Hoofdstuk 14 Voorspellende factoren voor een succesvolle hysterectomie
Uitgangsvraag
Welke indicaties, patiënt- of uteriene kenmerken bepalen de benaderingswijze (vaginaal/abdominaal/laparoscopisch)?
Aanbeveling
Bespreek en houd bij het verrichten van een vaginale of laparoscopische hysterectomie rekening met het risico op conversie. De volgende risicofactoren kunnen mogelijk de kans op conversie vergroten:
- Hoger BMI
- Hogere leeftijd
- Abdominale chirurgie in de voorgeschiedenis
- Nullipariteit
- ASA-score >1
- Mensen van kleur
- Hoger gewicht van uterus
- Minder expertise van de operator
Overwegingen
Voor- en nadelen van de interventie en de kwaliteit van het bewijs
Pepin (2020) heeft als enige studie een intern gevalideerd model gerapporteerd, dat de kans op complicaties voorspelt bij een laparoscopische hysterectomie. Het risico op complicaties is groter in niet-witte vrouwen met hogere leeftijd, hogere BMI, pariteit van tenminste 1, eerdere laparotomie, American Society of Anesthesiologists score hoger dan 1 en een hoger voorspelde uterus gewicht. Omdat de andere vier studies (Leonard, 2005; Lim, 2016; Saito, 2017; Song, 2012) geen informatie rapporteren over de validatie of prestatie van het model, kunnen er uit deze artikelen geen conclusies worden getrokken.
De bewijskracht is beoordeeld op GRADE Laag. De reden hiervoor is het ontbreken van externe validatie van het predictiemodel en het feit dat de cruciale uitkomstmaat van de PICO (operatie eindigen als dusdanig) in de studie van Pepin (2020) is meegenomen in een gecombineerde uitkomstmaat: complicaties.
Er werden geen studies gevonden die de vraag konden beantwoorden welke factoren van invloed zijn op het slagen van een vaginale of abdominale hysterectomie en dus indirect voorspellers die kans op noodzaak tot conversie bij VH naar andere methode geven. Factoren die van invloed kunnen zijn voor de keuze van VH of LH worden uitvoerig besproken en toegelicht in hoofdstuk 4 van Richtlijn ‘laparoscopische hysterectomie voor benigne indicaties’ (NVOG, 2017).
Voor laparoscopische hysterectomie werden wel een aantal onderzoeken gevonden die naar prognostische factoren kijken voor de kans op conversie. Onder andere BMI, abdominale chirurgie in de voorgeschiedenis, etniciteit, leeftijd, gewicht van de uterus, ervaring van de operateur zijn factoren die in deze studies genoemd worden. Validatie is veelal niet verricht en de kwaliteit van de studies is laag.
In hoofdstuk 7 van Richtlijn ‘laparoscopische hysterectomie voor benigne indicaties’ (NVOG, 2017) is uitgezocht welke factoren een verhoogd complicatierisico geven. Er werden overeenkomstige factoren gevonden die bij een LH de chirurgische uitkomst beïnvloeden. Een hoger BMI, abdominale chirurgie in de voorgeschiedenis en een hoger gewicht van de uterus geven meer peroperatief bloedverlies, langere opnameduur, complicaties/conversie naar abdominale hysterectomie.
Abdominale hysterectomie is het eindpunt, dat zou altijd mogelijk moeten zijn. Conversie van abdominaal naar andere methode is er niet. De enige conversie mogelijkheid is de keuze van incisie. Als met een pfannenstiel wordt begonnen dan kan overwogen worden naar een mediane incisie over te gaan.
Kennis van deze voorspellers/risicofactoren is van belang bij de counseling voor de methode van hysterectomie om de kans van slagen van een methode zo groot mogelijk te maken. Als er ‘stapeling’ van verschillende bovenstaande factoren optreedt is logischerwijs de kans op het slagen van de gekozen techniek kleiner en kans op conversie groter.
Waarden en voorkeuren van patiënten (en evt. hun verzorgers)
Patiënten hebben in het algemeen de voorkeur en baat bij een minimaal invasieve techniek. Een VH heeft de 1ste keus indien technisch mogelijk. Voor postoperatief herstel, opnameduur en terugkeer naar werk en cosmetiek heeft laparoscopie de voorkeur boven laparotomie.
Een VH zou ook nog als voordeel kunnen hebben dat je deze onder spinale anesthesie kan verrichten bij patiënte met een hoge ASA-score.
Kosten (middelenbeslag)
Over het algemeen zijn de vaginale en abdominale hysterectomie goedkoper dan de laparoscopische hysterectomie. Als een conversie nodig is zal de operatie hogere kosten met zich meebrengen, andere instrumenten/netten zijn nodig evenals langere OK tijd en duur, mede door het verhoogde risico op complicaties (Lim, 2016). Ook ligduur van de patiënt in het ziekenhuis evenals de nazorg zullen hoger zijn als er een conversie nodig is.
Aanvaardbaarheid, haalbaarheid en implementatie
De aanvaarbaarheid, haalbaarheid en implementatie zal geen probleem zijn, aangezien de behandeling al wordt toegepast in de huidige praktijk.
Rationale van de aanbeveling
Een hogere BMI, hogere leeftijd, abdominale chirurgie in de voorgeschiedenis, nullipariteit, ASA-score > 1, mensen van kleur, hoger gewicht van uterus en minder expertise van de operator zijn mogelijke voorspellers voor het niet slagen van een LH. Een gevalideerd prognostisch model is er niet. Kennis van deze factoren dienen bij de counseling en keuze voor een bepaalde techniek meegenomen te worden om de kans op conversie te verlagen.
Onderbouwing
Achtergrond
Verschillende patiëntkarakteristieken kunnen het besluit tot het kiezen van een bepaalde benadering van operatieve techniek bepalen. Het is belangrijk een predictiemodel te kunnen maken of voorspellende factoren te identificeren om tot de juiste benaderingswijze te komen om zo de kans op een geslaagde uterusextirpatie zonder complicaties/conversie te voorspellen. Van tevoren de juiste benaderingswijze bepalen zal kostenbesparend en tijdbesparend zijn. Het zal helpen bij de counseling van patiënten die een uterusextirpatie wensen/krijgen (verwachtingsmanagement).
Conclusies
No evidence was found on predictors for successful vaginal or abdominal hysterectomies.
Regarding laparoscopic hysterectomies, one study was found with internal validation (Pepin, 2020). The c-statistic of the model was 0.62, which is moderately acceptable.
|
Low GRADE |
History of laparotomy, higher age, higher BMI, parity, Black or other race, American Society of Anesthesiologists score higher than 1, and higher predicted preoperative uterine weight may increase risk of conversion from laparoscopy to laparotomy when compared with no history of laparotomy, lower age, lower BMI, no parity, white race, ASA score of 1, and lower predicted preoperative uterine weight in women undergoing laparoscopy for benign indications.
Source: Pepin (2020) |
Samenvatting literatuur
Description of studies
Leonard (2005) performed a retrospective comparative study on 416 women undergoing total laparoscopic hysterectomy, presenting at a tertiary referral center in France. Patients with adequate transvaginal ultrasound, to determine uterine size, were included. Patients with precancerous lesions, with genital prolapse, or with urinary stress incontinence were excluded. Mean (±SD) age was 47.9 years (±6.7) and mean (±SD) BMI was 21.1 (±7.5). The outcome was conversion to laparotomy. A logistic regression model was built to determine patient characteristics associated with conversion. The model was not externally or internally validated.
Lim (2016) performed a retrospective cohort study on 6992 women undergoing laparoscopic hysterectomies for benign indications in 52 academic and community hospitals in Michigan, United States of America. Patients with known malignancies or obstetric indications were excluded. The patients were divided into three age groups: 40 years old or younger (29.53%), 40-60 years old (61.08%), and 60 years or older (9.38%). The outcome measure was conversion of laparoscopy to laparotomy. A logistic regression model was built to calculate odds for conversion to laparotomy. The model was not externally or internally validated. Follow-up was ended 30 days after surgery.
Pepin (2020) performed a retrospective cohort study on complications in 32,753 women undergoing laparoscopic hysterectomies for benign indications. This group was divided in two groups: one for derivation of the model (n=16,520; mean age ± SD: 47.3 ± 10.4) and one for internal validation of the model (n=16,603; mean age ± SD: 47.2 ± 10.4). Complication rates were similar in both groups: 14.1% in derivation group versus 13.9% in validation group (p=0.7207). A prediction model was built for complications of laparoscopic hysterectomy. Follow up was ended 30 days after surgery.
Saito (2017) performed a retrospective cohort study on 157 women undergoing laparoscopic hysterectomies for benign indications, consisting of 43 difficult cases (mean age ± SD: 44.54 ± 3.02) and 114 other cases (mean age ± SD: 44.61 ± 3.44). A case was considered difficult if they were in the fourth quartile of operation time, with blood loss > 500 mL, or required conversion to laparotomy. To determine pre-operative uterine weight, each patient underwent an MRI. A logistic regression model was built to determine preoperative factors associated with difficult cases. The model was not externally or internally validated.
Song (2012) performed a retrospective cohort study on 2012 women undergoing laparoscopically assisted vaginal hysterectomy for benign indications, presenting at a tertiary referral hospital in Korea. Mean (±SD) age was 45 years (±5.3) and mean (±SD) BMI was 23.6 (±2.9). The outcome was conversion to laparotomy. A logistic regression model was built to determine patient characteristics associated with conversion. The model was not externally or internally validated.
Results
None of the reported prognostic models were externally validated.
Internally validated prognostic models
Only one study reported an internally validated prognostic model predicting conversion from laparoscopic to laparotomy.
Pepin (2020) identified seven predictors for complications during laparoscopic hysterectomy (OR (95%CI, p-value)): history of laparotomy (1.21 (1.10-1.34, p<0.001)), age (1.02 (1.01-1.02, p<0.001)), BMI (1.002 (0.996-1.008, p=0.5000)), parity (1.07 (1.04-1.11, p<0.001)), race (black: 1.34 (1.19-1.52, p<0.001); other: 1.18 (1.03-1.34, p=0.0170)), American Society of Anesthesiologists score (ASA 2: 1.31 (1.09-1.57, p=0.0030); ASA 3: 1.62 (1.31-1.99, p<0.001); ASA 4: 2.72 (1.65-4.49, p<0.001)), and predicted preoperative uterine weight per gram (1.002 (1.001-1.002, p<0.001)). Internal validation and calibration of the model was also performed. The c-statistics for both groups were 0.62. The model is well calibrated for all risk groups.
Prognostic models without validation
Four studies reported on multivariate logistic models, without internal or external validation (Leonard, 2005; Lim, 2016; Saito, 2017; Song, 2012). Therefore, no conclusions should be drawn from these studies. The results of these studies are summarized below.
Leonard (2005) found five predictors of conversion to laparotomy: OR (95%CI, p-value): BMI (mean of population is reference) 1.09 (1.01–1.18, p=.03); inexperienced surgeon (yes is reference) no: 2.68 (1.11–6.45, p=.03); uterine width on ultrasound (cm) (<8 is reference) 8-10 cm: 4.01 (1.54–10.45, p=.005), >10 cm: 9.17 (2.74–30.63, p=.000); lateral myoma >5cm: (no is reference) yes: 3.57 (0.97–13.17, p=0.056); and history of adhesion causing abdominopelvic surgery: (no is reference) yes: 2.92 (1.23–6.94, p=.015). No validation of the model was performed.
Lim (2016) identified eleven risk factors for conversion to laparotomy: aOR (95%CI): age (yrs) (≤40 referent), >40 to ≤60: 1.55 (1.03–2.31, p=.034), and >60: 1.83 (1.00–3.35, p=.050); race: nonwhite vs white: 1.07 (0.76–1.52, p=.694); surgeon volume: lower vs top tertile: 0.66 (0.47–0.92, p=.015), robotics vs traditional laparoscopy: 0.14 (0.07–0.25, p<.001), BMI (kg/m2) (<30 is referent), ≥30: 1.62 (1.24–2.13,p<.001); alternative treatment before hysterectomy vs none: 0.63 (0.42–0.96, p=.031); indications for hysterectomy: pelvic inflammatory disease: no vs yes: 3.53 (0.75–16.65, p=.110), pelvic mass: no vs yes: 1.64 (1.00–2.69, p=.050), pelvic organ prolapse: no vs yes: 0.40 (0.19–0.83, p=.015); adhesions (none or mild is referent), moderate: 2.49 (1.58–3.92, p<.001), and severe: 8.07 (5.60–11.62, p<.001); endometriosis of uterus, fallopian tubes, and ovaries vs none: 1.32 (0.88–1.97, p=.174); total vs supracervical hysterectomy: 1.47 (0.92–2.31, p=.100); cancer on final pathology vs none: 1.47 (0.76–2.82, p=.255); specimen weight (g) (<250 is referent), 250–499: 2.97 (2.12–4.16, p<.001), 500–999: 4.88 (2.78–8.58, p<.001), ≥1,000: 5.15 (2.15–12.36, p<.001).
Saito (2017) found four factors to be significantly associated with increased risk for difficult laparoscopic hysterectomy: OR (95%CI, p-value): BMI: 1.172 (1.010–1.368, p=0.0382); prior caesarean section: 7.714 (1.902–33.703, p=0.0048); width of uterus: 1.042 (1.019–1.069, p=0.0001); and ovarian endometrioma: 23.695 (7.204–93.101, p<0.0001). No validation of the model was performed.
Song (2012) identified three risk factors for conversion to laparotomy: OR (95%CI, p-value): BMI (<18.5 is referent), 18.5-24.9: 1.24 (0.46–2.52, p=.999), 25-29.9: 1.58 (0.57–3.24, p=.630), ≥30: 2.98 (1.15–5.67, p=.049); uterine weight (g) (<500 is referent), ≥500: 3.24 (2.07–5.08, p<.001); and previous operations: oophorectomy: 1.15 (0.30–4.33, p=.999), myomectomy: 6.19 (1.62–23.68, p=.003), cesarean, once: 1.49 (0.56–3.95, p=.999), cesarean, twice or more: 1.46 (0.54–3.92, p=0.999). No validation of the model was performed.
Table 1. Overview of results of included studies
|
|
Pepin (2020) Validated model |
Leonard (2005) Non-validated model |
Lim (2016) Non-validated model |
Saito (2017) Non-validated model |
Song (2012) Non-validated model |
|
|
OR (95% CI, p-value) |
OR (95% CI, p-value) |
OR (95% CI, p-value) |
OR (95%CI, p-value) |
OR (95%CI, p-value) |
|
Age (years) |
1.02 (1.01-1.02, p<.001) |
|
≤40: reference >40 and ≤60: 1.55 (1.03–2.31, p=.034) >60: 1.83 (1.00–3.35, p=.050) |
|
|
|
Race |
White: reference Black: 1.34 (1.19-1.52, p<.001) Other: 1.18 (1.03-1.34, p=.0170) |
|
Nonwhite vs white: 1.07 (0.76–1.52, p=.694) |
|
|
|
Surgeon volume |
|
|
Lower vs top tertile: 0.66 (0.47–0.92, p=.015) |
|
|
|
Type of laparoscopy |
|
|
Robotics vs traditional: 0.14 (0.07–0.25, p<.001) |
|
|
|
BMI |
1.002 (0.996-1.008, p=.5000) |
1.09 (1.01–1.18, p=.03) (mean is reference) |
<30: reference ≥30: 1.62 (1.24–2.13), p<.001) |
1.172 (1.010–1.368, p=0.0382) |
18.5: reference 18.5-24.9: 1.24 (0.46–2.52, p=.999) 25-29.9: 1.58 (0.57–3.24, p=.630) ≥ 30: 2.98 (1.15–5.67, p=.049) |
|
Indications for hysterectomy |
|
|
Pelvic inflammatory disease: no vs yes: 3.53 (0.75–16.65, p=.110) Pelvic mass: no vs yes: 1.64 (1.00–2.69, p=.050) Pelvic organ prolapse: no vs yes: 0.40 (0.19–0.83, p=.015)
Adhesions (None or mild is referent) Moderate: 2.49 (1.58–3.92, p<.001) Severe: 8.07 (5.60–11.62, p<.001) |
|
|
|
Endometriosis |
|
|
1.32 (0.88–1.97, p=.174) |
Ovarian: 23.695 (7.204–93.101, p<0.0001) |
|
|
Total vs supracervical hysterectomy |
|
|
1.47 (0.92–2.31, p=.100) |
|
|
|
Cancer on final pathology |
|
|
1.47 (0.76–2.82, p=.255) |
|
|
|
Uterine weight (g) |
Predicted (kg) 1.002 (1.001-1.002, p<.001) |
|
<250: reference 250–499: 2.97 (2.12–4.16, p<.001) 500–999: 4.88 (2.78–8.58, p<.001) ≥1,000: 5.15 (2.15–12.36, p<.001) |
|
500: reference ≥ 500: 3.24 (2.07–5.08, p<.001) |
|
Parity |
1.07 (1.04-1.11, p<.001) |
|
|
|
|
|
ASA class |
1: reference 2: 1.31 (1.09-1.57, p=0.0030) 3: 1.62 (1.31-1.99, p<.001) 4: 2.72 (1.65-4.49, p<.001) |
|
|
|
|
|
Width of uterus (cm) |
|
<8: reference 8-10 cm: 4.01 (1.54–10.45, p=.005) >10 cm: 9.17 (2.74–30.63, p=.000) |
|
1.042 (1.019–1.069, p=0.0001) |
|
|
Previous operation
|
Laparotomy: 1.21 (1.10-1.34, p<.001) |
|
Alternative treatment before hysterectomy versus none: 0.63 (0.42–0.96, p=.031) |
Cesarean: 7.714 (1.902–33.703, p=0.0048) |
Oophorectomy: 1.15 (0.30–4.33, p=.999) Myomectomy: 6.19 (1.62–23.68, p=.003) Cesarean, once: 1.49 (0.56–3.95, p=.999) Cesarean, twice or more: 1.46 (0.54–3.92, p=0.999) |
|
Inexperienced surgeon |
|
Yes: reference No: 2.68 (1.11–6.45, p=.03) |
|
|
|
|
Lateral myoma >5cm |
|
No: reference Yes: 3.57 (0.97–13.17, p=0.056) |
|
|
|
|
History of adhesion causing abdominopelvic surgery: |
|
No: reference Yes: 2.92 (1.23–6.94, p=.015) |
|
|
|
Level of evidence of the literature
The GRADE tool was only applied to the model by Pepin (2020), since this is the only internally validated model reported. Because of the prognostic nature of the study by Pepin (2020), GRADE evaluation started at High. The level of evidence was downgraded by two levels because of no external validation (indirectness) and because the crucial outcome successful hysterectomy was included in a combined outcome (indirectness).
Zoeken en selecteren
A systematic review of the literature was performed to answer the following question: Which factors are associated with a successful vaginal/abdominal/laparoscopic hysterectomy?
P: Patients undergoing hysterectomies for benign indications
I: Presence of prognostic factors / patient characteristics, such as: endometriosis/adenomyosis/myoma/uterus size, uterus mobility, BMI, history of abdominal/cervical surgery, parity, age
C: Absence of those factors
O: Successful vaginal/abdominal/laparoscopic hysterectomy
Relevant outcome measures
The guideline development group considered successful hysterectomy as a crucial outcome measure for decision making. The working group defined the outcome measure successful vaginal/abdominal/laparoscopic hysterectomy as follows: surgery ended as such, i.e., no conversion.
A priori, the working group did not define boundaries for clinical relevance, since these are not applicable to prognostic prediction models.
Search and select (Methods)
The databases Medline (via OVID) and Embase (via Embase.com) were searched with relevant search terms from 2016 until March 11, 2021. The detailed search strategy is depicted under the tab Methods. The systematic literature search resulted in 717 hits. Studies were selected based on the following criteria: randomized controlled trials, systematic reviews, observational studies, studying indications or patient characteristics influencing choice of hysterectomy. Eighty-four studies were initially selected based on title and abstract screening. After reading the full text, eighty-one studies were excluded (see Table of excluded studies), and three studies were included. The individual studies in two systematic reviews from 2016 and 2017 (included in the 84 studies mentioned above), with similar search strategies, were also analyzed. In the systematic reviews a total of 141 studies were included, of which two were included in this analysis. In total, five studies were used in this analysis.
Results
Five studies were included in the analysis of the literature. 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. Four studies did not report on internal or external validation of the model, of which one reported the performance of the model. The other three studies were therefore excluded from the evidence table. All studies included performed laparoscopic hysterectomies. No studies met inclusion criteria performing vaginal or abdominal hysterectomies.
Referenties
- Leonard F, Chopin N, Borghese B, Fotso A, Foulot H, Coste J, Mignon A, Chapron C. Total laparoscopic hysterectomy: preoperative risk factors for conversion to laparotomy. J Minim Invasive Gynecol. 2005 Jul-Aug;12(4):312-7.
- Lim CS, Mowers EL, Mahnert N, Skinner BD, Kamdar N, Morgan DM, As-Sanie S. Risk Factors and Outcomes for Conversion to Laparotomy of Laparoscopic Hysterectomy in Benign Gynecology. Obstet Gynecol. 2016 Dec;128(6):1295-1305.
- NVOG Ð Laparoscopische hysterectomie voor benigne indicaties. 2017. Geraadpleegd van: https://www.nvog.nl/wp-content/uploads/2021/03/Laparoscopische-hysterectomie-08-12-2017.pdf
- Pepin KJ, Cook EF, Cohen SL. Risk of complication at the time of laparoscopic hysterectomy: a prediction model built from the National Surgical Quality Improvement Program database. Am J Obstet Gynecol. 2020 Oct;223(4):555.e1-555.e7.
- Saito A, Hirata T, Koga K, Takamura M, Fukuda S, Neriishi K, Pastorfide G, Harada M, Hirota Y, Wada-Hiraike O, Fujii T, Osuga Y. Preoperative assessment of factors associated with difficulty in performing total laparoscopic hysterectomy. J Obstet Gynaecol Res. 2017 Feb;43(2):320-329.
- Song T, Kim TJ, Kang H, Lee YY, Choi CH, Lee JW, Kim BG, Bae DS. Factors associated with complications and conversion to laparotomy in women undergoing laparoscopically assisted vaginal hysterectomy. Acta Obstet Gynecol Scand. 2012 May;91(5):620-4.
Evidence tabellen
|
Study reference |
Study characteristics |
Patient characteristics |
Candidate predictors |
Model development, performance and evaluation |
Outcome measures and results |
Comments Interpretation of model |
|
Pepin, 2020 |
Source of data and date: Retrospective cohort, 2014-2017
Setting/ number of centres and country: 147 hospitals (public, private, and academic), USA
Funding and conflicts of interest: Not reported. |
Recruitment method: American College of Surgeons - National Surgical Quality Improvement Program (ACS-NSQIP) database
Inclusion criteria: Patients undergoing benign hysterectomies initiated with laparoscopy, by gynaecologists
Exclusion criteria: - Women <18 years of age. - any other hysterectomy (vaginal, abdominal, etc.)
Treatment received? Laparoscopic hysterectomy
Participants: Derivation: n=16,520 Validation: n=16,603 Total: n=32,753
Mean age ± SD: Derivation: 47.3 yrs ± 10.4 Validation: 47.2 yrs ± 10.4
BMI mean ± SD Derivation: 31.1 ± 8.0 Validation: 31.1 ± 8.0 |
Describe candidate predictors and method and timing of measurement: Predictor 1: Age Predictor 2: Race Predictor 3: BMI Predictor 4: Parity Predictor 5: history of laparotomy Predictor 6: history of pelvic surgery Predictor 7: predicted uterine weight Predictor 8: ASA class
Number of participants with any missing value4? Not reported
How were missing data handled? Complete case analysis |
Development Modelling method: manual backward elimination regression technique; for multivariate logistic regression
Performance Calibration measures7 and 95%CI: calibration table and plot (observed vs expected) included.
Discrimination measures8 and 95%CI: The c-statistics for the derivation and validation cohorts were 0.62 and 0.62, respectively
Classification measures9: not reported
Evaluation Method for testing model performance10: internal
|
Type of outcome: combined
Definition and method for measurement of outcome: Complications: - Intraoperative complications: conversion to open procedure and operative time greater than 4 hours. - Postoperative complications were defined as blood transfusion reoperation, failure to wean from intubation, need for re-intubation, readmission within 30 days, wound infection, wound dehiscence, pelvic infection, bowel obstruction, fistula formation, and major medical complications
Endpoint or duration of follow-up: 30 days after surgery
Number of events/outcomes: Derivation: 2,329 (14.1%) Validation: 2,308 (13.9%) Total patients with event: N=4595
RESULTS Multivariable model11: OR (95%CI, p-value) Age: 1.02 (1.01-1.02, p<.001) BMI: 1.002 (0.996-1.008, p=.5000) Race (white is referent) Black: 1.34 (1.19-1.52, p<.001) Other: 1.18 (1.03-1.34, p=.0170) Parity: 1.07 (1.04-1.11, p<.001) Prior laparotomy: 1.21 (1.10-1.34, p<.001) Predicted uterine weight: 1.002 (1.001-1.002, p<.001) ASA class (1 is referent) 2. 1.31 (1.09-1.57, p=0.0030) 3. 1.62 (1.31-1.99, p<.001) 4. 2.72 (1.65-4.49, p<.001)
Alternative presentation of final model12: in calibration table; risk category and predicted complications (%) 0%-7.5%: 6.7% 7.6%-10%: 8.9% 10.1%-12.5%: 11.3% 12.6%-15%: 13.6% 15.1%-20%: 17.0% >20%: 26.4% |
Interpretation: Useful for practice, well calibrated for all risk groups.
Comparison with other studies? Only study with internal validation of model. Large study. Comparable results.
Generalizability? Good, very large cohort, although BMI is rather high, groups are comparable. |
Table of quality assessment – prediction modelling studies
(The criteria used in this checklist are based on PROBAST version 15/05/2019)
|
Study reference (first author, year of publication)
Classification
|
Participant selection 1) Appropriate data sources?2 2) Appropriate in- and exclusion?
Risk of bias: low/high/unclear |
Predictors 1) Assessed similar for all participants? 2) Assessed without knowledge of outcome? 3) Available at time the model is intended to be used?
Risk of bias: low/high/unclear |
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?
Risk of bias: low/high/unclear |
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?3 6) Accounted for model overfitting4 and optimism? 7) Predictors and weights correspond to results from multivariate analysis?
Risk of bias: low/high/unclear |
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 |
|
Lim, 2016
Development of model only |
1) yes 2) yes
RoB: low |
1) yes 2) yes 3) yes
RoB: low |
1) yes 2) yes 3) yes 4) yes 5) yes
RoB: low |
1) yes 2) yes 3) yes 4) yes 5) unclear 6) unclear 7) yes
RoB: unclear |
High (model development only) |
|
Pepin, 2020
Development and internal validation of model |
1) yes 2) yes
RoB: low |
1) yes 2) yes 3) yes
RoB: low |
1) yes 2) yes 3) yes 4) yes 5) yes
RoB: low |
1) yes 2) yes 3) unclear 4) yes 5) yes 6) unclear 7) yes
RoB: unclear |
Low |
|
Saito, 2017
Development of model only |
1) yes 2) yes
RoB: low |
1) yes 2) yes 3) yes
RoB: low |
1) yes 2) yes 3) yes 4) yes 5) yes
RoB: low |
1) yes 2) yes 3) unclear 4) yes 5) unclear 6) unclear 7) yes
RoB: unclear |
High (model development only) |
|
Song, 2012
Development of model only |
1) yes 2) yes
RoB: low |
1) yes 2) yes 3) yes
RoB: low |
1) yes 2) yes 3) yes 4) yes 5) yes
RoB: low |
1) yes 2) yes 3) unclear 4) no 5) unclear 6) unclear 7) yes
RoB: unclear |
High (model development only) |
|
Leonard, 2005
Development of model only |
1) yes 2) yes
RoB: low |
1) yes 2) yes 3) yes
RoB: low |
1) yes 2) yes 3) yes 4) yes 5) yes
RoB: low |
1) yes 2) yes 3) unclear 4) no 5) unclear 6) unclear 7) yes
RoB: unclear |
High (model development only) |
Table of excluded studies
|
Author and year |
Reason for exclusion |
|
Abo, 2016 |
Wrong outcome, no multivariate analysis |
|
Agarwal, 2016 |
Wrong outcome, no multivariate analysis |
|
Agrawal, 2018 |
Wrong outcome, no multivariate analysis |
|
AlAshqar, 2021 |
Wrong outcome |
|
Albright, 2016 |
Wrong outcome, no predictors |
|
Asoğlu, 2016 |
Wrong outcome, no patient characteristics |
|
Auclair, 2019 |
Wrong publication type |
|
Baekelandt, 2017 |
Wrong outcome, no predictors |
|
Barber, 2016 |
Wrong outcome, no patient characteristics |
|
Barber, 2018 |
Wrong outcome, no patient characteristics |
|
Beck, 2016 |
Wrong population, included malignancies |
|
Behbehani, 2020 |
Wrong outcome, no predictors |
|
Borendal Wodlin, 2020 |
wrong outcome, influence of complications on state of health |
|
Bulimar, 2016 |
Wrong outcome, no multivariate analysis |
|
Buono, 2021 |
Wrong outcome, no multivariate analysis |
|
Cassling, 2019 |
Wrong outcome, time of operation |
|
Chichura, 2020 |
Wrong outcome, no multivariate analysis |
|
Chrysostomou, 2021 |
Wrong outcome, comparison of techniques |
|
Danilyants, 2019 |
Wrong outcome, no multivariate analysis |
|
Driessen, 2016 |
Wrong outcome, no multivariate analysis |
|
Eggemann, 2018 |
Wrong outcome, no multivariate analysis |
|
Ersoy, 2016 |
Wrong outcome, no multivariate analysis |
|
Fonseca, 2017 |
Wrong outcome, no predictors |
|
Gingold, 2019 |
Wrong outcome, no predictors |
|
Hesselman, 2017 |
Wrong outcome, route of hysterectomy in model |
|
Jeppson, 2017 |
Wrong outcome, no multivariate analysis |
|
Kaya, 2021 |
Wrong outcome, no multivariate analysis |
|
Keurentjes, 2018 |
wrong population: includes also malignancies |
|
Kim, 2016 |
Wrong outcome, no multivariate analysis |
|
Kives, 2018 |
Wrong publication type |
|
Ko, 2021 |
Wrong outcome, route of hysterectomy in model |
|
Kotb, 2016 |
Wrong outcome, comparison of techniques |
|
Kulvanitchaiyanunt, 2019 |
Wrong population, included malignancies |
|
Lai, 2016 |
Wrong population, wrong outcome |
|
Lee, 2019 |
wrong outcome, comparison of techniques |
|
Lefebvre, 2018 |
Wrong publication type |
|
Lindquist, 2017 |
Wrong outcome, no multivariate analysis |
|
Louie, 2018 |
Wrong outcome, adjusted model |
|
Lowenstein, 2021 |
Wrong outcome, comparison of techniques |
|
Luciano, 2016 |
Wrong outcome, no multivariate analysis |
|
Macciò, 2016 |
Wrong outcome, no multivariate analysis |
|
Maclaran, 2016 |
Wrong outcome, no multivariate analysis |
|
Mallick, 2016 |
Wrong outcome, no multivariate analysis |
|
Matsuo, 2021 |
Wrong outcome, no information on outcome |
|
Mereu, 2018 |
Wrong outcome, no multivariate analysis |
|
Michael, 2020 Jun |
Wrong outcome, no multivariate analysis |
|
Michener, 2021 |
Wrong outcome, no predictors |
|
Minas, 2016 |
Wrong outcome, no multivariate analysis |
|
Murji, 2019 |
Wrong publication type |
|
Naveiro-Fuentes, 2017 |
Wrong outcome, surgical site |
|
Neis, 2016 . |
Wrong outcome, no predictors |
|
Neis, 2015 |
Wrong publication type |
|
Nulens, 2021 |
Wrong outcome, no multivariate analysis |
|
Parveen, 2019 |
Wrong population, wrong outcome |
|
Price, 2017 |
Wrong outcome, no multivariate analysis |
|
Puisungnoen, 2020 |
Wrong outcome, no multivariate analysis |
|
Rademaker, 2019 |
Wrong outcome, no multivariate analysis |
|
Radosa, 2016 |
Wrong outcome, no multivariate analysis |
|
Rajakumar, 2018 |
Wrong outcome, no multivariate analysis |
|
Rossitto, 2017 |
Wrong outcome, no multivariate analysis |
|
Sandberg, 2017 |
Wrong outcome, no predictors |
|
Sailofsky, 2021 |
Wrong outcome, route of hysterectomy in model |
|
Sanei-Moghaddam, 2018 |
Wrong outcome, no multivariate analysis |
|
Sarkar, 2020 |
Wrong outcome, no multivariate analysis |
|
Schmitt, 2017 |
Wrong outcome, predicts route of hysterectomy |
|
Schmitt, 2017 |
Wrong outcome, no multivariate analysis |
|
Schmitt, 2019 |
Wrong outcome, no multivariate analysis |
|
Schmitt, 2020 |
Wrong outcome, route of hysterectomy |
|
Shah, 2016 |
Wrong outcome, no information on outcome |
|
Skinner, 2016 |
Wrong outcome, no multivariate analysis |
|
Swenson, 2016 |
Wrong outcome, no multivariate analysis |
|
Terzi, 2016 |
Wrong outcome, no multivariate analysis |
|
Traylor, 2020 |
Wrong outcome, no multivariate analysis |
|
Uccella, 2018 |
Wrong outcome, route of hysterectomy in model |
|
Waldman, 2018 |
Wrong outcome, no multivariate analysis |
|
Wasson, 2016 |
Wrong outcome, no information on outcome |
|
Wolfe, 2018 |
Wrong outcome, no multivariate analysis |
|
Xiong, 2019 |
Wrong outcome, no multivariate analysis |
|
Yavuzcan, 2016 |
Wrong outcome, no multivariate analysis |
|
Yong, 2019 |
Wrong publication type |
|
Zhu, 2020 |
Wrong outcome, route of hysterectomy in model |
Verantwoording
Autorisatiedatum en geldigheid
Laatst beoordeeld : 09-11-2023
Laatst geautoriseerd : 09-11-2023
Geplande herbeoordeling :
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 richtlijnmodules.
Samenstelling werkgroep
Voor het ontwikkelen van de richtlijnmodules zijn in 2020 per module schrijvers en meelezers benoemd. Deze personen werden aangewezen als vertegenwoordigers door de relevante beroepsgroepen die betrokken zijn bij de in de module beschreven zorg (zie hiervoor de Samenstelling van de werkgroep). Alle schrijvers van modules vallend onder één richtlijn vormden samen een schrijfgroep. Alle meelezers van modules vallend onder één richtlijn vormden samen een clusterwerkgroep. In totaal resulteerde dit dus in zes werkgroep en zes clusterwerkgroepen.
Voorzitter project (technisch voorzitter)
Timmermans A. (Anne), gynaecoloog, AmsterdamUMC, NVOG
Werkgroep Laparoscopische Hysterectomie
Engberts M.K. (Marian), urogynaecoloog, Isala Ziekenhuis te Zwolle, NVOG
Kok H.S. (Helen), gynaecoloog, Alrijne Ziekenhuis te Leiden, NVOG
van Kesteren P.J.M. (Paul), gynaecoloog, OLVG te Amsterdam, NVOG
van Rijn C.A.L. (Karin), gynaecoloog, Haaglanden Medisch Centrum te Den Haag, NVOG
Clusterwerkgroep Laparoscopische Hysterectomie
Bosch M. (Marlies), patiëntvertegenwoordiger, Bekkenbodem4all
Ondersteuning project
Abdollahi M. (Mohammadreza), adviseur Kennisinstituut van de Federatie van Medisch Specialisten
Labeur Y.J. (Yvonne), adviseur, Kennisinstituut van de Federatie Medisch Specialisten
Sussenbach A.E. (Annelotte), junior adviseur Kennisinstituut van de Federatie van Medisch Specialisten
Verhoeven M. (Maxime), adviseur, Kennisinstituut van de Federatie van Medisch Specialisten
Projectleiding
Augustus 2022- nu Mostovaya I.M. (Irina) (projectleider), senior adviseur, Kennisinstituut van de Federatie Medisch Specialisten
April 2020 tot augustus 2021: Bijlsma-Rutte A. (Anne), adviseur, Kennisinstituut van de Federatie van Medisch Specialisten
September 2021 tot januari 2022: Venhorst K. (Kristie), adviseur, Kennisinstituut van de Federatie van Medisch Specialisten
Februari 2022 tot juni 2022: Göthlin M. (Mattias), adviseur, Kennisinstituut van de Federatie van Medisch Specialisten
Belangenverklaringen
De Code ter voorkoming van oneigenlijke beïnvloeding door belangenverstrengeling is gevolgd. Alle werkgroepleden hebben schriftelijk verklaard of zij in de laatste drie jaar directe financiële belangen (betrekking bij een commercieel bedrijf, persoonlijke financiële belangen, onderzoek financiering) of indirecte belangen (persoonlijke relaties, reputatiemanagement) hebben gehad. Gedurende de ontwikkeling of herziening van een module worden wijzigingen in belangen doorgegeven. De belangenverklaring wordt opnieuw bevestigd tijdens de commentaarfase.
Een overzicht van de belangen van werkgroepleden 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.
|
Werkgroeplid |
Functie |
Nevenfuncties |
Gemelde belangen |
Ondernomen actie |
|
Timmermans (technisch voorzitter van het project) |
Gynaecoloog, Amsterdam UMC (0.5 fte) |
Commissie kwaliteitsdocumenten NVOG (onbetaald); projectgroep Gynae Goes Green NVOG (onbetaald) |
Geen |
Geen actie |
|
Laparoscopische hysterectomie - werkgroep |
||||
|
Engberts |
Urogynaecoloog ISALA |
Trainer Altis ® Sling voor Coloplast, betaald |
Geen |
Niet betrokken bij de besluitvorming rondom (fasci)slings. |
|
Kok |
Gynaecoloog; Alrijne Ziekenhuis; 0,53fte |
Geen |
Geen |
Geen actie |
|
Van Kesteren |
Gynaecoloog OLVG Oost Amsterdam |
Geen |
Geen |
Geen actie |
|
Van Rijn |
Gynaecoloog/ chef de clinique Haaglanden Medisch Centrum |
Richtlijnondersteuner NVOG |
Geen |
Geen actie |
|
Laparoscopische hysterectomie - clusterwerkgroep |
||||
|
Bosch |
Zie boven |
Zie boven |
Zie boven |
Zie boven |
Inbreng patiëntenperspectief
Er werd aandacht besteed aan het patiëntenperspectief door het uitnodigen van Patiëntenfederatie Nederland en Stichting Bekkenbodem4All voor de schriftelijke knelpunteninventarisatie en voor deelname aan de clusterwerkgroepen. De verkregen input is meegenomen bij het opstellen van de uitgangsvragen, de keuze voor de uitkomstmaten en bij het opstellen van de overwegingen. De richtlijn is voor commentaar voorgelegd aan Patiëntenfederatie Nederland en Stichting Bekkenbodem4All en de eventueel aangeleverde commentaren worden bekeken en verwerkt.
Werkwijze
AGREE
Deze richtlijnmodule is opgesteld volgens 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).
Knelpuntenanalyse en uitgangsvragen
Tijdens de voorbereidende fase inventariseerden de werkgroep de knelpunten in de zorg en de actualiteit van de aanbevelingen beschreven in de te reviseren modules. Tevens zijn er knelpunten aangedragen door de Nederlandse Vereniging voor Obstetrie en Gynaecologie (NVOG), de Nederlandse Vereniging van Maag-Darm-Leverartsen (NVMDL), Vereniging Klinische Genetica Nederland (VKGN), Inspectie Gezondheidszorg en Jeugd (IGJ), Koninklijke Nederlandse Organisatie van Verloskundigen (KNOV), Nederlands Huisartsen Genootschap (NHG), Nederlandse Vereniging voor Bekkenfysiotherapie (NVFB) / Koninklijk Nederlands Genootschap voor Fysiotherapie (KNGF) en Pré- en Postpartum Gezondheidszorg, Nederlandse Vereniging van Ziekenhuizen (NVZ), Patiëntenfederatie Nederland, Zorginstituut Nederland (ZiNL), Zelfstandige Klinieken Nederland (ZKN) en Zorgverzekeraars Nederland (ZN) via een schriftelijke knelpunteninventarisatie.
Op basis van de uitkomsten van de knelpuntenanalyse zijn door de werkgroep concept-uitgangsvragen opgesteld en definitief vastgesteld.
Uitkomstmaten
Na het opstellen van de zoekvraag behorende bij de uitgangsvraag inventariseerde de werkgroep welke uitkomstmaten voor de patiënt relevant zijn, waarbij zowel naar gewenste als ongewenste effecten werd gekeken. Hierbij werd een maximum van acht uitkomstmaten gehanteerd. De werkgroep waardeerde deze uitkomstmaten volgens hun relatieve belang bij de besluitvorming rondom aanbevelingen, als cruciaal (kritiek voor de besluitvorming), belangrijk (maar niet cruciaal) en onbelangrijk. Ook definieerde de werkgroep 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 en de beoordeling van de risk-of-bias van de individuele studies is te vinden onder ‘Zoeken en selecteren’ onder Onderbouwing. 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. 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 (Hultcrantz, 2017; Schünemann, 2013).
|
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 nul effect) liggen dan de MCID (Hultcrantz, 2017).
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 de werkgroep wordt toegekend aan de overwegingen, bepalen samen de sterkte van de aanbeveling. Volgens 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. De werkgroep 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
In de knelpuntenanalyse en bij de ontwikkeling van de richtlijnmodule is expliciet aandacht geweest voor de organisatie van zorg: alle aspecten 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.
Commentaar- en autorisatiefase
De richtlijnmodule werd aan de betrokken (wetenschappelijke) verenigingen en (patiënt) organisaties voorgelegd ter commentaar. De commentaren worden verzameld en besproken met de werkgroep. Naar aanleiding van de commentaren wordt de richtlijnmodule aangepast en definitief vastgesteld door de werkgroep. De definitieve richtlijnmodule wordt aan de deelnemende (wetenschappelijke) verenigingen en (patiënt) organisaties voorgelegd voor autorisatie en akkoord.
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.
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.
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.
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.
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.
Medisch Specialistische Richtlijnen 2.0 (2012). Adviescommissie Richtlijnen van de Raad Kwaliteit.
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.
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.
Schünemann HJ, Oxman AD, Brozek J, Glasziou P, Jaeschke R, Vist GE, Williams JW Jr, Kunz R, Craig J, Montori VM, Bossuyt P, Guyatt GH; GRADE Working Group. Grading quality of evidence and strength of recommendations for diagnostic tests and strategies. BMJ. 2008 May 17;336(7653):1106-10. Erratum in: BMJ. 2008 May 24;336(7654).
Wessels M, Hielkema L, van der Weijden T. How to identify existing literature on patients' knowledge, views, and values: the development of a validated search filter. J Med Libr Assoc. 2016 Oct;104(4):320-324.
Zoekverantwoording
Zoekacties zijn opvraagbaar. Neem hiervoor contact op met de Richtlijnendatabase.