Dravetsyndroom

Initiatief: Cluster Epilepsie Aantal modules: 15

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 

Daarbij mogen geen van de “exclusionary” criteria aanwezig zijn (zie onder).  

 

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   

Verwerp (‘Exclusionary’) de klinische diagnose Dravetsyndroom als: 
  • er epileptische spasmes zijn 

  • de diagnose Early Infantile SCN1A DEE gesteld kan worden 

  • er causale focale MRI-afwijkingen zijn 

Aanbeveling 2 

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 0.8AUC<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

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. 

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) 

 Prediction of Dravet syndrome 

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)

 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: 

  1. children with active epilepsy under treatment (n = 149) 

  1. patients with epilepsy >12 years with medication for anti-epileptic drugs (at least 2 times in past 2 years) (n = 248) 

People with SCN1A mutation 

  • Dravet syndrome (n = 97) compared to: 

  • GEFS+ (n = 49) 

  • Febrile seizures (n = 30) 

  • Focal epilepsy (n = 6) 

  • Healthy family members (n = 18) 

 

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

Table 1. Studies into prognostic factors for Dravet syndrome diagnosis; study characteristics and results

 

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 

  • No history of prolonged seizures (>10 minutes) 

  • Lack of fever sensitivity as a seizure trigger 

 
  • Epileptic spasms 

  • Early infantile SCN1A DEE 

 

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 

  • Drug resistant epilepsy 

  • Intellectual disability 

 

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.  

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: 

  • 0.7AUC<0.8: acceptable, 

  • 0.8AUC<0.9: excellent, 

  • AUC0.9: 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. 

  1. 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. 
  2. 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. 
  3. 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. 
  4. 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. 
  5. 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. 
  6. 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. 
  7. 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. 
  8. 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 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%):  

  • Sens: 99.0% (96.6 to 99.9) 

  • Spec: 64.7% (52.2 to 75.9) 

  • PPV: 89.5% (84.5 to 93.2) 

  • NPV: 95.7% (85.2 to 99.5) 

 
 
 

 

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. 

 

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’

Initiatief en autorisatie

Initiatief:
  • Cluster Epilepsie
Geautoriseerd door:
  • Nederlandse Vereniging van Artsen voor Verstandelijk Gehandicapten
  • Nederlandse Vereniging voor Kindergeneeskunde
  • Nederlandse Vereniging voor Neurologie
  • Vereniging Klinische Genetica Nederland
  • Stichting Dravetsyndroom
  • EpilepsieNL

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

  • Sinds 1998: Lid Commissie Onderzoek en Ontwikkeling (O&O), Kempenhaeghe
  • Sinds 2005: Lid redactie 'Epilepsie, periodiek voor professionals'
  • Sinds 2007: lnstituutscoördinator wetenschapsstudenten Universiteit Maastricht
  • Sinds 2008: Lid organisatie commissie jaarlijkse conferentie epilepsie Vanenburg
  • (nascholing voor neurologen, neurochirurgen, AVG artsen)
  • Sinds 2009: Voorzitter Geneesmiddelen onderzoeksgroep, Kempenhaeghe
  • Sinds 2010: Voozitter SEPION - landelijke bijscholing AIOS kindergeneeskunde en neurologie
  • Sinds 2010: Voorzitter werkgroep richtlijn Epilepsie NVN
  • 2010-2017: Voorzitter landelijke Nervus Vagus Stimulatie werkgroep
  • Sinds 2012: Voozitter centrale opleidingscommissie Kempenhaeghe
  • Sinds 2013: Lid subcommissie richtlijnen NVN
  • Sinds 2015: Lid dagelijks bestuur O&O Kempenhaeghe
  • Sinds 2016: Lid commissie zorgevaluatie NVN
  • Sinds 2020: Lid wetenschappelijke adviesraad (WAR) epilepsiefonds EpilepsieNL
  • Sinds 2023: Extern adviseur College ter Beoordeling van Geneesmiddelen

NB geen betaalde functies

Lopende onderzoek- en zorginnovatieprojecten (anders dan contract research) worden gefinancierd uit ZonMW, Nationaal epilepsiefonds, stichting vrienden van Kempenhaeghe, en SKMS.


Daarnaast wordt vanuit Kempenhaeghe deelgenomen aan contract research m.b.t. nieuwe geneesmiddelen (vergoeding aan stichting Kempenhaeghe volgens geldende wet- en regelgeving) vanuit alle voor epilepsie relevante geneesmiddelen industrie.

 

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.

  • Lid bestuurd Liga tegen epilepsie (onbetaald)
  • Lid bestuur Sepion (onbetaald)
  • Lid redactieraad Tijdschrift voor Neurologie en Neurochirurgie (onbetaald)
  • Plaatsvervangend lid commissie LZA-LP&K

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.
Auteur van hoofdstuk epilepsie in het leerboek neurologie (vergoeding uit royalties <100 euro per jaar)

Boegbeeldfunctie bij een patiënten- of beroepsorganisatie

Geen actie

Van Vliet

Functie: Intensivist

Werkgever: Haaglanden Medisch Centrum te Den Haag

  • Docent regionale opleiding IC verpleegkundigen, LUMC (betaald)
  • Docent Care Training Group, Ridderkerk (betaald)
  • Bestuurslid MuzIC (onbetaald)

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

  • Lid intern werkgroep epilepsie en genetica SEIN (onbetaald)
  • Lid landelijk CBD consortium

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)

  • Voorzitter Anglo Dutch Migraine Association (ADMA) (onbetaald)
  • Voorzitter interne werkgroep niet-medicamenteuze behandelingen SEIN (onbetaald)
  • Lid interne werkgroep comorbiditeit SEIN (onbetaald)
  • Docent opleidingen farmacie en geneeskunde LUMC (onbetaald)
  • Docent basiscursus hoofdpijn voor verpleegkundigen
  • Consultancy fees: Novartis (vanuit hoofdpijnexpertise)
  • Speaker / lecture fees: Novartis (vanuit hoofdpijnexpertise)
  • Gastvrijheidsvergoeding: TEVA (vanuit hoofdpijnexpertise)

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

  • APLS instructeur candidate, Stichting Spoedeisende Hulp bij Kinderen (onbetaald).

Geen

Geen actie

Hofman

Functie: Radioloog

Werkgever: Maastricht UMC+ (1.0fte)

  • Voorzitter interne werkgroep epilepsie en genetica SEIN (onbetaald)

Geen

Geen actie

Koekkoek

Functie: Neuroloog

Werkgever: Leids Universitair Medisch Centrum (0.8fte), Haaglanden Medisch Centrum (0.2fte)

  • Voorzitter van de Netwerktumorgroep (NTG) Neurologie van het Regionaal Oncologie Netwerk West (RO-West)
  • Bestuurslid van de Dutch Brain Tumor Registry (DBTR)
  • Lid van de Steering Committee van de Brain Tumor Group (BTG) van de van de European Organisation for Research and Treatment of Cancer (EORTC)
  • Associate Editor van ‘Neurooncology Practice’

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)

  • CMIO bij Kempenhaeghe als gespecificeerd onderdeel van de functie bij Kempenhaeghe

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

  • Docent voor nascholing en opleiding PAO psychologie
  • Docent RINO Zuid

Geen

Geen actie

Masselink

Functie: Ziekenhuisapotheker

Werkgever: Medisch Spectrum Twente

  • Lid werkgroep Neurologische aandoeningen (inclusief gedrag) Horizonscan Geneesmiddelen, Zorginstituut Nederland (onbetaald).

Geen

Geen actie

M’Rabet

Functie: MT-lid Kennis en Innovatie

Werkgever: EpilepsieNL, Houten

Geen

  • Familielid met epilepsie

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)

  • Voorzitter (per september 2020) Quality of Life Group van de European Organisation for Research and Treatment of Cancer (EORTC) (onbetaald)

Geen

Geen actie

Ronner

Functie: Neuroloog

Werkgever: Amsterdam UMC (0.8 fte)

  • Lid van de examencommissie leerling laboranten KNF van de LOI (betaald).
  • Lid van de visitatie commissie van de NVN (betaald).

Geen

Geen actie

Schijns

Functie: Neurochirurg met specialisatie Epilepsiechirurgie en Neuro-oncologische Chirurgie
Werkgever: Maastricht UMC+

  • Chairman SectionFunctional Neurosurgery, European Association of Neurosurgical Societies (EANS): onbetaald
  • Principal Investigator (PI) EpiUltra studie. Grantverstrekker Epilepsiefonds Nederland
  • Co-Principaal Investigator (PI) Precision trial. Grantverstrekker ZIN/ZonMW (VeZo)

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)

  • Bestuurslid Liga tegen Epilepsie en penningmeester sectie Wetenschappelijk Onderzoek (SWO)
  • President European Federation of Autonomic Societies
  • Lid van de editorial board van Epilepsia, Seizure en Clinical Autonomic Disorders
  • Editor in chief Syncopedia
  • Voorzitter ANS Task Force European Academy of Neurology
  • Honorary Researcher University College London
  • Consultancy fees voor XENON, Theravance, Arvelle, Zogenix; betalingen werden uit betaald aan mijn werkgever (SEIN). De gelden worden gebruikt voor onderzoeksdoeleinden.
  • Lecture fees voor Medtronic, Novartis en UCB; betalingen werden uit betaald aan mijn werkgever (SEIN). De gelden worden gebruikt voor onderzoeksdoeleinden.
  • Lid van het TeleEpilepsie consortium. Met dit consortium hebben een aanvalsdetector ontwikkeld, de Nightwatch(R) die door LivAssured geproduceerd wordt. Ik heb 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.
  • Extern gefinancierd onderzoek van Michael J Fox foundation, Medtronic, EpilepsieNL, ZonMW, EU pathfinder, New Life Wearables

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

  • Participatie in landelijke werkgroep Epilepsiechirurgie en de ACE-Werkgroep Epilepsiechirurgie
  • Principal Investigator (PI) CONTACT studie. Subsidie EpilepsieNL.

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)

  • Voorzitter interne werkgroep epilepsie en genetica SEIN (onbetaald)

Geen

Geen actie

Van Schie

AIOS neurologie LUMC (tot 05-2023)

Geen

Geen

Geen actie

Van Tuijl

Functie: Neuroloog

Werkgever: ETZ Tilburg

  • Lid van Expertisegroep cluster epilepsie (onbetaald).
  • Voorzitter nascholingscommissie Nederlandse Neurovasculaire Werkgroep (NNW) (onbetaald).
  • Voorzitter focusgroep CVA van de ROAZ regio Brabant (onbetaald)

 

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
Werkgever: Academisch Centrum voor Epilepsie Kempenhaeghe

Geen

  • National epilepsy Fund the Netherlands (Epilepsiefonds 2017-2022): Exploring the Human Induced Pluripotent Stem Cells (hIPSCs) technique as a as a promising tool for a patient-oriented treatment of genetically classified refractory epilepsy.”
  • Grant Top ZonMW projectnummer 91217055: Brain on a dish: development of innovative stem cell technologies for personalized medicine in epilepsy
  • Grant zonMW  (projectnr 10140322210002): Cannabidiol in refractory childhood epilepsy, a personalized high-quality approach
  • Taekeda: Soticlestat Dravet en Lennox Gastaut dubbel-blinde en OLE trial (co-investigator)
  • Zogenix: Fenfluramine Dravet syndrome dubbel-blind en OLE trail (co-investigator)

Geen actie

Vlooswijk

Functie: Neuroloog

Werkgever: Maastricht UMC+

  • Bestuurslid en docent Stichting Epilepsie Onderwijs Nederland
  • Auteursvergoeding Novartis (geringe vergoeding aan Stichting van werkgever bedoeld voor onderwijs- en onderzoeksdoeleinden). Betreffende middel is geen onderdeel van de modules m.b.t. Beroerte waaraan zij haar medewerking heeft verleend.

Geen actie

Wegner

Functie: Neuroloog

Werkgever: Stichting Epilepsie instellingen Nederland (SEIN)

  • In 2017 heeft mijn werkgever voor mijn bijdrage aan de organisatie van de masterclass Epilepsie, een bedrag van €1700 gekregen van de firma EISAI.
  • Daarnaast geef ik met enige regelmaat voordrachten in het kader van onderwijs op het gebied van epilepsie, waarvoor soms een vergoeding aan mijn werkgever wordt betaald.
  • Voorts heb ik geen betaalde nevenwerkzaamheden

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).

 

GRADE

Definitie

Hoog

  • er is hoge zekerheid dat het ware effect van behandeling dichtbij het geschatte effect van behandeling ligt;
  • het is zeer onwaarschijnlijk dat de literatuurconclusie klinisch relevant verandert wanneer er resultaten van nieuw grootschalig onderzoek aan de literatuuranalyse worden toegevoegd.

Redelijk

  • er is redelijke zekerheid dat het ware effect van behandeling dichtbij het geschatte effect van behandeling ligt;
  • het is mogelijk dat de conclusie klinisch relevant verandert wanneer er resultaten van nieuw grootschalig onderzoek aan de literatuuranalyse worden toegevoegd.

Laag

  • er is lage zekerheid dat het ware effect van behandeling dichtbij het geschatte effect van behandeling ligt;
  • er is een reële kans dat de conclusie klinisch relevant verandert wanneer er resultaten van nieuw grootschalig onderzoek aan de literatuuranalyse worden toegevoegd.

Zeer laag

  • er is zeer lage zekerheid dat het ware effect van behandeling dichtbij het geschatte effect van behandeling ligt;
  • de literatuurconclusie is zeer onzeker.

 

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.

Volgende:
Behandeling van epilepsie bij Dravetsyndroom