de mest individuella valen inom obstetriken. Kvinnan står inför att välja mellan planerat repekejsarsnitt och ett förlossningsförsök efter kejsarsnitt (TOLAC), där utfallet av TOLAC är osäkert: det kan leda till vaginal förlossning (VBAC) eller till ett akut kejsarsnitt under pågående värkarbete, vilket medför högre morbiditet än ett planerat ingrepp. Ett populationsbaserat genomsnitt (i många kohorter runt 70 till 75 procent lyckade VBAC) är till liten hjälp för den enskilda kvinnan, eftersom hennes individuella förutsättningar kan flytta sannolikheten från under 40 till över 90 procent.

VBAC-sannolikhetskalkylatorn fyller detta behov genom att ge en individuell predicerad sannolikhet för vaginal förlossning vid TOLAC, baserad på variabler som är kända tidigt i graviditeten. Syftet är att stödja en gemensam beslutsprocess där kvinnans egna preferenser vägs mot en realistisk sannolikhetsskattning.

Beräkning av VBAC-sannolikhetskalkylatorn

Modellen bygger på en logistisk regression där sju variabler, samtliga tillgängliga vid det första antenatala besöket, kombineras till en vikt $w$, som sedan omvandlas till en predicerad sannolikhet:

$$w = -5{,}952 - 0{,}023 \times \text{ålder (år)} - 0{,}024 \times \text{vikt (kg)} + 0{,}056 \times \text{längd (cm)} - 0{,}597 \times \text{utebliven progress (0/1)} + 0{,}868 \times \text{tidigare vaginal förlossning före kejsarsnitt (0/1)} + 1{,}869 \times \text{tidigare VBAC (0/1)} - 0{,}966 \times \text{behandlad kronisk hypertoni (0/1)}$$

$$\text{predicerad sannolikhet ($$

De binära variablerna kodas som 0 för Nej och 1 för Ja. Variablerna är: Moderns ålder i år, Vikt före graviditet i kilogram, Längd i centimeter, Utebliden progress i förlossningsarbetet var indikationen för det tidigare kejsarsnittet (omfattar även misslyckad induktion), Vaginal förlossning före det tidigare kejsarsnittet (men ingen VBAC sedan dess), Tidigare lyckad VBAC (vaginal förlossning efter tidigare kejsarsnitt) och Behandlad kronisk hypertoni (medikamentellt behandlad före och under graviditeten).

Härledningskohorten utgjordes av 11 687 individer i MFMU Cesarean Registry, en amerikansk multicenterstudie där data samlades in 1999 till 2002 vid sjukhus tillhörande Eunice Kennedy Shriver National Institute of Child Health and Human Developments Maternal-Fetal Medicine Units Network [1]. Inklusionskriterierna var fullgångna graviditeter (≥37+0 veckor), levande enkelbörd i huvudbjudning, exakt ett tidigare lågt transversellt kejsarsnitt och påbörjat TOLAC. VBAC inträffade hos 74 procent av kohorten. Modellen togs fram med stegvis bakåteliminering i en träningsdel (n=5 741) och validerades internt i en testdel (n=5 946) med korsvalidering. Slutliga koefficienter beräknades på hela analyspopulationen.

Denna modell från 2021 ersätter det ursprungliga Grobman-nomogrammet från 2007. Den enda skillnaden är att ras och etnicitet har tagits bort som variabler och att behandlad kronisk hypertoni har tillkommit som ny variabel. Diskriminationen var oförändrad: AUC 0,75 (95 procent KI: 0,74 till 0,77) i hela kohorten, jämfört med 0,75 för den ursprungliga modellen [1]. Kalibreringen var utmärkt i testdelen, med god överensstämmelse mellan predicerade och observerade sannolikheter över hela intervallet; endast vid predicerade sannolikheter under 40 procent, där få individer fanns, sågs viss spridning [1].

Tolkning i praktiken

Kalkylatorn ger en kontinuerlig sannolikhet, inte ett binärt beslut. Den ska användas som underlag för samtal, inte som ett automatiskt direktiv. Följande band kan vägleda samtalet:

De variabler som har störst effekt på sannolikheten är tidigare VBAC (oddskvot cirka 6,5) och tidigare vaginal förlossning före kejsarsnittet (oddskvot cirka 2,4), medan utebliden progress som indikation för det tidigare kejsarsnittet och behandlad kronisk hypertoni sänker sannolikheten [1]. En kvinna som tidigare har genomgått en VBAC hamnar nästan alltid i det högsta bandet oavsett övriga faktorer, om inte särskilt ogynnsamma kombinationer föreligger.

Validering och prestanda

Den interna valideringen i härledningsstudien visade en AUC på 0,75 (95 procent KI: 0,73 till 0,76) i testdelen, vilket bekräftar att modellen inte var överanpassad till träningsdata [1]. Flera externa valideringar har publicerats efter att modellen släpptes, med varierande resultat avseende diskrimination och kalibrering.

En amerikansk extern validering på en tertiär akademisk klinik jämförde den ursprungliga modellen (med ras/etnicitet) mot den reviderade (utan ras/etnicitet) och fann att ras och etnicitet inte bidrog signifikant till prediktiv förmåga, med AUC 0,71 för den ursprungliga och 0,74 för den reviderade modellen [2]. För svarta och latinamerikanska patienter steg den genomsnittliga predicerade sannolikheten från 60 till 69 procent när ras togs bort, utan att modellens samlade prestanda försämrades.

En vietnamesisk extern validering jämförde 2007- och 2021-års modeller i en kohort på 147 kvinnor och fann jämförbar diskrimination mellan modellerna, med numeriskt högre specificitet för 2021-års modell, men båda modellerna var miscalibrerade och krävde rekalibrering före rutinmässig användning i den populationen [3].

En nederländsk prospektiv validering av den ursprungliga Grobman-modellen i 12 sjukhus visade AUC 0,73 med viss överestimering vid låga sannolikheter och underestimering vid höga, vilket illustrerar att kalibrering kan försämras i populationer med annan sammansättning än härledningskohorten [4]. En nyzeeländsk validering av den ursprungliga modellen fann AUC 0,72 med god kalibrering vid predicerade sannolikheter över 50 procent [5].

Sammantaget bekräftar externa valideringar att modellen behåller måttlig till god diskrimination (AUC i spannet 0,72 till 0,75) utanför härledningskohorten, men kalibreringen varierar mellan populationer, och rekalibrering kan behövas i kontexter med annan demografisk sammansättning eller annan klinisk praxis.

Begränsningar

Modellen gäller fullgångna, enkelbörds-graviditeter i huvudbjudning med exakt ett tidigare lågt transversellt kejsarsnitt. Den är inte validerad för tidigare klassiska (vertikala) livmodersnitt eller okända ärrtyper, inte heller för tidigare myomektomi, multipelbörd, sätesbjudning eller prematur förlossning. Sådana patienter bör inte rådgivas utifrån denna kalkylator.

Härledningskohorten samlades in 1999 till 2002 vid amerikanska universitetskliniker. Förlossningspraxis, kejsarsnittsfrekvens och patientpopulation har förändrats sedan dess, vilket kan påverka modellens giltighet i nutida kontexter. Externa valideringar i asiatiska och europeiska populationer har visat att kalibreringen kan avvika, särskilt vid låga predicerade sannolikheter [3, 4].

Modellen predicerar sannolikheten för vaginal förlossning vid TOLAC, men inte risken för uterusrupptur eller annan allvarlig morbiditet. Beslutet att erbjuda TOLAC måste också ta hänsyn till institutionella förutsättningar, såsom tillgång till obstetrisk anestesi och möjlighet till akut kejsarsnitt dygnet runt, vilket kalkylatorn inte beaktar.

De variabler som ingår är begränsade till sådana som är kända tidigt i graviditeten. Faktorer som uppkommer senare, såsom induktion av värkarbete, fostervikt eller komplikationer under graviditeten, ingår inte och kan påverka den faktiska sannolikheten betydligt. En kvinna som induceras löper generellt lägre chans till VBAC än en som kommer i spontan värkarbete.

Källor

1. Grobman WA, Sandoval G, Rice MM, m.fl. Prediction of vaginal birth after cesarean delivery in term gestations: a calculator without race and ethnicity. Am J Obstet Gynecol. 2021;225(6):664.e1-664.e7. PMID: 34043983
2. Buckley A, Sestito S, Ogundipe T, m.fl. Racial and Ethnic Disparities Among Women Undergoing a Trial of Labor After Cesarean Delivery: Performance of the VBAC Calculator with and without Patients' Race/Ethnicity. Reprod Sci. 2022;29(7):2030-2038. PMID: 35534768
3. Vo HL, Le LH, Tran DT, m.fl. External validation and comparison of the 2007 and 2021 Grobman models for predicting successful vaginal birth after cesarean: A retrospective cohort study. Int J Gynaecol Obstet. 2026 (Epub ahead of print). PMID: 42619389
4. Vankan E, van Kuijk SMJ, Nijhuis JG, m.fl. External validation of a prediction model on vaginal birth after caesarean in a The Netherlands: a prospective cohort study. J Perinat Med. 2021;49(3):357-363. PMID: 33155996
5. Windsor RS, Clark HE, Blasingame JLJ. Predicting vaginal birth after caesarean section: Validation of the Grobman model in a New Zealand population. Aust N Z J Obstet Gynaecol. 2022;62(5):658-663. PMID: 35342928