Diagnostische criteria Dravetsyndroom
Uitgangsvraag
Aan welke diagnostische criteria moet minimaal zijn voldaan voor het stellen van de diagnose Dravetsyndroom? En welke criteria kunnen onderbouwend zijn?
Aanbeveling
Aanbeveling 1
Gebruik de diagnostische criteria zoals opgesteld door de ILAE (Zuberi, 2022) om de klinische diagnose Dravetsyndroom te stellen.
Stel de klinische diagnose Dravetsyndroom als aan de volgende diagnostische criteria is voldaan (‘Mandatory’):
-
de eerste epileptische aanval is opgetreden op de leeftijd van 1 tot 20 maanden
-
er zijn herhaalde focaal clonische (hemiclonische) febriele en afebriele aanvallen (dikwijls wisselend van zijde van aanval tot aanval), focaal naar bilateraal tonisch-clonische, en/of gegeneraliseerd clonische aanvallen
-
In de loop van de jaren is een farmacoresistente epilepsie en een verstandelijke beperking ontstaan
Twijfel (‘Alerts’) aan de juistheid van de klinische diagnose als:
-
er geen langdurige aanvallen zijn (>10 minuten)
-
koorts/hyperthermie geen uitlokker voor aanvallen is
-
er na de leeftijd van 2 jaar een normaal EEG achtergrondpatroon is, zonder interictale ontladingen
-
de debuutleeftijd 1-2 maanden of 15-20 maanden is
-
er al een vertraagde ontwikkeling was voor de eerste aanval
-
er focale neurologische afwijkingen zijn, anders dan een Toddse parese
-
er geen pathogene SCN1A of andere oorzakelijke variant is aangetoond
-
er een goede aanvalsreductie is op gebruik van natriumkanaalblokkerende antiaanvalsmedicatie, waaronder carbamazepine, oxcarbazepine, en fenytoine
-
er epileptische spasmes zijn
-
de diagnose Early Infantile SCN1A DEE gesteld kan worden
-
er causale focale MRI-afwijkingen zijn
Bij een kind met een pathogene SCN1A-mutatie kan de klinische diagnose Dravetsyndroom soms (nog) niet gesteld worden, omdat op basis van de leeftijd mogelijk nog niet alle diagnostische criteria aanwezig zijn. Zo is maar bij de helft van de kinderen met (een latere diagnose) Dravetsyndroom op een leeftijd van 2 jaar een ontwikkelingsachterstand aanwezig.
Gebruik bij jonge kinderen met een pathogene SCN1A-mutatie het SCN1A-Epilepsie Predictie Model (https://scn1a-prediction-model.broadinstitute.org)
-
Stel de waarschijnlijkheidsdiagnose Dravetsyndroom bij een waarschijnlijkheidsscore van meer dan 90%
-
Stel een voorlopige diagnose “epilepsie in het GEFS+-Dravetsyndroom spectrum” bij een score van minder dan 90% en verwijs voor verdere diagnosestelling naar een tertiair centrum met expertise op gebied van Dravetsyndroom.
Overwegingen
Voor- en nadelen van de interventie en de kwaliteit van het bewijs
In de ILAE-definitie van Dravetsyndroom is het ontstaan van een verstandelijke beperking één van de verplichte criteria. De mediane leeftijd waarop een verstandelijke beperking aanwezig blijkt te zijn, ligt rond de 7-8 jaar en de mediane leeftijd waarop een ontwikkelingsachterstand aanwezig blijkt te zijn, is ongeveer 2,0 jaar (zie figuur 2, afgeleid van Sullivan, 2022). Er zullen dus veel kinderen zijn, die op de basisschoolleeftijd aan de diagnostische criteria voor Dravetsyndroom voldoen, maar daarvóór, in de eerste levensjaren, nog niet.
Het is belangrijk dat kinderen met kenmerken verdacht voor een zich ontwikkelend Dravetsyndroom zo vroeg mogelijk de juiste behandeling krijgen, maar bij jonge kinderen met een nog normale ontwikkeling kan het onderscheid met GEFS+ soms moeilijk te maken zijn. Uit de literatuur werd een gevalideerd model gevonden die de diagnose Dravetsyndroom onderscheidde van andere SCN1A-gerelateerde epilepsie syndromen op basis van leeftijd van eerste epileptische aanval en genetische (SCN1A) score. De performance van het model is met een waarde 0.8≤AUC<0.9 erg goed. De bewijskracht voor het gevonden model is laag op basis van het excluderen van patiënten met missende data en geen prospectieve validatie in een andere populatie.
Het toepassen van dit predictie-model bij een jong kind met een pathogene SCN1A-variant zal soms een duidelijk onderscheid kunnen maken tussen Dravet en (milder) GEFS+.
Waarden en voorkeuren van patiënten (en hun verzorgers)
Het is wenselijk om de diagnose op een zo jong mogelijke leeftijd te stellen (zie Bijlage verslag invitational conference dec 2016). Daardoor is de patiënt eerder bij een expert onder controle en kan mogelijk gestart worden met de juiste therapie voor betere aanvalscontrole en daarmee mogelijk een cognitief betere uitkomst.
Kosten (middelenbeslag)
Het toepassen van diagnostische criteria/predictiemodel zelf leidt niet tot kosten. Er zijn geen studies gevonden naar de kosten tussen verschillende klinische diagnose-strategieën.
Aanvaardbaarheid, haalbaarheid en implementatie
Er worden geen problemen met betrekking tot dit punt verwacht. De diagnostische criteria zijn door de ILAE geupdated. Ook voor het toepassen van het predictiemodel worden geen problemen verwacht.
Onderbouwing
Achtergrond
Establishing the diagnosis of Dravet syndrome at an early stage is important, because specific treatments can be prescribed or started, and contra-indicated treatments avoided to achieve improved seizure control and cognitive outcome. The distinction between Dravet syndrome and Genetic epilepsy with febrile seizures plus (GEFS+) is of importance. GEFS+ can –like Dravet syndrome – be the result of a pathogenic variant in the SCN1A-gene, but is associated with a milder epilepsy phenotype, with mainly febrile seizures, although afebrile seizures may occur but are usually better controlled. Further, development is mostly normal. The distinction between Dravet syndrome and GEFS+ is sometimes difficult to make, in the first years of life. However, since the prognosis differs strongly, prediction of the phenotypic course is desired to improve counseling and guidance to caregivers and prompt early treatment.
Conclusies
Clinical criteria
- GRADE |
Clinical criteria (seizure type, age at onset, and course of illness) are suggested based on literature, Delphi method, and expert consensus. No GRADE assessment was performed.
Source: Zuberi (2022) |
Low GRADE |
The evidence suggests that a prediction model including age at seizure onset and clinical-genetic SCN1A score can differentiate the diagnosis of Dravet syndrome from other SCN1A-related epilepsies.
Source: Brunklaus (2022) |
Samenvatting literatuur
Description of studies
Two studies that investigated diagnostic criteria for Dravet syndrome have been added to the previous literature. The summary of the previously found literature from the prior version of this module can be found in table 1 (no use of validated models for prediction of Dravet syndrome).
|
Hattori (2008) |
Le Gal (2014) |
Verbeek (2015) |
Cetica (2017) |
Study design |
Retrospective cohort |
Retrospective cohort |
Retrospective cohort |
Retrospective cohort |
Population |
Children (<1 year) with febrile seizures and a hospital follow-up of ≥3 years (n = 96)
Comparing those with and without Dravet syndrome for prognostic factors |
Children (1 month to 16 years) with status epilepticus (n = 71)
Comparing those with and without Dravet syndrome |
Patients with Dravet syndrome and pathogenic SCN1A mutation (n = 71), compared to:
|
People with SCN1A mutation
|
Outcome |
Clinical diagnosis of Dravet syndrome |
1. Clinical diagnosis of Dravet syndrome 2. SCN1A mutation |
Triggers for seizures |
Clinical diagnosis of Dravet syndrome |
Prognostic factors |
||||
Related to age |
First seizure <7 months of age |
Younger age at first seizure |
Younger age at first seizure |
Younger age at first seizure |
Number of seizures |
5 or more seizures before the age of 1y |
Multiple episodes of status epilepticus |
|
|
Type of seizures |
Hemiclonic Focal Myoclonic |
|
|
Focal Myoclonic |
Related to duration of seizures |
Seizure duration >10 minutes |
|
|
Status epilepticus (more often) |
Triggers |
Hot water |
|
Fever Physical effort/exertion Visual stimuli (more triggers present in Dravet syndrome) |
|
Mutations |
Truncating SCN1A mutation |
|
|
Frameshift SCN1A mutation |
The update of the ILAE criteria (Zuberi, 2022) describes definitions and criteria of epilepsy syndromes with onset in infancy. For the update (methods from Wirrel, 2022), literature review through July 2019 was performed, a Delphi-method was used, and the following references were used: the most recent edition of the Blue Guide (2019) “Epileptic Syndromes of Infancy, Childhood and Adolescence”, the current criteria on EpilepsyDiagnosis.org and expert opinions from Task Force members. For Dravet syndrome (among other epilepsy syndromes), a new definition and clinical criteria were provided, in addition to its epidemiology, clinical context, the use of diagnostic modalities and the differential diagnosis.
The study by Brunklaus (2022) developed a prediction model for early diagnosis of Dravet using clinical and genetic biomarkers, differentiating Dravet syndrome from other SCN1A-related epilepsies. From a retrospective cohort study, patients with Dravet syndrome and patients with GEFS+ carrying pathogenic SCN1A variants were identified from consecutive referrals for genetic testing in 9 referral centers (7 countries, n=1018). Patients with SCN1A-variants whose effect could not be predicted based on position, amino acid exchange or truncation were excluded. A model for the diagnosis of Dravet syndrome was developed through a supervised machine learning approach and training of a generalized linear model. The model was developed from a training cohort (internally validated through bootstrapping), and externally validated in two validation cohorts, based on two predictors:
-
The SCN1A genetic score, ranging from 0 (similar) to 207 (dissimilar): the result of the paralog score observed in the position multiplied by the Grantham score associated with the amino acid exchange
-
The age at seizure onset in months
Results
Clinical criteria
The ILAE update (Zuberi, 2022) provides diagnostic criteria, with symptoms that should be present (mandatory for diagnosing Dravet syndrome) or absent (when present, Dravet syndrome cannot be diagnosed). In addition, some “alerts” are provided: criteria that are absent in the vast majority of cases within Dravet syndrome, but rarely can be seen. The alerts should cause the clinician to rethink the diagnosis and undertake further investigations. The results are shown in table 2.
|
Mandatory |
Alerts |
Exclusionary |
Seizures |
Recurrent focal clonic (hemiclonic), febrile and afebrile seizures (which often alternate sides), focal to bilateral tonic-clonic, and/or generalized clonic seizures |
|
|
EEG |
|
Normal EEG background with interictal discharges after 2 years* |
|
Age at onset |
1-20 months |
1-2 months or 15-20 months |
|
Development at onset |
|
Developmental delay at seizure onset |
|
Neurological exam |
|
Focal neurological findings (other than Todd’s paresis) |
|
Imaging |
|
|
MRI showing a causal focal lesion* |
Other testing (e.g. genetics) |
|
Lack of pathogenic SCN1A or other causal variant |
|
Course of illness |
|
Good efficacy with prophylactic sodium-channel agents (carbamazepine, oxcarbazepine, phenytoin) |
|
Table 2. Diagnostic criteria for Dravet syndrome
*Ictal EEG is not required for diagnosis. MRI is not required for diagnosis but is highly recommended to exclude other causes
Abbreviations: DEE: developmental and epileptic encephalopathies
For some domains, only alerts are present. With regard to EEG, background pattern may be normal or slow prior to age 2, and slowing is typical after 2 years of age. Neurological examination is normal at onset and also early development appears normal.
With regard to genetics, a pathogenic variant in SCN1A is present in approximately 85% of cases, yet pathogenic SCN1A variants may also be found in other epilepsy syndromes such as GEFS+ and early infantile SCN1A encephalopathy.
Prediction of Dravet at young age
In the study by Brunklaus (2022), a prediction model was developed to differentiate Dravet syndrome in an early stage from other SCN1A-related epilepsies. The prediction model was first developed in a training cohort, containing 743 patients; of whom 616 (83%) with Dravet syndrome. The prevalence of Dravet syndrome in validation cohort 1 was 147 (out of 203; 72%) and in validation cohort 2 60 (out of 72; 83%).
The model included age at seizure onset and clinical-genetic SCN1A score as predictors, with the outcome being the percentage risk of Dravet syndrome. After calibration (index of prediction accuracy 38.7%; 95% CI 28.4% to 48.9%), the predictors show a general dominance (R2) of 0.246 for age at onset and 0.119 for genetic SCN1A score. The discriminative power of the model in the calibration and validation sets are shown in table 3, when a cut-off of ³50% was used to discriminate Dravet syndrome from other SCN1A-related epilepsies.
|
Area under the curve (AUC) |
Sensitivity (%, 95% CI) |
Specificity (%, 95% CI) |
PPV (%, 95% CI) |
NPV (%, 95% CI) |
Diagnostic accuracy (%, 95% CI) |
Calibration cohort (n = 743) |
0.891 (0.860 to 0.923) |
|
|
|
|
|
Validation cohort 1 (n = 203) |
0.941 (0.910 to 0.973) |
99.3% (96.3 to 100) |
64.3% (50.4 to 76.7 |
88.0% (82.0 to 92.5) |
97.3% (85.8 to 99.9) |
89.7% (84.6 to 93.5) |
Validation cohort 2 (n = 72) |
0.926 (0.827 to 1.00) |
98.3% (91.1 to 100) |
66.7% (34.9 to 90.1) |
93.7% (84.5 to 98.2) |
88.9% (51.8 to 99.7) |
93.1% (84.5 to 97.7) |
Validation cohorts combined |
|
99.0% (96.6 to 99.9) |
64.7% (52.2 to 75.9) |
89.5% (84.5 to 93.2) |
95.7% (85.2 to 99.5) |
90.5% (86.5 to 93.7) |
Table 3. Model performance (age at seizure onset + clinical-genetic SCN1A score) in differentiating Dravet syndrome from GEFS+ when a cut-off of model outcome ³50% is used.
The authors also developed an online tool from the prediction model, available via: https://SCN1A-prediction-model.broadinstitute.org
Level of evidence of the literature
Clinical criteria
No GRADE assessment was performed for clinical criteria, as the reported results are based on an international guideline based partially on expert consensus.
Prediction of Dravet syndrome
The observational studies without validated models from table 1 are not included in the GRADE assessment.
The level of evidence regarding the outcome diagnosis of Dravet syndrome started at high, and was downgraded by two levels to low, because of risk of bias through exclusion of patients with no information on predictors (-1, risk of bias); and limited generalizability (-1, no validation in external cohorts). No downgrading took place for inconsistency or imprecision.
Zoeken en selecteren
The previous guideline module on this topic has been revised, in which the evidence and literature previously assessed has been reassessed for the formulated PICO, and supplemented with newer literature. The process for the search and selection of the new literature is described below.
A systematic review of the literature was performed to answer the following question:
What are the criteria to diagnose Dravet syndrome?
P: | Children suspect of Dravet syndrome |
I: | clinical criteria to diagnose Dravet syndrome |
C: | - |
O: | diagnosis of Dravet syndrome |
All types of comparative studies were eligible for inclusion. In case of prediction studies, the working group defined the performance of the included models as follows:
-
0.7≤AUC<0.8: acceptable,
-
0.8≤AUC<0.9: excellent,
-
AUC≥0.9: outstanding.
The databases Medline (via OVID) and Embase (via Embase.com) were searched yearly with relevant search terms for genetic research in epilepsy from the last revision of the module (April 26th, 2017) until November 24th, 2022. The systematic literature search resulted in 1793 hits. The studies involving Dravet syndrome were filtered, resulting in 58 hits. Studies were selected based on whether they presented clinical criteria for diagnosis of Dravet syndrome.
Results
From the search, one study was initially selected based on title and abstract screening, and also met the inclusion criteria after reading the full text. The four studies from the previous version of the module are supplemented with this newly included study. In addition, the updated ILAE-classification (Zuberi, 2022) was used for the revision of this module. Important study characteristics and results are summarized in the evidence tables. The assessment of the risk of bias is summarized in the risk of bias tables.
Referenties
- Brunklaus A, Pérez-Palma E, Ghanty I, Xinge J, Brilstra E, Ceulemans B, Chemaly N, de Lange I, Depienne C, Guerrini R, Mei D, Møller RS, Nabbout R, Regan BM, Schneider AL, Scheffer IE, Schoonjans AS, Symonds JD, Weckhuysen S, Kattan MW, Zuberi SM, Lal D. Development and Validation of a Prediction Model for Early Diagnosis of SCN1A-Related Epilepsies. Neurology. 2022 Mar 15;98(11):e1163-e1174. doi: 10.1212/WNL.0000000000200028. Epub 2022 Jan 24. PMID: 35074891; PMCID: PMC8935441.
- Cetica V, Chiari S, Mei D, Parrini E, Grisotto L, Marini C, Pucatti D, Ferrari A, Sicca F, Specchio N, Trivisano M, Battaglia D, Contaldo I, Zamponi N, Petrelli C, Granata T, Ragona F, Avanzini G, Guerrini R. Clinical and genetic factors predicting Dravet syndrome in infants with SCN1A mutations. Neurology. 2017 Mar 14;88(11):1037-1044. doi: 10.1212/WNL.0000000000003716. Epub 2017 Feb 15. PMID: 28202706; PMCID: PMC5384833.
- Hattori J, Ouchida M, Ono J, Miyake S, Maniwa S, Mimaki N, Ohtsuka Y, Ohmori I. A screening test for the prediction of Dravet syndrome before one year of age. Epilepsia. 2008 Apr;49(4):626-33. doi: 10.1111/j.1528-1167.2007.01475.x. Epub 2007 Dec 11. PMID: 18076640.
- Le Gal F, Lebon S, Ramelli GP, Datta AN, Mercati D, Maier O, Combescure C, Rodriguez MI, Seeck M, Roulet E, Korff CM. When is a child with status epilepticus likely to have Dravet syndrome? Epilepsy Res. 2014 May;108(4):740-7. doi: 10.1016/j.eplepsyres.2014.02.019. Epub 2014 Mar 12. PMID: 24679980.
- Sullivan J, Deighton AM, Vila MC, Szabo SM, Maru B, Gofshteyn JS, James ES, Rico S, Zuberi SM. The clinical, economic, and humanistic burden of Dravet syndrome - A systematic literature review. Epilepsy Behav. 2022 May;130:108661. doi: 10.1016/j.yebeh.2022.108661. Epub 2022 Mar 22. PMID: 35334258.
- Verbeek NE, Wassenaar M, van Campen JS, Sonsma A, Gunning B, Knoers N, Lindhout D, Jansen FE, Leijten F, Brilstra EH, Kasteleijn-Nolst Trenité D. Seizure precipitants in Dravet syndrome: What events and activities are specifically provocative compared with other epilepsies? Epilepsy Behav. 2015 Jun;47:39-44. doi: 10.1016/j.yebeh.2015.05.008. Epub 2015 May 26. PMID: 26021464.
- Wirrell EC, Nabbout R, Scheffer IE, Alsaadi T, Bogacz A, French JA, Hirsch E, Jain S, Kaneko S, Riney K, Samia P, Snead OC, Somerville E, Specchio N, Trinka E, Zuberi SM, Balestrini S, Wiebe S, Cross JH, Perucca E, Moshé SL, Tinuper P. Methodology for classification and definition of epilepsy syndromes with list of syndromes: Report of the ILAE Task Force on Nosology and Definitions. Epilepsia. 2022 Jun;63(6):1333-1348. doi: 10.1111/epi.17237. Epub 2022 May 3. PMID: 35503715.
- Zuberi SM, Wirrell E, Yozawitz E, Wilmshurst JM, Specchio N, Riney K, Pressler R, Auvin S, Samia P, Hirsch E, Galicchio S, Triki C, Snead OC, Wiebe S, Cross JH, Tinuper P, Scheffer IE, Perucca E, Moshé SL, Nabbout R. ILAE classification and definition of epilepsy syndromes with onset in neonates and infants: Position statement by the ILAE Task Force on Nosology and Definitions. Epilepsia. 2022 Jun;63(6):1349-1397. doi: 10.1111/epi.17239. Epub 2022 May 3. PMID: 35503712.
Evidence tabellen
Evidence table for prediction modelling studies (based on CHARMS checklist)
Study reference |
Study characteristics |
Patient characteristics |
Candidate predictors |
Model development, performance and evaluation |
Outcome measures and results |
Comments Interpretation of model |
Brunklaus, 2022 |
Source of data and date: Retrospective multicentre cohort study, between March 2001 and June 2020
Setting/ number of centres and country: 9 centres in 7 countries (United Kingdom, France, Italy, Netherlands, Denmark, Australia, Belgium)
Funding and conflicts of interest: Funding through non-commercial research grants. Honoraria were received from commercial organisations and one author receives royalties for fenfluramine |
Recruitment method: Cases identified from consecutive referrals for genetic testing
Inclusion criteria: Patients with Dravet syndrome and patients with GEFS+ carrying pathogenetic SCN1A variants
Exclusion criteria: SCN1A-variants whose effect cannot be predicted based on position, amino acid exchange, or truncation
Treatment received? probably
Participants: N=1018
Characteristics of study population not reported.
|
Describe candidate predictors and method and timing of measurement:
SCN1A genetic score: The SCN1A genetic score ranged from 0 (similar) to 207 (dissimilar) and is the result of the paralog score observed in the position multiplied by the Grantham score associated with the amino acid exchange
Age at seizure onset in months: From anonymized clinical referral data (is clinical feature that can easily and reliably assessed in the first year of life
Number of participants with any missing value? Only patients included with information about predictors available.
How were missing data handled? n.a. |
Development Modelling method: supervised machine learning approach and training of a generalized linear model
Performance Calibration measures and 95%CI: Index of prediction accuracy (IPA) from calibration curves: 38.7% (28.4 – 48.9)
Discrimination measures and 95%CI: AUC – validation cohort 1: 0.94 (0.91 to 0.97) AUC – validation cohort 2: 0.93 (0.83 to 1.00)
Classification measures: Sensitivity, specificity, NPV, PPV
Evaluation Method for testing model performance: internal validation through bootstrapping (training dataset) and external validation through validation datasets. |
Type of outcome: Prediction of Dravet syndrome
Definition and method for measurement of outcome: Dravet syndrome was defined as generalized or hemiclonic seizures frequently triggered by fever and often prolonged, typically followed by other seizure types including myoclonic, focal impaired awareness, and absence seizures, and normal cognitive and psychomotor development prior to seizure onset with subsequent slowing including plateauing or regression of skills in the second year of life. Normal intellect excluded Dravet syndrome.
Endpoint or duration of follow-up: Diagnosis of Dravet syndrome
Number of events/outcomes: 823/1018 with Dravet syndrome
RESULTS Multivariable model: Predictor weights: Onset: 0.246; SCN1A score: 0.119 Discriminative power: AUC calibration cohort: 0.891 (0.860 to 0.923) AUC validation cohort 1: 0.941 (0.910 to 0.973) AUC validation cohort 2: 0.926 (0.827 to 1.00) Performance (with threshold of 50%):
Alternative presentation of final model: Percentage for developing Dravet syndrome (via: https://SCN1A-prediction-model.broadinstitute.org/) |
Interpretation: exploratory, i.e. more research needed: model cannot replace expert diagnosis of Dravet syndrome.
Authors’ conclusions Our findings suggest that routinely accessible biomarkers such as age at seizure onset combined with an SCN1A genetic score can be used to predict Dravet syndrome. Although the model can be employed at the time of diagnosis, expert clinical assessment will allow further delineation of the phenotype over time. The prediction model represents an important step towards evidence-based clinical outcome prediction, assisting clinicians with prognostic counseling and decisions on early institution of precision therapies.
Comparison with other studies? No
Generalizability? In rare cases or patients with very early onset seizures, clinician should be alert to consider other phenotypes. |
Table of quality assessment – prediction modelling studies
(The criteria used in this checklist are based on PROBASTA version 15/05/2019)
Study reference
Classification
|
Participant selection 1) Appropriate data sources? 2) Appropriate in- and exclusion?
|
Predictors 1) Assessed similar for all participants? 2) Assessed without knowledge of outcome? 3) Available at time the model is intended to be used?
|
Outcome 1) Pre-specified or standard outcome definition? 2) Predictors excluded from definition? 3) Assessed similar for all participants? 4) Assessed without knowledge of predictors? 5) Time interval between predictor and outcome measurement appropriate?
|
Analysis 1) Reasonable number of participants with event/outcome? 2) All enrolled participants included in analysis? 3) Missing data handled appropriately? 4) No selection of predictors based on univariate analysis? 5) Relevant model performance measures evaluated appropriately? 6) Accounted for model overfitting and optimism? 7) Predictors and weights correspond to results from multivariate analysis?
|
Overall judgment
High risk of bias: at least one domain judged to be at high risk of bias.
Model development only: high risk of bias.
|
|
Risk of bias: Low/high/unclear |
Risk of bias: Low/high/unclear |
Risk of bias: Low/high/unclear |
Risk of bias: Low/high/unclear |
Risk of bias: Low/high/unclear |
Brunklaus, 2022
Development and external validation of model |
Low
Reason: based on retrospective cohort, consecutive patients referred for genetic testing, who turned out to have Dravet or GEFS+, were included |
Low
Reason: age at onset and SCN1A score assessed similar for all participants, without the knowledge of the outcome, and available at the time of model use |
Low
Reason: outcome was pre-specified, and its definition did not include the predictors, was similar for all participants. The outcome was assessed with knowledge of the predictors. |
Moderate
Reason: reasonable number of patients, predictors were not based on univariate analysis, relevant model performance measures evaluated, no overfitting. Patients with missing data were excluded |
Moderate
Reason: risk of bias through exclusion of patients with no information on predictors. This affects generalizability too. |
Verantwoording
Autorisatiedatum en geldigheid
Laatst beoordeeld : 18-09-2024
Laatst geautoriseerd : 18-09-2024
Geplande herbeoordeling : 18-09-2025
Het cluster Epilepsie is als houder van deze richtlijn de eerstverantwoordelijke voor de actualiteit van deze richtlijn. Jaarlijks wordt de geldigheid van elke module herbeoordeeld.
De onderstaande modules zijn herzien in cyclus ’23-’24:
- Richtlijn Epilepsie: ‘Classificatie’
- Richtlijn Epilepsie: ‘Genetisch onderzoek’
- Richtlijn Epilepsie: ‘Welk anti-aanvalsmedicatie: Aanvallen met een focaal begin’
- Richtlijn Dravetsyndroom: ‘Anti-aanvalsmedicatie’
- Richtlijn Dravetsyndroom: ‘Klinische criteria’
Algemene gegevens
De ontwikkeling/herziening van deze richtlijnmodule werd ondersteund door het Kennisinstituut van de Federatie Medisch Specialisten (www.demedischspecialist.nl/kennisinstituut) en werd gefinancierd uit de Kwaliteitsgelden Medisch Specialisten (SKMS). De financier heeft geen enkele invloed gehad op de inhoud van de richtlijnmodule.
Samenstelling werkgroep
Voor het ontwikkelen van de richtlijnmodules is in 2020 een multidisciplinair cluster ingesteld, bestaande uit vertegenwoordigers van alle relevante specialismen die betrokken zijn bij de zorg voor patiënten met epilepsie.
Clusterstuurgroep
- Prof. dr. H.J.M. Majoie (voorzitter), neuroloog, Academisch Centrum voor Epileptologie Kempenhaeghe/ Maastricht UMC+, Heeze en Maastricht
- Dr. C.M. Delsman-van Gelder, kinderneuroloog, Maxima Medisch Centrum, Eindhoven
- Drs. M.H.G. Dremmen, radioloog, Erasmus MC Rotterdam
- Dr. P. Klarenbeek, neuroloog, Zuyderland Medisch Centrum, Heerlen
- Dr. L. M’Rabet, patiëntvertegenwoordiger, EpilepsieNL, Houten
- Dr. P. van Vliet, neuroloog/intensivist, Haaglanden Medisch Centrum, Den Haag
- Drs. R. van Vugt, anesthesioloog, Sint Maartens Kliniek, Nijmegen
Clusterleden betrokken bij module ‘Dravetsyndroom: klinische criteria’
- Dr. J.S. Verhoeven, kinderarts-kinderneuroloog, Academisch Centrum voor Epileptologie Kempenhaeghe
- Dr. N.E. Verbeek, klinisch geneticus, UMC Utrecht, Utrecht
- Met dank aan dr. F.E. Jansen, kinderneuroloog, UMC Utrecht, Utrecht
- Met dank aan G. van den Berg, patiëntvertegenwoordiger, Stichting Dravetsyndroom Nederland/Vlaanderen
Met ondersteuning van
- Dr. M.M.J. van Rooijen, adviseur Kennisinstituut van de Federatie Medisch Specialisten Utrecht
- Dr. J. Buddeke, senior adviseur Kennisinstituut van de Federatie Medisch Specialisten Utrecht
Belangenverklaringen
De Code ter voorkoming van oneigenlijke beïnvloeding door belangenverstrengeling is gevolgd. Alle clusterleden hebben schriftelijk verklaard of zij in de laatste drie jaar directe financiële belangen (betrekking bij een commercieel bedrijf, persoonlijke financiële belangen, onderzoeksfinanciering) of indirecte belangen (persoonlijke relaties, reputatiemanagement) hebben gehad. Gedurende de ontwikkeling of herziening van een module worden wijzigingen in belangen aan de voorzitter doorgegeven. De belangenverklaring wordt opnieuw bevestigd tijdens de commentaarfase.
Een overzicht van de belangen van de clusterleden en het oordeel over het omgaan met eventuele belangen vindt u in onderstaande tabel. De ondertekende belangenverklaringen zijn op te vragen bij het secretariaat van het Kennisinstituut van de Federatie Medisch Specialisten.
Stuurgroep
Clusterlid |
Functie |
Nevenfuncties |
Gemelde belangen |
Ondernomen actie |
Majoie* |
Functie: Neurologie Werkgever: Academisch Centrum voor Epileptologie Kempenhaeghe, Maastricht UMC+ |
Relevante commissies
NB geen betaalde functies |
Lopende onderzoek- en zorginnovatieprojecten (anders dan contract research) worden gefinancierd uit ZonMW, Nationaal epilepsiefonds, stichting vrienden van Kempenhaeghe, en SKMS.
Incidenteel financiële ondersteuning aan stichting Kempenhaeghe voor organisatie refereeravonden en workshops/symposia (telkens volgens geldende wet en regelgeving). |
Geen actie |
Delsman |
Kinderneuroloog/kinderarts Werkgever: Maxima Medisch Centrum Veldhoven |
Geen |
Geen |
Geen actie |
Dremmen |
Functie: Kinderradioloog met subspecialisatie kinderneuroradiologie Werkgever: ErasmusMC te Rotterdam |
Een van de voorzitters van de richtlijn Radiologische diagnostiek acute trauma-opvang bij kinderen Expertisegroep richtlijn Traumatologie Uitgenodigd spreker op meerdere nationale en internationale cursussen en congressen |
Geen |
Geen actie |
Klarenbeek |
Functie: Neuroloog Werkgever: Zuyderland te Heerlen/Sittard (vrijgevestigd) |
Geen |
Geen |
Geen actie |
Nicolai |
Functie: Kinderneuroloog Werkgever: Maastricht UMC+. Tevens gedetacheerd/ werkzaam in Kempenhaeghe, Heeze; St Jansgasthuis, Weert; Elkerliek, Helmond en Viecuri, Venlo. |
Coördinator Sepion beginnerscursus; vergoeding wordt door Sepion naar AMBI goed doel gestort. Tevens betrokken bij Sepion gevorderden cursus en AVG cursus; vergoeding wordt door Sepion naar AMBI goed doel gestort. |
Boegbeeldfunctie bij een patiënten- of beroepsorganisatie |
Geen actie |
Van Vliet |
Functie: Intensivist Werkgever: Haaglanden Medisch Centrum te Den Haag |
|
Geen |
Geen actie |
Van Vugt |
Functie: Anesthesioloog Werkgever: Sint Maartenskliniek te Nijmegen |
Lid commissie kwaliteitsdocumenten NVA (onbetaald) |
Geen |
Geen actie |
Expertisegroep
Clusterlid |
Functie |
Nevenfuncties |
Gemelde belangen |
Ondernomen actie |
Altinbas |
Functie: Neuroloog-kinderneuroloog Werkgever: SEIN locatie Meer en Bosch werkzaam op de polikliniek en kliniek |
|
Per 2023 zal het landelijk CBD consortium een onderzoek starten naar de behandeling van kinderen met therapieresistente epilepsie met CBD (gesubsidieerd door ZonMW). |
Geen actie |
Balvers |
Functie: Neuroloog (Behandeling van patiënten met epilepsie; klinisch, poliklinisch en in woonzorg) Werkgever: Stichting Epilepsie Instellingen Nederland (SEIN) (0.6fte)
Functie: Neuroloog (Behandeling van patiënten met hoofdpijn; poliklinisch) Werkgever: The Migraine Clinic, Amsterdam (0.2 fte) |
|
|
Geen restrictie voor Epilepsie. |
Comans |
Hoogleraar nucleaire geneeskunde Amsterdam UMC (0.4 FTE) en nuclair geneeskundige HMC Den Haag (0.6 FTE) |
Lid cluster Longoncologie (onbetaald) |
Geen |
Geen actie. |
De Bruijn |
Functie: neuroloog in opleiding Werkgever: ETZ Tilburg |
Geen |
Geen |
Geen actie |
Draak |
Functie: Kinderneuroloog, neuroloog. Werkgever: Zuyderland Medisch Centrum |
Geen |
Geen |
Geen actie |
Eshuis |
Functie: AIOS Spoedeisende geneeskunde Werkgever: Catharina Ziekenhuis te Eindhoven |
|
Geen |
Geen actie |
Hofman |
Functie: Radioloog Werkgever: Maastricht UMC+ (1.0fte) |
|
Geen |
Geen actie |
Koekkoek |
Functie: Neuroloog Werkgever: Leids Universitair Medisch Centrum (0.8fte), Haaglanden Medisch Centrum (0.2fte) |
|
Geen |
Geen actie |
Lazeron |
Functie: Neuroloog Werkgever: Academisch centrum Epileptologie Kempenhaeghe Maastricht UMC+ (voltijds).
Functie: Wetenschappelijk onderzoeker Werkgever: Technische universiteit te Eindhoven (nul uren aanstelling) |
|
Lid van het TeleEpilepsie consortium. Met dit consortium hebben een aanvalsdetector ontwikkeld, de Nightwatch(R) die door LivAssured geproduceerd wordt. Geen direct financieel belang in dit bedrijf, maar van eventuele toekomstige winsten van LivAssured vloeit een klein percentage terug naar het consortium voor epilepsie-onderzoek |
Restricties ten aanzien van besluitvorming met betrekking tot apparaten die aanvallen detecteren (e.g. Nightwatch) |
Mantione |
Klinisch neuropsycholoog UMC Utrecht |
|
Geen |
Geen actie |
Masselink |
Functie: Ziekenhuisapotheker Werkgever: Medisch Spectrum Twente |
|
Geen |
Geen actie |
M’Rabet |
Functie: MT-lid Kennis en Innovatie Werkgever: EpilepsieNL, Houten |
Geen |
|
Geen actie |
Reijneveld |
Functie: Neuroloog, Werkgever: Stichting Epilepsie Instellingen Nederland (SEIN) te Heemstede (0.8 fte)
Functie: Universitair Hoofddocent, afdeling Neurologie Werkgever: Amsterdam UMC (0.2 fte) |
|
Geen |
Geen actie |
Ronner |
Functie: Neuroloog Werkgever: Amsterdam UMC (0.8 fte) |
|
Geen |
Geen actie |
Schijns |
Functie: Neurochirurg met specialisatie Epilepsiechirurgie en Neuro-oncologische Chirurgie |
|
|
Geen actie |
Snoeijen-Schouwenaars |
Functie: Arts Verstandelijk Gehandicapten Werkgever: Kempenhaeghe, fulltime |
Geen |
Geen |
Geen actie |
Thijs |
Functie: neuroloog Werkgever: Stichting Epilepsie Instellingen Nederland (1.0 fte) Leids Universitair Medisch Centrum (detachering vanuit SEIN voor 0.2 fte) |
|
|
Restrictie ten aanzien van besluitvorming met betrekking tot apparaten die aanvallen detecteren (e.g. Nightwatch®). |
Tousseyn |
Functie: neuroloog Werkgever: Academisch Centrum voor Epileptologie (ACE) Kempenhaeghe/Maastricht UMC+, locatie Heeze |
|
|
Geen actie |
Uiterwijk |
Functie: Epileptoloog Werkgever: Academisch Centrum voor Epileptologie Kempenhaeghe |
Geen |
Geen |
Geen actie |
Van 't Hof |
Functie: neuroloog Werkgever: SEIN (Stichting Epilepsie Instellingen Nederland) |
|
Geen |
Geen actie |
Van Schie |
AIOS neurologie LUMC (tot 05-2023) |
Geen |
Geen |
Geen actie |
Van Tuijl |
Functie: Neuroloog Werkgever: ETZ Tilburg |
|
|
Geen actie |
Tolboom |
Functie: Nucleair geneeskundige Werkgever: UMC Utrecht |
Geen |
Geen |
Geen actie |
Verbeek |
Functie: Klinisch geneticus Werkgever: UMC Utrecht
|
Geen |
Geen |
Geen actie |
Verhoeven |
Functie: Kinderarts-kinderneuroloog |
Geen |
|
Geen actie |
Vlooswijk |
Functie: Neuroloog Werkgever: Maastricht UMC+ |
|
|
Geen actie |
Wegner |
Functie: Neuroloog Werkgever: Stichting Epilepsie instellingen Nederland (SEIN) |
|
Geen |
Geen actie |
Inbreng patiëntenperspectief
Er werd aandacht besteed aan het patiëntenperspectief door de afvaardiging van EpilepsieNL in het cluster. De verkregen input is meegenomen bij het opstellen van de uitgangsvragen, de keuze voor de uitkomstmaten en bij het opstellen van de overwegingen. De conceptmodule is tevens voor commentaar voorgelegd aan Epilepsie NL en de eventueel aangeleverde commentaren zijn bekeken en verwerkt.
Kwalitatieve raming van mogelijke financiële gevolgen in het kader van de Wkkgz
Bij de richtlijn is conform de Wet kwaliteit, klachten en geschillen zorg (Wkkgz) een kwalitatieve raming uitgevoerd of de aanbevelingen mogelijk leiden tot substantiële financiële gevolgen. Bij het uitvoeren van deze beoordeling zijn richtlijnmodules op verschillende domeinen getoetst (zie het stroomschema op de Richtlijnendatabase).
Uit de kwalitatieve raming per module blijkt dat er geen substantiële financiële gevolgen zijn.
Module |
Uitkomst raming |
Toelichting |
Dravetsyndroom: Klinische criteria |
Geen financiële gevolgen |
|
Werkwijze
AGREE
Deze richtlijnmodule is opgesteld conform de eisen vermeld in het rapport Medisch Specialistische Richtlijnen 2.0 van de adviescommissie Richtlijnen van de Raad Kwaliteit. Dit rapport is gebaseerd op het AGREE II instrument (Appraisal of Guidelines for Research & Evaluation II; Brouwers, 2010).
Cyclus werkwijze
Bij de start van de cyclus is de geldigheid van alle modules geïnventariseerd, waarna er een prioriteringsronde heeft plaatsgevonden. De geprioriteerde modules zijn herzien en geüpdatet door het cluster.
Uitkomstmaten
Na het opstellen van de zoekvraag behorende bij de uitgangsvraag inventariseerde het cluster welke uitkomstmaten voor de patiënt relevant zijn, waarbij zowel naar gewenste als ongewenste effecten werd gekeken. Hierbij werd een maximum van acht uitkomstmaten gehanteerd. Het cluster waardeerde deze uitkomstmaten volgens hun relatieve belang bij de besluitvorming rondom aanbevelingen, als cruciaal (kritiek voor de besluitvorming), belangrijk (maar niet cruciaal) en onbelangrijk. Tevens definieerde het cluster tenminste voor de cruciale uitkomstmaten welke verschillen zij klinisch (patiënt) relevant vonden.
Methode literatuursamenvatting
Een uitgebreide beschrijving van de strategie voor zoeken en selecteren van literatuur is te vinden onder ‘Zoeken en selecteren’ onder ‘Onderbouwing’. Indien mogelijk werd de data uit verschillende studies gepoold in een random-effects model. Review Manager 5.4 werd gebruikt voor de statistische analyses. De beoordeling van de kracht van het wetenschappelijke bewijs wordt hieronder toegelicht.
Beoordelen van de kracht van het wetenschappelijke bewijs
De kracht van het wetenschappelijke bewijs werd bepaald volgens de GRADE-methode. GRADE staat voor ‘Grading Recommendations Assessment, Development and Evaluation’ (zie http://www.gradeworkinggroup.org/). De basisprincipes van de GRADE-methodiek zijn: het benoemen en prioriteren van de klinisch (patiënt) relevante uitkomstmaten, een systematische review per uitkomstmaat, en een beoordeling van de bewijskracht per uitkomstmaat op basis van de acht GRADE-domeinen (domeinen voor downgraden: risk of bias, inconsistentie, indirectheid, imprecisie, en publicatiebias; domeinen voor upgraden: dosis-effect relatie, groot effect, en residuele plausibele confounding).
GRADE onderscheidt vier gradaties voor de kwaliteit van het wetenschappelijk bewijs: hoog, redelijk, laag en zeer laag. Deze gradaties verwijzen naar de mate van zekerheid die er bestaat over de literatuurconclusie, in het bijzonder de mate van zekerheid dat de literatuurconclusie de aanbeveling adequaat ondersteunt (Schünemann, 2013; Hultcrantz, 2017).
Definitie |
|
Hoog |
|
Redelijk |
|
Laag |
|
Zeer laag |
|
Bij het beoordelen (graderen) van de kracht van het wetenschappelijk bewijs in richtlijnen volgens de GRADE-methodiek spelen grenzen voor klinische besluitvorming een belangrijke rol (Hultcrantz, 2017). Dit zijn de grenzen die bij overschrijding aanleiding zouden geven tot een aanpassing van de aanbeveling. Om de grenzen voor klinische besluitvorming te bepalen moeten alle relevante uitkomstmaten en overwegingen worden meegewogen. De grenzen voor klinische besluitvorming zijn daarmee niet één op één vergelijkbaar met het minimaal klinisch relevant verschil (Minimal Clinically Important Difference, MCID). Met name in situaties waarin een interventie geen belangrijke nadelen heeft en de kosten relatief laag zijn, kan de grens voor klinische besluitvorming met betrekking tot de effectiviteit van de interventie bij een lagere waarde (dichter bij het nuleffect) liggen dan de MCID (Hultcrantz, 2017).
Netwerk meta-analyse
Voor de beoordeling van de bewijskracht uit een netwerk meta-analyse (NMA) wordt gebruik gemaakt van de CINeMA-tool (Nikolakopoulou, 2020; Papakonstantinou, 2020). Met deze tool wordt op basis van een analyse in R de effectschattingen berekend. Voor het beoordelen van de bewijskracht, op basis van de berekende effectschattingen, worden zes domeinen geëvalueerd, namelijk Risk-of-Bias, publicatiebias, indirectheid, imprecisie, heterogeniteit en incoherentie. Voor het opstellen van de conclusies zijn principes van de GRADE working group gebruikt op basis van grenzen van klinische besluitvorming (Brignardello-Petersen, 2020).
Overwegingen (van bewijs naar aanbeveling)
Om te komen tot een aanbeveling zijn naast (de kwaliteit van) het wetenschappelijke bewijs ook andere aspecten belangrijk en worden meegewogen, zoals aanvullende argumenten uit bijvoorbeeld de biomechanica of fysiologie, waarden en voorkeuren van patiënten, kosten (middelenbeslag), aanvaardbaarheid, haalbaarheid en implementatie. Deze aspecten zijn systematisch vermeld en beoordeeld (gewogen) onder het kopje ‘Overwegingen’ en kunnen (mede) gebaseerd zijn op expert opinion. Hierbij is gebruik gemaakt van een gestructureerd format gebaseerd op het evidence-to-decision framework van de internationale GRADE Working Group (Alonso-Coello, 2016a; Alonso-Coello 2016b). Dit evidence-to-decision framework is een integraal onderdeel van de GRADE methodiek.
Formuleren van aanbevelingen
De aanbevelingen geven antwoord op de uitgangsvraag en zijn gebaseerd op het beschikbare wetenschappelijke bewijs en de belangrijkste overwegingen, en een weging van de gunstige en ongunstige effecten van de relevante interventies. De kracht van het wetenschappelijk bewijs en het gewicht dat door het cluster wordt toegekend aan de overwegingen, bepalen samen de sterkte van de aanbeveling. Conform de GRADE-methodiek sluit een lage bewijskracht van conclusies in de systematische literatuuranalyse een sterke aanbeveling niet a priori uit, en zijn bij een hoge bewijskracht ook zwakke aanbevelingen mogelijk (Agoritsas, 2017; Neumann, 2016). De sterkte van de aanbeveling wordt altijd bepaald door weging van alle relevante argumenten tezamen. Het cluster heeft bij elke aanbeveling opgenomen hoe zij tot de richting en sterkte van de aanbeveling zijn gekomen.
In de GRADE-methodiek wordt onderscheid gemaakt tussen sterke en zwakke (of conditionele) aanbevelingen. De sterkte van een aanbeveling verwijst naar de mate van zekerheid dat de voordelen van de interventie opwegen tegen de nadelen (of vice versa), gezien over het hele spectrum van patiënten waarvoor de aanbeveling is bedoeld. De sterkte van een aanbeveling heeft duidelijke implicaties voor patiënten, behandelaars en beleidsmakers (zie onderstaande tabel). Een aanbeveling is geen dictaat, zelfs een sterke aanbeveling gebaseerd op bewijs van hoge kwaliteit (GRADE gradering HOOG) zal niet altijd van toepassing zijn, onder alle mogelijke omstandigheden en voor elke individuele patiënt.
Implicaties van sterke en zwakke aanbevelingen voor verschillende richtlijngebruikers |
||
|
||
|
Sterke aanbeveling |
Zwakke (conditionele) aanbeveling |
Voor patiënten |
De meeste patiënten zouden de aanbevolen interventie of aanpak kiezen en slechts een klein aantal niet. |
Een aanzienlijk deel van de patiënten zouden de aanbevolen interventie of aanpak kiezen, maar veel patiënten ook niet. |
Voor behandelaars |
De meeste patiënten zouden de aanbevolen interventie of aanpak moeten ontvangen. |
Er zijn meerdere geschikte interventies of aanpakken. De patiënt moet worden ondersteund bij de keuze voor de interventie of aanpak die het beste aansluit bij zijn of haar waarden en voorkeuren. |
Voor beleidsmakers |
De aanbevolen interventie of aanpak kan worden gezien als standaardbeleid. |
Beleidsbepaling vereist uitvoerige discussie met betrokkenheid van veel stakeholders. Er is een grotere kans op lokale beleidsverschillen. |
Organisatie van zorg
Bij de ontwikkeling van de richtlijnmodule is expliciet aandacht geweest voor de organisatie van zorg: alle aspecten die randvoorwaardelijk zijn voor het verlenen van zorg (zoals coördinatie, communicatie, (financiële) middelen, mankracht en infrastructuur). Randvoorwaarden die relevant zijn voor het beantwoorden van deze specifieke uitgangsvraag zijn genoemd bij de overwegingen. Meer algemene, overkoepelende, of bijkomende aspecten van de organisatie van zorg worden behandeld in de module ‘Organisatie van zorg’.
Commentaar- en autorisatiefase
De conceptrichtlijnmodule werd aan de betrokken (wetenschappelijke) verenigingen en (patiënt) organisaties voorgelegd ter commentaar. De commentaren werden verzameld en besproken met het cluster. Naar aanleiding van de commentaren werd de conceptrichtlijnmodule aangepast en definitief vastgesteld door het cluster. De definitieve richtlijnmodule werd aan de deelnemende (wetenschappelijke) verenigingen en (patiënt)organisaties voorgelegd voor autorisatie en door hen geautoriseerd dan wel geaccordeerd.
Literatuur
Agoritsas T, Merglen A, Heen AF, Kristiansen A, Neumann I, Brito JP, Brignardello-Petersen R, Alexander PE, Rind DM, Vandvik PO, Guyatt GH. UpToDate adherence to GRADE criteria for strong recommendations: an analytical survey. BMJ Open. 2017 Nov 16;7(11):e018593. doi: 10.1136/bmjopen-2017-018593. PubMed PMID: 29150475; PubMed Central PMCID: PMC5701989.
Alonso-Coello P, Schünemann HJ, Moberg J, Brignardello-Petersen R, Akl EA, Davoli M, Treweek S, Mustafa RA, Rada G, Rosenbaum S, Morelli A, Guyatt GH, Oxman AD; GRADE Working Group. GRADE Evidence to Decision (EtD) frameworks: a systematic and transparent approach to making well informed healthcare choices. 1: Introduction. BMJ. 2016 Jun 28;353:i2016. doi: 10.1136/bmj.i2016. PubMed PMID: 27353417.
Alonso-Coello P, Oxman AD, Moberg J, Brignardello-Petersen R, Akl EA, Davoli M, Treweek S, Mustafa RA, Vandvik PO, Meerpohl J, Guyatt GH, Schünemann HJ; GRADE Working Group. GRADE Evidence to Decision (EtD) frameworks: a systematic and transparent approach to making well informed healthcare choices. 2: Clinical practice guidelines. BMJ. 2016 Jun 30;353:i2089. doi: 10.1136/bmj.i2089. PubMed PMID: 27365494.
Brignardello-Petersen R, Florez ID, Izcovich A, Santesso N, Hazlewood G, Alhazanni W, Yepes-Nuñez JJ, Tomlinson G, Schünemann HJ, Guyatt GH; GRADE working group. GRADE approach to drawing conclusions from a network meta-analysis using a minimally contextualised framework. BMJ. 2020 Nov 11;371:m3900. doi: 10.1136/bmj.m3900. PMID: 33177059.
Brouwers MC, Kho ME, Browman GP, Burgers JS, Cluzeau F, Feder G, Fervers B, Graham ID, Grimshaw J, Hanna SE, Littlejohns P, Makarski J, Zitzelsberger L; AGREE Next Steps Consortium. AGREE II: advancing guideline development, reporting and evaluation in health care. CMAJ. 2010 Dec 14;182(18):E839-42. doi: 10.1503/cmaj.090449. Epub 2010 Jul 5. Review. PubMed PMID: 20603348; PubMed Central PMCID: PMC3001530.
Hultcrantz M, Rind D, Akl EA, Treweek S, Mustafa RA, Iorio A, Alper BS, Meerpohl JJ, Murad MH, Ansari MT, Katikireddi SV, Östlund P, Tranæus S, Christensen R, Gartlehner G, Brozek J, Izcovich A, Schünemann H, Guyatt G. The GRADE Working Group clarifies the construct of certainty of evidence. J Clin Epidemiol. 2017 Jul;87:4-13. doi: 10.1016/j.jclinepi.2017.05.006. Epub 2017 May 18. PubMed PMID: 28529184; PubMed Central PMCID: PMC6542664.
Medisch Specialistische Richtlijnen 2.0 (2012). Adviescommissie Richtlijnen van de Raad Kwalitieit. http://richtlijnendatabase.nl/over_deze_site/over_richtlijnontwikkeling.html
Neumann I, Santesso N, Akl EA, Rind DM, Vandvik PO, Alonso-Coello P, Agoritsas T, Mustafa RA, Alexander PE, Schünemann H, Guyatt GH. A guide for health professionals to interpret and use recommendations in guidelines developed with the GRADE approach. J Clin Epidemiol. 2016 Apr;72:45-55. doi: 10.1016/j.jclinepi.2015.11.017. Epub 2016 Jan 6. Review. PubMed PMID: 26772609.
Nikolakopoulou A, Higgins JPT, Papakonstantinou T, Chaimani A, Del Giovane C, Egger M, Salanti G. CINeMA: An approach for assessing confidence in the results of a network meta-analysis. PLoS Med. 2020 Apr 3;17(4):e1003082. doi: 10.1371/journal.pmed.1003082. PMID: 32243458; PMCID: PMC7122720.
Schünemann H, Brożek J, Guyatt G, et al. GRADE handbook for grading quality of evidence and strength of recommendations. Updated October 2013. The GRADE Working Group, 2013. Available from http://gdt.guidelinedevelopment.org/central_prod/_design/client/handbook/handbook.html.
Papakonstantinou T, Nikolakopoulou A, Higgins JPT, Egger M & Salanti G. CINeMA: Software for semiautomated assessment of the confidence in the results of network meta-analysis. Campbell Systematic Reviews 2020;16:e1080.
Zoekverantwoording
Zoekacties zijn opvraagbaar. Neem hiervoor contact op met de Richtlijnendatabase.