Skip to main content
main-content
Top

Tip

Swipe om te navigeren naar een ander artikel

Gepubliceerd in: Huisarts en wetenschap 5/2018

11-04-2018 | Opinie

Nieuwe mogelijkheden bij cardiovasculaire risico-inschatting

Auteur: Michiel Bots

Gepubliceerd in: Huisarts en wetenschap | Uitgave 5/2018

Log in om toegang te krijgen
share
DELEN

Deel dit onderdeel of sectie (kopieer de link)

  • Optie A:
    Klik op de rechtermuisknop op de link en selecteer de optie “linkadres kopiëren”
  • Optie B:
    Deel de link per e-mail

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.
go back to reference 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.​ 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.​
2.
go back to reference NHG-Standaard Cardiovasculair risicomanagement (tweede herziening). Huisarts Wet 2012;55:14-28. NHG-Standaard Cardiovasculair risicomanagement (tweede herziening). Huisarts Wet 2012;55:14-28.
3.
go back to reference 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. 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.
4.
go back to reference 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. 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.
5.
go back to reference 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. 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.
6.
go back to reference 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. 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.
7.
go back to reference Rumsfeld JS, Joynt KE, Maddox TM. Big data analytics to improve cardiovascular care: promise and challenges. Nat Rev Cardiol 2016;13:350-9. Rumsfeld JS, Joynt KE, Maddox TM. Big data analytics to improve cardiovascular care: promise and challenges. Nat Rev Cardiol 2016;13:350-9.
8.
go back to reference 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. 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.
9.
go back to reference Obermeyer Z, Emanuel EJ. Predicting the future – big data, machine learning, and clinical medicine. N Engl J Med 2016;375:1216-9. Obermeyer Z, Emanuel EJ. Predicting the future – big data, machine learning, and clinical medicine. N Engl J Med 2016;375:1216-9.
10.
go back to reference Neff G. Why big data won’t cure us. Big Data 2013;1:117-123. Neff G. Why big data won’t cure us. Big Data 2013;1:117-123.
12.
go back to reference 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. 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.
13.
go back to reference 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. 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.
Metagegevens
Titel
Nieuwe mogelijkheden bij cardiovasculaire risico-inschatting
Auteur
Michiel Bots
Publicatiedatum
11-04-2018
Uitgeverij
Bohn Stafleu van Loghum
Gepubliceerd in
Huisarts en wetenschap / Uitgave 5/2018
Print ISSN: 0018-7070
Elektronisch ISSN: 1876-5912
DOI
https://doi.org/10.1007/s12445-018-0123-2