Patiënten terugzien na ontslag

Beoordeeld: 02-12-2024

Uitgangsvraag

Welke patiënten dienen na een licht THL poliklinisch te worden teruggezien en op welke termijn?

Aanbeveling

Voer een poliklinische controle uit bij volwassen patiënten die klinisch zijn opgenomen voor een licht THL binnen 4-6 weken na ontslag.

Voer een poliklinische controle (fysiek dan wel telefonisch) uit bij kinderen die klinisch zijn opgenomen voor een licht THL binnen 4-6 weken na ontslag.

Overweeg laagdrempelig een poliklinische controle afspraak (fysiek dan wel telefonisch) bij patiënten met een voorgeschiedenis van migraine, eerder traumatisch hersenletsel of psychiatrische problemen, vroege cognitieve klachten en verdenking op schedelbasisfractuur na het ongeval.

Heb aandacht voor posttraumatische klachten en mogelijke complicaties tijdens de controle afspraak. Bepaal aan de hand van het herstel van de patiënt (volwassenen of kinderen) of psycho-educatie, een vervolgafspraak en/of therapie in de eerste lijn (fysiotherapie, oefentherapie, ergotherapie) ingezet dient te worden.

Gebruik de richtlijn ‘Aanhoudende klachten na licht traumatisch hoofd/hersenletsel’ wanneer klachten persisteren na 3 maanden.

Overwegingen

Voor- en nadelen van de interventie en de kwaliteit van het bewijs

Volwassenen

De werkgroep heeft een literatuuronderzoek verricht naar de prestatie van (multivariabele) predictiemodellen welke (de kans op) herstel na een licht THL kunnen voorspellen om op basis hiervan een uitspraak te doen welke patiënten voor een poliklinische follow-up moeten worden gezien. Er werden zes studies met predictiemodellen gevonden, waarbij herstel werd gedefinieerd als aanwezigheid van posttraumatische klachten of functioneel herstel. De modellen bevatten (een combinatie van) klinische factoren, beeldvorming (CT- en/of MRI-bevindingen), patiëntkarakteristieken en factoren gerelateerd aan het ongeval.

De prestatie (voorspellende waarde) was over het algemeen laag waarbij de modellen van Cnossen (2017), Falk (2021) en van der Naalt (2017) een acceptabele prestatie lieten zien (0.7≤AUC<0.8). De bewijskracht was echter laag, vanwege de beperkingen in studieopzet (risk of bias), in sommige gevallen gebrek aan externe validatie (indirectheid) en lage event-aantallen (imprecisie). Vanwege de zeer lage bewijskracht kan geen uitspraak worden gedaan over de prestatie van de gevonden predictiemodellen op herstel na licht THL. Derhalve kunnen we geen aanbevelingen doen over het gebruik van een predictiemodel om het herstel na licht THL te voorspellen en te beoordelen welke patiënten er een controle afspraak moeten krijgen op de polikliniek.

Naast predictiemodellen zijn er meerdere recente prospectieve en retrospectieve cohortstudies bij volwassenen verricht naar voorspellende factoren voor een slecht herstel na licht THL bij volwassenen. Deze studies kunnen specifieke risicofactoren opleveren die meegenomen kunnen worden bij de beslissing of een patiënt een poliklinische afspraak moet krijgen. Diverse studies laten zien dat bij volwassen patiënten demografische factoren zoals een psychiatrische voorgeschiedenis, eerder traumatisch hersenletsel, lager opleidingsniveau, hogere leeftijd en ongevalsfactoren zoals een hoogenergetisch trauma of toegebracht letsel of geweld) geassocieerd zijn met een ongunstige uitkomst en klachten na 3 en 6 maanden, (Lingsma, 2015; Cnossen, 2017; Yue, 2019; Madhok, 2020) maar ook met aanhoudende post-traumatische klachten na 1 maand (Varner 2021). De aanwezigheid van extracranieel letsel is een voorspeller voor een slechtere werkhervatting en ongunstig herstel (de Koning, 2017; Lingsma, 2015). Een aantal specifieke klachten die op de SEH aanwezig zijn (nekpijn, duizeligheid, hoofdpijn), zijn geassocieerd met een ongunstige uitkomst (Sheedy, 2009; van der Naalt, 2017; Falk, 2021; Varner, 2021).

Naast demografische en ongeval-gerelateerde factoren zijn ook psychologische factoren geassocieerd met een ongunstig herstel. Een prospectieve Nederlandse multicenter studie liet zien dat factoren zoals coping en stress geassocieerd zijn met een slechtere uitkomst (van der Naalt, 2017), hetgeen later werd bevestigd door een Noorse studie (Skandsen, 2020). Deze studies laten zien dat naast factoren die op de SEH bepaald kunnen worden, ook factoren die 1-2 weken na een ongeval belangrijk zijn om de uiteindelijke uitkomst te voorspellen en de voorspellende waarde van een predictiemodel aanzienlijk verbeteren (Cnossen, 2018). In de studie van Mikolic (2023) bleek dat het toevoegen van klachten bij 2 weken de performance van het model voor de aanwezigheid van ernstige posttraumatische klachten na 6 maanden aanzienlijk liet toenemen met een AUC van 0.83 en een verklaarde variantie van 37% voor het voorspellen van klachten. Dit verschil was minder wanneer werd gekeken naar functioneel herstel.

Kinderen

Bij kinderen is er beperkt onderzoek gedaan waarbij er specifiek naar prognostische factoren voor de uitkomsten na licht THL is gekeken. Een systematische review naar de waarde van prognostische modellen (Silverberg, 2015) liet zien dat bij kinderen met name de sociale en/of maatschappelijke kwetsbaarheid voorafgaand aan het licht THL geassocieerd is met een slechtere prognose. In een onderzoek onder kinderen van 8-16 jaar bleken sociale problematiek voorafgaand aan het trauma en acute stress na het trauma voorspellend voor een slechtere uitkomst (Aviv, 2023). In een onderzoek bij kinderen van 6-18 jaar waren cognitieve problemen kort na het trauma voorspellend voor minder goed neuropsychologisch functioneren na 4 weken en 12 weken, terwijl hoofdpijn kort na het trauma alleen voorspellend was na 12 weken (Beauchamp, 2018). In een Nederlandse prospectieve cohortstudie onder kinderen van 6-18 jaar bleken gedragsproblemen en gezinsproblematiek voorafgaand aan het trauma, en meer stress en posttraumatische klachten twee weken nadien, voorspellend voor slechtere hervatting van de normale activiteiten, terwijl directe trauma-gerelateerde factoren geen grote invloed hierop hadden (Renaud, 2020).

Concluderend is op basis van de huidige literatuur geen zekere uitspraak te doen over welke patiënten we terug moeten zien op de polikliniek. Dit geldt voor volwassenen en kinderen. In de NICE richtlijn Head Injury (2023) worden ook geen aanbevelingen gedaan over welke patiënten een poliklinische controle zouden moeten krijgen. Aanwezige voorspellende factoren voor ongunstig herstel zouden kunnen worden gebruikt als indicatie om patiënten terug te zien. Echter, niet alle factoren kunnen hiervoor gebruikt worden, zoals geslacht of opleiding. Psychologische factoren zijn bovendien lastig vast te stellen direct na ontslag. Wel zijn er aanwijzingen dat de aanwezigheid van CT-afwijkingen en PTA-duur van invloed zijn op de uitkomst, en aangezien dit ook criteria zijn om patiënten op te nemen zou dit een argument kunnen zijn om patiënten na opname een keer terug te zien (Yuh, 2021; Falk, 2021, Mikolic, 2021). Er is een selectie van patiënten die nog terug wordt gezien in de poliklinische setting. Bij ontslag uit het ziekenhuis, is in de ontslagbrief vermeld wie de hoofdbehandelaar is, en op welke termijn de patiënt wordt teruggezien.

Een interessant gegeven uit diverse recente studies is dat predictiemodellen sterker worden wanneer naast demografische en ongeval-gerelateerde factoren ook klachten 2 weken na het ongeval worden meegenomen (Cnossen, 2018; van der Naalt, 2017; Mikolic, 2021 en 2023). Dit gegeven zou de mogelijkheid kunnen bieden om rond het tijdstip van 2 weken na een ongeval te bepalen wie in aanmerking zou komen voor poliklinische controle (le Sage, 2022). Deze bepaling van een risicoprofiel zou ook telefonisch mogelijk zijn, wat een reductie kan geven van het aantal poliklinische afspraken. Hoewel een aantal ziekenhuizen een telefonisch contactmoment afspreekt, is dit geen routine in de klinische praktijk en zou dit moeten worden beschouwd als een kennislacune in de nazorg voor deze patiënten.

Waarden en voorkeuren van patiënten (en evt. hun verzorgers)

Patiënten na licht THL kunnen worden teruggezien om te beoordelen hoe het herstel verloopt en of er aanwijzingen zijn voor andere complicaties. Afhankelijk van dit herstel kan psycho-educatie en/of therapie in eerste lijn (fysiotherapie, oefentherapie, ergotherapie) worden ingezet volgens de Standaard Hoofdtrauma van de NHG. Een verwijzing naar de revalidatiearts kan als tweede stap worden overwogen. De beslissing om patiënten terug te zien wordt genomen op het moment van ontslag door de behandelend arts, zie ook algemene adviezen bij ontslag. Patiënten die goed herstellen zullen deze afspraak regelmatig als niet bijdragend beschouwen. Echter bij patiënten waarbij het herstel langzamer verloopt dan gepland, wordt het vaak als waardevol beschouwd omdat er dan meer informatie gegeven kan worden over herstelproces en eventuele mogelijkheden tot begeleiding of doorverwijzing.

Kosten (middelenbeslag)

Het is lastig om te beoordelen of de gemaakte zorgkosten ten aanzien van een controleafspraak met aandacht voor psycho-educatie en vanuit de controle-afspraak mogelijk voortvloeiende aanvullende onderzoeken, begeleiding in de eerste lijn bij fysiotherapeut, oefentherapie of ergotherapeut en/of revalidatietraject opwegen tegen de kosten van de maatschappelijke gevolgen, zoals arbeidsparticipatie. Hier ligt een kennislacune.

Aanvaardbaarheid, haalbaarheid en implementatie

In ieder ziekenhuis is het mogelijk een controleafspraak te maken. De mogelijkheden voor een laagdrempelige (telefonische) controle door een verpleegkundige is nog niet overal beschikbaar. Er is meer onderzoek nodig naar de toegevoegde waarde van deze risicostratificatie-aanpak voordat dit op grote schaal geïmplementeerd kan worden en hier is sprake van een kennislacune.

Rationale van de aanbeveling: weging van argumenten voor en tegen de prognostische procedure

Op basis van de gevonden studies naar predictiemodellen voor herstel na licht THL kan er geen uitspraak worden gedaan over welke patiënten moeten worden teruggezien na ontslag. Wel lieten studies die keken naar de associatie tussen voorspellende factoren en herstel na licht THL zien dat bij volwassenen demografische, ongeval-gerelateerde, en psychologische factoren geassocieerd met ongunstig herstel. Bij kinderen waren dit sociale en/of maatschappelijke kwetsbaarheid en cognitieve problemen (niet trauma-gerelateerd). Deze factoren dienen daarom worden meegewogen in de besluitvorming voor het maken van een controleafspraak.

De werkgroep is van mening dat patiënten die zijn opgenomen na 4 tot 6 weken eenmalig moeten worden teruggezien. Omdat persisterende posttraumatische klachten een belangrijke invloed kunnen hebben op het dagelijks leven waarbij vroege herkenning en begeleiding de uitkomst positief kan beïnvloeden. Dit is ook de tijdsperiode waarin patiënten hun activiteiten, werk en studie weer op gaan pakken. In sommige gevallen kan er een telefonische controle worden gedaan in plaats van een fysieke controle, bijvoorbeeld bij kinderen die ter observatie zijn opgenomen (in plaats van een CT-scan hersenen). Daarnaast is het te overwegen om patiënten (kinderen en volwassenen) met een voorgeschiedenis van psychiatrische problemen, migraine, een eerder traumatisch hersenletsel, cognitieve klachten bij ontslag en verdenking op schedelbasisfractuur ook laagdrempelig op de polikliniek terug te zien. Bij aanhoudende klachten is het van belang om de richtlijn ‘Aanhoudende klachten na licht traumatisch hoofd/hersenletsel’ aan te houden. Afhankelijk van het herstelproces kan worden gekozen voor een tweede controle in combinatie met een eventueel traject binnen de eerstelijns- of een traject binnen de tweedelijnszorg (revalidatiearts). Wanneer de patiënt direct vanaf de SEH naar huis is ontslagen en er geen controle afspraak nodig is in het ziekenhuis, is het vervolg beleid aan de huisarts (zie module Organisatie van zorg).

Onderbouwing

Achtergrond

Een deel van volwassenen en kinderen ontwikkelen posttraumatische klachten na licht THL. Deze klachten kunnen persisteren waardoor participeren in het normale leven niet goed meer mogelijk is. Daarnaast kunnen in de acute fase op de eerste hulp of tijdens een klinische opname complicaties niet direct aan het licht komen, zoals aangezichtsfracturen of uitval n. olfactorius (reukverlies). Ook zeldzamere complicaties zoals een arterioveneuze fistel (oorsuizen) kunnen pas na ontslag manifest worden. Om bovenstaande redenen lijkt voor tenminste een deel van de patiënten een poliklinische controle aan te bevelen. De vraag is of het mogelijk is om in de acute fase in te schatten welke patiënten, op welk moment, een poliklinische controleafspraak moeten krijgen.

Conclusies / Summary of Findings

Recovery

Very low GRADE

The evidence is very uncertain about the model performance of prediction models predicting recovery after mTBI.

Sources: Cnossen, 2017; Falk, 2021; Hellstrom, 2017; Lingsma, 2015; Mikolic, 2017; van der Naalt, 2017.

Samenvatting literatuur

Description of studies

Hellstrom (2017) described a prospective cohort study about pre-, peri- and post-injury predictors on anxiety/depression and posttraumatic stress symptoms up to 12 months post-injury. Patients with acute mTBI were included, defined by a recent history of trauma to the head (<24 hours) resulting in loss of consciousness <30 minutes, post-traumatic amnesia <24 hours and Glasgow Coma Score 13-15. In total 147 patients were included in the study (mean age 40.0y; male 63%; GCS=15 73%). Three prediction models were performed: A) a clinical data model consisting of five injury related factors (mechanism of injury, GCS on admission, PTA, LOC and alcohol influence) and four postinjury factors (PTSS-10 total score, HAD total score, expectation of a favourable outcome and pain) assessed 8 weeks post-injury; B) a brain imaging data model consisting of 104 brain imaging measures assessed 4 weeks post-injury; C) an imaging and clinical data model consisting of the combination of both models. The three models predicted recovery by favourable outcome, which was defined as a composite score of the Glasgow Outcome Scale Extended (GOSE), Rivermead Post concussion Symptoms Questionnaire (RPQ), and Patients Health Questionnaire-9 (PHQ-9), which was assessed during the visit to the outpatient clinic 12 months postinjury. Prediction models were developed by 127 univariate associations and corrected for multiple comparison using the false discovery rate. Each model was validated using leave-one-out cross-validation. Predictive value of the models was assessed by their mean squared error (MSE). Robustness of the model was validated across 10.000 permutations.

Cnossen (2017) described a multi-center, prospective observational study about cognitive somatic and emotional symptoms as predictors for suffering post-concussive symptoms after mTBI. Patients were included if 1) aged ≥16 years; 2) presented to level I trauma center; 3) suffered from external force trauma to the head with sufficient indications to triage to clinically indicated head CT scan within 24h of injury; 4) GCS score ≥ 13. Patients were excluded if 1) pregnant; 2) comorbid life-threatening disease was present; 3) incarceration; 4) serious psychiatric and neurological disorders interfering with outcome assessment; 5) not speaking English. In total 277 patients were included in the analyes (median age: 42y; male 70%; GCS<15: 23%). 2 prediction models were performed including different candidate predictors that were extracted from a systematic literature search for predictors of post-concussive symptoms (or related outcomes) following mTBI. Clinical outcome was defined as the Rivermead Post Concussion Symptoms Questionnaire (RPQ) at six months post-injury. The prediction model was developed by using the least absolute shrinkage and selection operator (Lasso) method. External validity of the final model was further enhanced by performing bootstrap validation with 100 samples. Performance of the prediction models was assessed by area under the curve, distinguishing between mild PCS problems (or worse) and moderate PCS problems (or worse).

Lingsma (2015) evaluated the performance of three existing prognostic models. Patients were included if 1) aged > 16 years; 2) presented to study hospital within 24h; 3) history of trauma to the head sufficient to triage to noncontrast head CT; 4) 3- or 6-month outcome was available. In total, 386 patients were included in the analyses (median age 44y; male 70%; GCS=15 75%). Three types of prediction models were evaluated in the study: the TRACK-TBI model, the Nijmegen model and the CRASH model. To answer the clinical model of this module, only the Nijmegen models were selected since only this model was validated and only mild TBI patients were included. The Nijmegen model distinguished between a model including clinical variables only a model including CT variables only and a model combining clinical and CT variables. Clinical outcome was defined by the Glasgow Outcome Scale Extended (GOS-E) at 6 months after injury. The models were externally validated by studying calibration and discrimination. Performance of the validated prediction models were assessed by the area under the receiving operating curve.

Falk (2021) described a prospective cohort study about the prediction of one-month outcomes among emergency department patients with mTBI. Patients were included if 1) aged ≥18 years; 2) evaluated for blunt head trauma within 24h of injury; 3) received a non-contrast head CT. Patients were excluded if 1) not able to communicate in English; 2) lacking a working telephone number; 3) pregnant; 4) history of intracranial surgery/intracranial hemorrhage/brain tumor/dementia. In total, 355 patients were included in the analyses (median age 45y; male 53%; GCS=15 100%). The association between predictors and clinical outcome was modelled using logistic regression. Bootstrap resampling (1000 resamples) was used for internal validation of the model and the mean over-optimism value and optimism-corrected area under the receiver operating characteristic curve. Clinical outcome was defined as complete recovery (GOSE=8). Performance of the prediction model was assessed by the area under the curve.

Mikolic (2021) described the development of prognostic models for GOSE and persistent post-concussion symptoms (PPCS) six months after mTBI. Patients from a prospective longidtudinal observational Collaborative European NeuroTrauma Effective Research in Traumatic Brain injury (CENTER-TBI) were included if 1) aged ≥16 years; 2) baseline GCS was 13-15; 3) outcome assessments were available. In total, 1605 patients were included in the analyses (median age 53y; 64% male; GCS=15 76%). Different types of prediction models were developed for the outcomes GOSE and RPQ: A core model (including candidate predictors extracted from a systematic review and validation study), an extended model (adding other clinical and sociodemographic variables available at presentation), an early RPC model (including RPQ total measured at presentation or before discharge), a CT variable model (including CT variables), a biomarker model (including blood-based biomarkers) and a combined model (including all variables). Bootstrap validation with 500 repetitions was used to estimate a uniform shrinkage factor (corrected calibration slope) and optimism in performance. Model performance was assessed by the concordance index (C) and proportion of the explain variance (R²).

Van der Naalt (2017) performed an observational cohort study about the early predictors of outcome after mild traumatic brain injury. Patients were included if 1) GCS score was 13-15; 2) posttraumatic amnesia lasted for <24h or loss of consciousness lasted <30 min. Patients were excluded if 1) younger than 16y; 2) history of alcohol or drug misuse; 3) major psychiatric or neurological disorder identified; 4) lacking a permanent home address; 5) insufficient fluency of the Dutch language. In total, 910 patients were included in the study (from which 671 patients were included in the analyses) (mean age 47y; 61% male; GCS=15 64%). The following prediction models were developed by step-down variable selection for functional outcome (GOSE) at six months): An emergency department model (including emergency department predictors assessed at time of admission), an emergency department plus model (including the same predictors, as well as two variables assessed two weeks after injury). The models were internally validated by using 500 bootstrap samples for estimating optimism for all measures. Model performance was assessed by the area under the curve and Nagelkerke’s R².

Results

Study	Population	Prediction model(s)	Candidate variables	Variables significantly contributing to the model or correlated with outcome.	Model outcome and follow-up	Validation method	Model performance
Hellstrom, 2017	N=147	Clinical data model	Assessed on admission: Age, gender, education, marital status, pre-injury depression, preinjury anxiety, preinjury work status, seven resilience factor scores, mechanism of injury, GCS on admission, PTA, LOC and alcohol influence. Assessed 8 weeks post-injury: PTSS-10 total score, HADS total score, expectation of a favourable outcome and pain	Three resilience factor scores (RSA perception of self, RSA perception of future, RSA total), PTSS, HADS, pain, one brain imaging measure (volume of the left choroid plexus).	Favourable outcome* at 12 months post injury	Internal validation by leave-one-out cross-validation	MSE = 2.58 r = 0.55
		Brain imaging model	Assessed 4 weeks post-injury 104 brain imaging measures				MSE = 4.05 r = 0.03
		Clinical data + imaging model	Assessed on admission: Age, gender, education, marital status, pre-injury depression, preinjury anxiety, preinjury work status, seven resilience factor scores, mechanism of injury, GCS on admission, PTA, LOC and alcohol influence. Assessed 8 weeks post-injury: PTSS-10 total score, HADS total score, expectation of a favourable outcome and pain. Assessed 4 weeks post-injury: 104 brain imaging measures				MSE = 2.91 r = 0.45
Cnossen, 2017	N=277	Mild PCS or worse (n=147)	Assessed on admission: Age, gender, years of education, pre-injury migraine and headache, pre-injury psychiatric disorder, prior TBI, PTA, LOC	Years of education, pre-injury psychiatric disorders, prior TBI.	RPQ at 6 months post-injury	External validation of the by performing bootstrap validation with 100 samples.	AUC = 0.74
Cnossen, 2017	N=277	Moderate PCS or worse (n=74)			RPQ at 6 months post-injury		AUC = 0.76
Lingsma, 2015	N=386	Clinical data model	Age, gender, cause of injury, GCS score, no or one pupil reactive, psychiatric medical history, hypoxia, hypotension, education, alcohol intoxication, ISS, AIS head, extracranial injury, Marshall’s CT, facial fracture, EDH, tSAH, midline shift, third ventricle obliteration, contusions, petechial hemorrhage.	Assessed on admission: Age, AIS head, ISS without head, alcohol intoxication.	GOSE at 6 months post-injury	External validation by calibration and discrimination.	AUROC = 0.52
		CT variables model		Assessed on admission: Facial fractures, number of haemorrhagic contusions.			AUROC = 0.55
		Combined model		Assessed on admission: Age, AIS head, ISS without head, alcohol intoxication, number of haemorrhagic contusion, facial fractures.			AUROC = 0.56
Falk, 2021	N=355	Full model	Assessed on admission: Age, gender, race, years of education, marital status, employment status, prior contusion, extracranial injury, history of depression, history of other psychiatric disorders, drugs and/or alcohol within 24h of enrolment, mechanism of injury, loss of consciousness, post-traumatic amnesia, altered mental status, deficits in memory, vomited post-injury, headache, photophobia, poor concentration, positive head CT.	Assessed on admission: Age, history of depression, positive head CT, moderate or severe headache, mild or worse difficulty concentrating, mild or worse photophobia.	Full recovery (GOSE=8) at 1 month post-injury	Internal validation by bootstrap resampling (1000 resamples)	AUC = 0.79
Mikolic, 2021	N=1605	Core model	RPQ (at presentation/before discharge or 2-3 weeks after), GAD-7, PHQ-9, PCL-5, age, GCS, ISS, sex, psychiatric history, pre-injury health, prior TBI, history of migraines or headaches, educational level, employment, living alone, cause of injury, alcohol intoxication, pupillary reactivity, PTA, LOC, vomiting, headache, traumatic axonal injury, cisternal compression, midline shift >5 mm, subarachnoid haemorrhage, contusion, (non-)evacuated hematoma, any abnormality on CT (composite variable), glial fibrillary acidic protein, serum neurofilament light, neuron-specific enolase, S100 calcium-binding protein B, total-Tau, ubiquitin C-terminal hydrolase-L1.	Age, GCS, ISS	Full recovery (GOSE=8) at 6 months post-injury	Internal validation by Bootstrap validation with 500 repetitions to estimate a uniform shrinkage factor (corrected calibration slope) and optimism in performance	C = 0.69 R2 = 18%
		Extended model		Age, GCS, ISS, sex, psychiatric history, pre-injury health, prior TBI, History of migraines or headaches, education level, employment, living alone, cause of injury, alcohol intoxication, pupillary reactivity, posttraumatic amnesia, loss of consciousness, headache, vomiting.			C = 0.70 R2 = 21%
		Early RPC model		Age, GCS, ISS, early RPQ at presentation or before discharge.			C = 0.72 R2 = 22%
		CT variable model		Age, GCS, ISS, traumatic axonal injury, cisternal compression, midline shift, subarachnoid haemorrhage, contusion (non-)evacuated hematoma, composite of any abnormality on CT.			C = 0.71 R2 = 24%
		Biomarker model		Age, GCS, ISS, glial fibrillary acidic protein, serum neurofilament light Neuron-specific enolase, S100 calcium-binding protein B, Total-Tau, ubiquitin C-terminal hydrolase-L1.			C = 0.71 R2 = 23%
		Combined model		Age, GCS, ISS, sex, psychiatric history, pre-injury health, prior TBI, History of migraines or headaches, education level, employment, living alone, cause of injury, alcohol intoxication, pupillary reactivity, posttraumatic amnesia, loss of consciousness, headache, vomiting, traumatic axonal injury, cisternal compression, midline shift, subarachnoid haemorrhage, contusion (non-)evacuated hematoma, composite of any abnormality on CT, glial fibrillary acidic protein, serum neurofilament light Neuron-specific enolase, S100 calcium-binding protein B, Total-Tau, ubiquitin C-terminal hydrolase-L1, early RPQ at presentation or before discharge			C = 0.73 R2 = 26%
		Core model		Sex, psychiatric history, pre-injury health.	Significant post-concussion symptoms (RPQ ≥16)	Internal validation by Bootstrap validation with 500 repetitions to estimate a uniform shrinkage factor (corrected calibration slope) and optimism in performance	C = 0.60 R2 = 0.04
		Extended model		Sex, psychiatric history, pre-injury health, sex, psychiatric history, pre-injury health, prior TBI, History of migraines or headaches, education level, employment, living alone, cause of injury, alcohol intoxication, pupillary reactivity, posttraumatic amnesia, loss of consciousness, headache, vomiting.			C = 0.65 R2 = 0.09
		Early RPC model		Sex, psychiatric history, pre-injury health, early RPQ at presentation or before discharge.			C = 0.67 R2 = 0.12
		CT variable model		Sex, psychiatric history, pre-injury health, traumatic axonal injury, cisternal compression, midline shift, subarachnoid haemorrhage, contusion (non-)evacuated hematoma, composite of any abnormality on CT.			C = 0.65 R2 = 0.09
		Biomarker model		Sex, psychiatric history, pre-injury health, glial fibrillary acidic protein, serum neurofilament light Neuron-specific enolase, S100 calcium-binding protein B, Total-Tau, ubiquitin C-terminal hydrolase-L1.			C = 0.66 R2 = 0.09
		Combined model		Sex, psychiatric history, pre-injury health, sex, psychiatric history, pre-injury health, prior TBI, History of migraines or headaches, education level, employment, living alone, cause of injury, alcohol intoxication, pupillary reactivity, posttraumatic amnesia, loss of consciousness, headache, vomiting, traumatic axonal injury, cisternal compression, midline shift, subarachnoid haemorrhage, contusion (non-)evacuated hematoma, composite of any abnormality on CT, glial fibrillary acidic protein, serum neurofilament light Neuron-specific enolase, S100 calcium-binding protein B, Total-Tau, ubiquitin C-terminal hydrolase-L1, early RPQ at presentation or before discharge.			C = 0.67 R2 = 0.12
Van der Naalt, 2017	N=671	Emergency department model	Injury severity: GCS score, post-traumatic amnesia, CT abnormalities Demographics: Age, gender, educational level, pre-injury mental health, previous brain injury Physical conditions: Alcohol use, neck pain, headache, nausea, dizziness	Educational level, sex, pre-injury mental health, alcohol use, neck pain, GCS score, PTA.	Full recovery (GOSE=8) at 6 months	Internal validation by 500 bootstrap samples.	AUC = 0.72 R2 = 19%
Van der Naalt, 2017	N=671	Emergency department plus model	Injury severity: GCS score, post-traumatic amnesia, CT abnormalities Demographics: Age, gender, educational level, pre-injury mental health, previous brain injury Physical conditions: Alcohol use, neck pain, headache, nausea, dizziness Emotional distress and coping (at 2 wk) Anxiety, depression, PTS complaints, active coping, passive coping, avoidant coping.	Educational level, pre-injury mental health, alcohol use, neck pain, GCS score, PTA, anxiety, depression, PTS complaints, active coping, passive coping, avoidant coping.	Full recovery (GOSE=8) at 6 months	Internal validation by 500 bootstrap samples.	AUC = 0.79 R2 = 32%
Abbreviations: GCS: Glasgow Coma Scale; PTA: posttraumatic amnesia; LOC: loss of consciousness; PTSS: Posttraumatic Symptom Scale; HADS: Hospital Anxiety and Depression Scale; MSE: Mean Squared Error; PCS: Post-concussive syndrome; TBI: traumatic brain injury; RPQ: Post Concussion Symptoms Questionnaire; AUC: area under the curve; AIS: Abbreviated Injury Score; ISS: Injury Severity Score; GOSE: Glasgow Outcome Scale Extended; AUROC: area under the receiver operating characteristic curve; C: concordance index; R2: performance of linear models as proportion of variance explained; r: correlation between observed and predicted outcomes; EDH: extradural hematoma; tSAH: traumatic subarachnoid haemorrhage; GAD-7: Generalized Anxiety Disorder 7-item scale; PHQ-9: Patient Health Questionnaire; Psychiatric; PCL-5: Post-Traumatic Stress Disorder (PTSD) Checklist for Diagnostic and Statistical Manual of Mental Disorders, Fifth Edition (DSM)-5.

Level of evidence of the literature

The level of evidence in the literatures started at high but was downgraded by three levels due to study limitations (-1, risk of bias), the lack of external validation (-1, indirectness) and low number of events in proportion the variables (-1, imprecision). The final level is very low.

Zoeken en selecteren

A systematic review of the literature was performed to answer the following question: Which prediction model can predict recovery after mild traumatic brain injury (mTBI)?

P: Adults (16+) and children (<16) with remaining complaints after mTBI
in the sub-acute phase;

I: Prediction model recovery of mild traumatic brain injury:

Outcome: recovery

Factors: not specified

C: Prediction based on coincidence;

O: Model performance (discrimination parameters like area under the curve,

sensitivity, specificity, predictive value, coefficient of determination R²);

Timing: Between 24 hours and three months after mTBI;

Setting: Emergency physician, radiologist, neurologist.

Relevant outcome measures

The guideline development group considered area under the curve (AUC) as a critical outcome measure for decision making. A priori, the working group did not define the outcome measures listed above but used the definitions used in the studies.

The working group defined the performance of the included models as follows (Cohen, 1988):

0.7≤AUC<0.8: acceptable,
0.8≤AUC<0.9: excellent,
AUC≥0.9: outstanding,
R2 < 0.02: very weak,
0.02 ≤ R2 < 0.13: weak,
0.13 ≤ R2 < 0.26: moderate,
R2 ≥ 0.26: substantial.

Search and select (Methods)

The databases Medline (via OVID) and Embase (via Embase.com) were searched for systematic reviews, randomized controlled trials and observational studies with relevant search terms from 2000 until November 7^th, 2022. The detailed search strategy is depicted under the tab Methods. The systematic literature search resulted in 994 hits.

Studies were selected based on the following criteria:

Reporting prospective multivariable longitudinal association model or prediction model with outcome as dependent variable and factors that can be influenced by an intervention as independent variables;
The described model(s) were at least internally validated (preferably externally validated);
Studies were full text available in English; and
Studies according to the PICO.

A total of 27 studies were initially selected based on title and abstract screening. After reading the full text, 21 studies were excluded (see the table with reasons for exclusion under the tab Methods).

Results

Six studies were included in the analysis of the literature. Important study characteristics are summarized in the evidence table. The assessment of the risk of bias is summarized in the risk of bias tables.

Referenties

Cnossen, M. C., Winkler, E. A., Yue, J. K., Okonkwo, D. O., Valadka, A. B., Steyerberg, E. W., Lingsma, H. F., Manley, G. T., & TRACK-TBI Investigators (2017). Development of a Prediction Model for Post-Concussive Symptoms following Mild Traumatic Brain Injury: A TRACK-TBI Pilot Study. Journal of neurotrauma, 34(16), 2396–2409. https://doi.org/10.1089/neu.2016.4819
Falk, H., Bechtold, K. T., Peters, M. E., Roy, D., Rao, V., Lavieri, M., Sair, H., Van Meter, T. E., & Korley, F. (2021). A Prognostic Model for Predicting One-Month Outcomes among Emergency Department Patients with Mild Traumatic Brain Injury and a Presenting Glasgow Coma Scale of Fifteen. Journal of neurotrauma, 38(19), 2714–2722. https://doi.org/10.1089/neu.2021.0137
Hellstrøm, T., Kaufmann, T., Andelic, N., Soberg, H. L., Sigurdardottir, S., Helseth, E., Andreassen, O. A., & Westlye, L. T. (2017). Predicting Outcome 12 Months after Mild Traumatic Brain Injury in Patients Admitted to a Neurosurgery Service. Frontiers in neurology, 8, 125. https://doi.org/10.3389/fneur.2017.00125
Lingsma, H. F., Yue, J. K., Maas, A. I., Steyerberg, E. W., Manley, G. T., & TRACK-TBI Investigators (2015). Outcome prediction after mild and complicated mild traumatic brain injury: external validation of existing models and identification of new predictors using the TRACK-TBI pilot study. Journal of neurotrauma, 32(2), 83–94. https://doi.org/10.1089/neu.2014.3384
Mikolić, A., Steyerberg, E. W., Polinder, S., Wilson, L., Zeldovich, M., von Steinbuechel, N., Newcombe, V. F. J., Menon, D. K., van der Naalt, J., Lingsma, H. F., Maas, A. I. R., & van Klaveren, D. (2023). Prognostic Models for Global Functional Outcome and Post-Concussion Symptoms Following Mild Traumatic Brain Injury: A Collaborative European NeuroTrauma Effectiveness Research in Traumatic Brain Injury (CENTER-TBI) Study. Journal of neurotrauma, 40(15-16), 1651–1670. https://doi.org/10.1089/neu.2022.0320
Mikolić A, Polinder S, Steyerberg EW, Retel Helmrich IRA, Giacino JT, Maas AIR, van der Naalt J, Voormolen DC, von Steinbüchel N, Wilson L, Lingsma HF, van Klaveren D; Collaborative European NeuroTrauma Effectiveness Research in Traumatic Brain Injury (CENTER-TBI) Study Participants and Investigators. Prediction of Global Functional Outcome and Post-Concussive Symptoms after Mild Traumatic Brain Injury: External Validation of Prognostic Models in the Collaborative European NeuroTrauma Effectiveness Research in Traumatic Brain Injury (CENTER-TBI) Study. J Neurotrauma. 2021 Jan 15;38(2):196-209. doi: 10.1089/neu.2020.7074. Epub 2020 Oct 19. PMID: 32977737.
van der Naalt, J., Timmerman, M. E., de Koning, M. E., van der Horn, H. J., Scheenen, M. E., Jacobs, B., Hageman, G., Yilmaz, T., Roks, G., & Spikman, J. M. (2017). Early predictors of outcome after mild traumatic brain injury (UPFRONT): an observational cohort study. The Lancet. Neurology, 16(7), 532–540. https://doi.org/10.1016/S1474-4422(17)30117-5
Sage, N. L., Chauny, J. M., Berthelot, S., Archambault, P., Neveu, X., Moore, L., Boucher, V., Frenette, J., De Guise, É., Ouellet, M. C., Lee, J., McRae, A. D., Lang, E., Émond, M., Mercier, É., Tardif, P. A., Swaine, B., Cameron, P., & Perry, J. J. (2022). Post-Concussion Symptoms Rule: Derivation and Validation of a Clinical Decision Rule for Early Prediction of Persistent Symptoms after a Mild Traumatic Brain Injury. Journal of neurotrauma, 39(19-20), 1349–1362. https://doi.org/10.1089/neu.2022.0026
Skandsen, T., Stenberg, J., Follestad, T., Karaliute, M., Saksvik, S. B., Einarsen, C. E., Lillehaug, H., Håberg, A. K., Vik, A., Olsen, A., & Iverson, G. L. (2021). Personal Factors Associated With Postconcussion Symptoms 3 Months After Mild Traumatic Brain Injury. Archives of physical medicine and rehabilitation, 102(6), 1102–1112. https://doi.org/10.1016/j.apmr.2020.10.106
Yuh, E. L., Jain, S., Sun, X., Pisica, D., Harris, M. H., Taylor, S. R., Markowitz, A. J., Mukherjee, P., Verheyden, J., Giacino, J. T., Levin, H. S., McCrea, M., Stein, M. B., Temkin, N. R., Diaz-Arrastia, R., Robertson, C. S., Lingsma, H. F., Okonkwo, D. O., Maas, A. I. R., Manley, G. T., … Zafonte, R. (2021). Pathological Computed Tomography Features Associated With Adverse Outcomes After Mild Traumatic Brain Injury: A TRACK-TBI Study With External Validation in CENTER-TBI. JAMA neurology, 78(9), 1137–1148. https://doi.org/10.1001/jamaneurol.2021.2120

Evidence tabellen

Risk of bias table

Table of quality assessment – prediction modelling studies

(The criteria used in this checklist are based on PROBAST^A version 15/05/2019)

Research question: Which prognostic factors can predict long-term outcome in patients with remaining complaints three months after mild traumatic brain injury (mTBI)?

Study reference

(first author, year of publication)

Classification¹

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

Hellstrom, 2017

Low

Reason:

Patients were included in a prospective cohort study comprising patients with acute MTBI admitted to Oslo University Hospital during a period from September 2011 to September 2013. The

study was approved by the Norwegian Regional Committee for Medical Research Ethics (REC) (2010/1899) and all methods

were carried out in accordance with the relevant guidelines and regulations of REC. All participants provided written informed consent.

Low

Reason:

Selection of preinjury, injury-related, and postinjury predictors was based on prior knowledge from the literature and clinical experience. Clinical data were obtained from the medical records. Postinjury factors were assessed from self-

reports obtained at outpatient clinical appointment 8 weeks after injury.

High

Reasons:

All outcome measures were pre-specified and assessed similar for all participants, but predictors were not excluded from definition, were not assessed without knowledge of predictors and the time interval between predictor and outcome measurement were inappropriate.

High

Reason:

1, 2) 151/187 patients investigated with MRI showed up for baseline and follow-up measures; 3) Imputation procedures based on a least squares algorithm to replace missing values with the predicted estimate was used; 4) selection of predictors was based on univariate analyses; 5) To compare predictive value of the models, we assessed their mean squared error (MSE) as well as the correlation between predicted outcome and the (true) outcome g factor. We

validated robustness of the model across 10,000 permutations, each randomly permuting the predictor variable. 7) Predictors and weights correspond to results from multivariate analysis.

High

Cnossen, 2017

Low

Reason:

Inclusion criteria for the TRACK-TBI Pilot study were adult patients (age ‡16 years) presenting to one of the participating Level I trauma centers suffering external force trauma to the head with sufficient indications to triage to clinically indicated head computed tomography (CT) scan within 24 h of injury. There were no

requirements for visible pathology on CT scan.

Low

Reason:

systematic literature search was performed using subheadings and text words in EMBASE and Google Scholar to identify systematic reviews and prior published prediction modeling developing

studies that assessed predictors of post-concussive symptoms (or related outcomes) following mTBI (see Appendix

A for the EMBASE search strategy). To maximize the potential application of a prediction model to clinical practice, candidate predictors not readily available in the ED or during initial clinical

evaluation were excluded.

Low

Reason:

To assess the presence/absence and severity of post-concussive symptoms, subjects completed the RPQ at 6 months following injury, in person with trained study personnel, preceded by the

Galveston Orientation and Amnesia Test to assess capacity. All study personnel were trained on outcome measure administration by a single neuropsychological outcomes coordinator from UPMC. As previously described, the RPQ is a sensitive and validated assessment tool for the presence of post-concussive symptom.

High

Reasons:

1) 2) 277/476 patients completed 6-month RPQ and were included in analyses; 3) To verify whether loss to follow-up resulted in possible bias, we compared baseline characteristics of included patients with those patients who had a missing 6-month RPQ (n = 199), using the Pearson chi-squared statistic for categorical variables and the Mann-Whitney U test for continuous variables. Missing data on candidate predictors were subsequently imputed with a single imputation technique, meaning that values for the missing data points were estimated in a regression model using all other predictor variables and outcomes as independent variables; 4) To assess the adjusted effect of candidate predictors, we used multivariable linear regression models with all candidate predictors as independent variables; 5) 6) 7) We developed the final model by using the least absolute shrinkage and selection operator (Lasso) method. This method

shrinks the ß coefficients in order to obtain less extreme ßs to enhance the external validity of a prediction model.35 Variables with ßs that are unstable are shrunk to zero and omitted from the

model. It should be noted that Lasso shrinkage focuses on the overall fit rather than statistical significance of individual predictors. As a consequence, predictors with a p value >0.05 could still be included in the final model. External validity of the final model was further enhanced by performing bootstrap validation with 100 samples.

Low

Lingsma, 2015

Low

Reason:

The study population consisted of patients included in the Transforming Research and Clinical Knowledge in TBI (TRACKTBI) Pilot study

Low

Reasons:

Predictors were assessed similar for all patients, it was unclear whether outcome was assessed without knowledge of predictors, and predictors were available at the time the model was intended to be used.

Low:

Reasons:

The outcomes for this study were the Glasgow Outcome Scale Extended (GOS-E) at 3 and 6 months after injury.19 The GOS-E provides eight categories of outcome: dead; vegetative state; lower severe disability; upper severe disability; lower moderate disability; upper moderate disability; lower good recovery; and upper

good recovery. Ratings are based on patient consciousness, independence,

ability to work, social and leisure activities, social relationships, and other sequelae of TBI. Upper good recovery (GOS-E score of 8) indicates return to preinjury baseline with no residual effects of the TBI.

Low:

Reasons:

1) 2) 480/485 patients were enrolled; 3) If patients had a missing outcome at 6 months, but an observed outcome at 3 months, the 3-month value was extrapolated to 6 months. Similarly, 6-month outcomes were interpolated when 3- month outcome was missing. Patients with missing outcome at both time points were excluded. Missing values in predictors were statistically imputed using single imputation with the AregImpute

function in R statistical software; 4) selection of predictors was based on multivariable analyses; 5) The outcomes for this study were the Glasgow Outcome Scale Extended (GOS-E) at 3 and 6 months after injury; 6) The difference between the discriminative ability in the development data (AUROCs, 0.57–0.71) and in the validation data likely indicate

that the Jacobs model is overfitted, but may also be attributed to true differences in prognostic relations. 7) univariate analysis revealed potential predictors, multivariate analyses revealed final predictors.

Low

Falk, 2021

Low

Reasons:

HeadSMART (Head Injury Serum Markers for Assessing Response to Trauma) was an observational, prospective cohort study that enrolled adults 18 years of age and older who presented to the Johns Hopkins Hospital or Johns Hopkins Bayview Medical Center for evaluation of blunt head trauma within 24 h of injury and who received a non-contrast head CT scan as part of clinical care.

Low

Reasons:

Predictors were collected in the ED on the day of injury were included as candidate predictor variables. A board-certified neuroradiologist independently read all head CT scans.

High

Reasons:

The GOSE is a measure of the impact of TBI on various aspects of daily functioning20 and was used to assess recovery at 1 month (short time interval).

Low

Reasons:

1) 2) 355/461 patients were included in the derivation cohort; 3) Missing data was handled via list-wise deletion; 4) A total of 43 candidate predictor variables were considered for inclusion in the final model, from six were included after multivariable logistic regression; 5) 6) 7) The association between predictors and clinical outcome was modeled using logistic regression. Bootstrap resampling

(1000 resamples) was used for internal validation of the model and the mean over-optimism value and optimism-corrected area under the receiver operating characteristic curve and 95% CI were reported. Model calibration following internal validation was assessed using a calibration plot.

Low

Mikolic, 2021

Low

Reason:

The study population consisted of participants from the prospective longitudinal observational Collaborative European NeuroTrauma Effectiveness Research in Traumatic Brain Injury (CENTER-TBI) study.

Unclear

Reason
No information was provided about the assessment and availability of the predictors.

High:

We analyzed associations with 6-month GOSE and PPCS (RPQ).

1) 2) 1605/2376 patients were included in the analyses; 3) Missing values were imputed using multiple imputation; 4) We used ordinal logistic regression to model the relationship between predictors and the GOSE, and linear regression to model the relationship between predictors and

RPQ total score; 5) Performance was calculated across imputed

datasets and confidence intervals were estimated using 200 bootstrap samples 6) To examine calibration of the models for predicting complete (upper-good) recovery (GOSE = 8) and significant post-concussion symptoms (RPQ ‡16) in different European regions, we performed cross-validation with a

leave-one-region-out approach: The regions West, North and South-East (Supplementary Table S1) were

consecutively left out for model fitting and were then used for model validation. 7) unclear

High

Van der Naalt, 2017

Low

Reason:

Patients were recruited on arrival at the emergency department of three level-1

trauma centres in the Netherlands (Groningen, Enschede, and Tilburg) by the attending physician or (in the case of

admission) by the physician at the ward.

Low

Reason:

In the UPFRONT study, data were collected at multiple time intervals after injury (at 2 weeks and 3, 6, and 12 months) covering several aspects of recovery of function

after injury; data obtained at 2 weeks and 6 months after injury were analysed as the outcome for the current study.

Low

Reason: At 6 months after injury, recovery was assessed with the Glasgow Outcome Scale Extended (GOSE),25 which measures functional outcome on an eight-point scale

(8=complete recovery, 7=suboptimal recovery, 6=upper moderate disability, 5=lower moderate disability, 4=upper

severe disability, 3=lower severe disability, 2=vegetative state, and 1=death). Outcome was dichotomised into complete (GOSE=8) and incomplete recovery (GOSE≤7).

1) 2) 1151/1555 patients were included in the analysis; 3) Missing values in the predictors at the time of admission

and 2 weeks after injury were imputed using single imputation with the aregImpute function of the Hmisc package; 4) Selection of predictors was based on univariable logistic regression; 5) We assessed the discriminatory power of the two models using the area under the curve (AUC), Nagelkerke’s R², and the calibration of risk predictions via the bias corrected calibration intercept (ie, predicted vs observed mean outcome) and slope (ie, slope of predicted log odds vs observed log odds) resulting from

logistic regressions with the predicted value as predictor and the outcome as the dependent variable; 6) We estimated

the optimism for all measures by internal validation using 500 bootstrap samples 7) unclear.

High

^A Wolff RF, Moons KGM, Riley RD, Whiting PF, Westwood M, Collins GS, Reitsma JB, Kleijnen J, Mallett S; PROBAST Group. PROBAST: A Tool to Assess the Risk of Bias and Applicability of Prediction Model Studies. Ann Intern Med. 20191;170(1):51-58. doi: 10.7326/M18-1376. PubMed PMID: 30596875.

¹ Development of model only / Development and external validation of model / External validation of model

²Cohort, RCT or nested case-control study

³ E.g. calibration (total O:E ratio; expected outcome probabilities versus observed outcome frequencies) and discrimination (range 0.5 (no discriminative ability) to 1.0 (perfect discriminative ability)

⁴Overfitting: for low ORs the predicted probability is too low, for high ORs the predicted probability is too high. Correcting is possible with shrinkage.

Table of excluded studies

Reference	Reason for exclusion
Aviv, I., Shorer, M., Fennig, S., Aviezer, H., Singer-Harel, D., Apter, A., & Pilowsky Peleg, T. (2023). [Formula: see text]Persistent post-concussion symptoms in children: pre-injury social difficulties and acute stress reaction as risk factors. Child neuropsychology : a journal on normal and abnormal development in childhood and adolescence, 29(1), 115–135. https://doi.org/10.1080/09297049.2022.2072823	No prediction model.
Beauchamp, M. H., Aglipay, M., Yeates, K. O., Désiré, N., Keightley, M., Anderson, P., Brooks, B. L., Barrowman, N., Gravel, J., Boutis, K., Gagnon, I., Dubrovsky, A. S., & Zemek, R. (2018). Predictors of neuropsychological outcome after pediatric concussion. Neuropsychology, 32(4), 495–508. https://doi.org/10.1037/neu0000419	No prediction model.
Chae, R., Barber, J., Temkin, N. R., Sharon, J. D., & TRACK-TBI Investigators (2022). Dizziness After Traumatic Brain Injury: A Prospective TRACK-TBI Analysis of Risk Factors, Quality of Life, and Neurocognitive Effects. Otology & neurotology : official publication of the American Otological Society, American Neurotology Society [and] European Academy of Otology and Neurotology, 43(10), e1148–e1156. https://doi.org/10.1097/MAO.0000000000003710	No prediction model
de Koning, M. E., Scheenen, M. E., van der Horn, H. J., Hageman, G., Roks, G., Spikman, J. M., & van der Naalt, J. (2017). Non-Hospitalized Patients with Mild Traumatic Brain Injury: The Forgotten Minority. Journal of neurotrauma, 34(1), 257–261. https://doi.org/10.1089/neu.2015.4377	No prediction model
Greenham, M., Botchway, E., Knight, S., Bonyhady, B., Tavender, E., Scheinberg, A., Anderson, V., & Muscara, F. (2022). Predictors of participation and quality of life following major traumatic injuries in childhood: a systematic review. Disability and rehabilitation, 44(12), 2591–2607. https://doi.org/10.1080/09638288.2020.1849425	Wrong population (excluding mild TBI patients)
Hart, T., Novack, T. A., Temkin, N., Barber, J., Dikmen, S. S., Diaz-Arrastia, R., Ricker, J., Hesdorffer, D. C., Jallo, J., Hsu, N. H., & Zafonte, R. (2016). Duration of Posttraumatic Amnesia Predicts Neuropsychological and Global Outcome in Complicated Mild Traumatic Brain Injury. The Journal of head trauma rehabilitation, 31(6), E1–E9. https://doi.org/10.1097/HTR.0000000000000210	No prediction model.
Helmrich, I. R. A. R., van Klaveren, D., Dijkland, S. A., Lingsma, H. F., Polinder, S., Wilson, L., von Steinbuechel, N., van der Naalt, J., Maas, A. I. R., Steyerberg, E. W., & CENTER-TBI Collaborators (2022). Development of prognostic models for Health-Related Quality of Life following traumatic brain injury. Quality of life research : an international journal of quality of life aspects of treatment, care and rehabilitation, 31(2), 451–471. https://doi.org/10.1007/s11136-021-02932-z	Wrong population (also moderate and severe TBI patients)
Hossain, I., Mohammadian, M., Takala, R. S. K., Tenovuo, O., Lagerstedt, L., Ala-Seppälä, H., Frantzén, J., van Gils, M., Hutchinson, P., Katila, A. J., Maanpää, H. R., Menon, D. K., Newcombe, V. F., Tallus, J., Hrusovsky, K., Wilson, D. H., Blennow, K., Sanchez, J. C., Zetterberg, H., & Posti, J. P. (2019). Early Levels of Glial Fibrillary Acidic Protein and Neurofilament Light Protein in Predicting the Outcome of Mild Traumatic Brain Injury. Journal of neurotrauma, 36(10), 1551–1560. https://doi.org/10.1089/neu.2018.5952	No prediction model.
Howe, E. I., Zeldovich, M., Andelic, N., von Steinbuechel, N., Fure, S. C. R., Borgen, I. M. H., Forslund, M. V., Hellstrøm, T., Søberg, H. L., Sveen, U., Rasmussen, M., Kleffelgaard, I., Tverdal, C., Helseth, E., Løvstad, M., Lu, J., Arango-Lasprilla, J. C., Tenovuo, O., Azouvi, P., Dawes, H., … CENTER-TBI participants and investigators (2022). Rehabilitation and outcomes after complicated vs uncomplicated mild TBI: results from the CENTER-TBI study. BMC health services research, 22(1), 1536. https://doi.org/10.1186/s12913-022-08908-0	No prediction model.
Humphries, T. J., Sinha, S., Dawson, J., Lecky, F., & Singh, R. (2022). "Can differences in hospitalised mild traumatic brain injury (mTBI) outcomes at 12 months be predicted?". Acta neurochirurgica, 164(5), 1435–1443. https://doi.org/10.1007/s00701-022-05183-0	No prediction model.
Huth, S. F., Slater, A., Waak, M., Barlow, K., & Raman, S. (2020). Predicting Neurological Recovery after Traumatic Brain Injury in Children: A Systematic Review of Prognostic Models. Journal of neurotrauma, 37(20), 2141–2149. https://doi.org/10.1089/neu.2020.7158	Wrong population (moderate/severe TBI)
Madhok, D. Y., Yue, J. K., Sun, X., Suen, C. G., Coss, N. A., Jain, S., Manley, G. T., & The Track-Tbi Investigators (2020). Clinical Predictors of 3- and 6-Month Outcome for Mild Traumatic Brain Injury Patients with a Negative Head CT Scan in the Emergency Department: A TRACK-TBI Pilot Study. Brain sciences, 10(5), 269. https://doi.org/10.3390/brainsci10050269	No prediction model.
Mercier, E., Tardif, P. A., Emond, M., Ouellet, M. C., de Guise, É., Mitra, B., Cameron, P., & Le Sage, N. (2017). Characteristics of patients included and enrolled in studies on the prognostic value of serum biomarkers for prediction of postconcussion symptoms following a mild traumatic brain injury: a systematic review. BMJ open, 7(9), e017848. https://doi.org/10.1136/bmjopen-2017-017848	Wrong population (moderate/severe TBI) and wrong risk factors (biomarkers)
Riemann, L., Mikolic, A., Maas, A., Unterberg, A., Younsi, A., & Collaborative European NeuroTrauma Effectiveness Research in Traumatic Brain Injury (CENTER-TBI) Investigators and Participants (2023). Computed Tomography Lesions and Their Association With Global Outcome in Young People With Mild Traumatic Brain Injury. Journal of neurotrauma, 40(11-12), 1243–1254. https://doi.org/10.1089/neu.2022.0055	No prediction model.
Ritter, J., Dawson, J., & Singh, R. K. (2021). Functional recovery after brain injury: Independent predictors of psychosocial outcome one year after TBI. Clinical neurology and neurosurgery, 203, 106561. https://doi.org/10.1016/j.clineuro.2021.106561	No prediction model.
Schneider, A. L. C., Huie, J. R., Boscardin, W. J., Nelson, L., Barber, J. K., Yaffe, K., Diaz-Arrastia, R., Ferguson, A. R., Kramer, J., Jain, S., Temkin, N., Yuh, E., Manley, G. T., Gardner, R. C., & TRACK-TBI Investigators (2022). Cognitive Outcome 1 Year After Mild Traumatic Brain Injury: Results From the TRACK-TBI Study. Neurology, 98(12), e1248–e1261. https://doi.org/10.1212/WNL.0000000000200041	Prediction model was not (internally) validated
Silverberg, N. D., Gardner, A. J., Brubacher, J. R., Panenka, W. J., Li, J. J., & Iverson, G. L. (2015). Systematic review of multivariable prognostic models for mild traumatic brain injury. Journal of neurotrauma, 32(8), 517–526. https://doi.org/10.1089/neu.2014.3600	Descriptive review.
Stein, M. B., Jain, S., Giacino, J. T., Levin, H., Dikmen, S., Nelson, L. D., Vassar, M. J., Okonkwo, D. O., Diaz-Arrastia, R., Robertson, C. S., Mukherjee, P., McCrea, M., Mac Donald, C. L., Yue, J. K., Yuh, E., Sun, X., Campbell-Sills, L., Temkin, N., Manley, G. T., TRACK-TBI Investigators, … Zafonte, R. (2019). Risk of Posttraumatic Stress Disorder and Major Depression in Civilian Patients After Mild Traumatic Brain Injury: A TRACK-TBI Study. JAMA psychiatry, 76(3), 249–258. https://doi.org/10.1001/jamapsychiatry.2018.4288	No prediction model.
Varner, C., Thompson, C., de Wit, K., Borgundvaag, B., Houston, R., & McLeod, S. (2021). Predictors of persistent concussion symptoms in adults with acute mild traumatic brain injury presenting to the emergency department. CJEM, 23(3), 365–373. https://doi.org/10.1007/s43678-020-00076-6	No prediction model.
Wilkinson, A. A., Dennis, M., Simic, N., Taylor, M. J., Morgan, B. R., Frndova, H., Choong, K., Campbell, C., Fraser, D., Anderson, V., Guerguerian, A. M., Schachar, R., Hutchison, J., Canadian Critical Care Trials Group (CCCTG), & Canadian Critical Care Translational Biology Group (CCCTBG) (2017). Brain biomarkers and pre-injury cognition are associated with long-term cognitive outcome in children with traumatic brain injury. BMC pediatrics, 17(1), 173. https://doi.org/10.1186/s12887-017-0925-6	Wrong risk factors (biomarkers).
Yue, J. K., Cnossen, M. C., Winkler, E. A., Deng, H., Phelps, R. R. L., Coss, N. A., Sharma, S., Robinson, C. K., Suen, C. G., Vassar, M. J., Schnyer, D. M., Puccio, A. M., Gardner, R. C., Yuh, E. L., Mukherjee, P., Valadka, A. B., Okonkwo, D. O., Lingsma, H. F., Manley, G. T., & TRACK-TBI Investigators (2019). Pre-injury Comorbidities Are Associated With Functional Impairment and Post-concussive Symptoms at 3- and 6-Months After Mild Traumatic Brain Injury: A TRACK-TBI Study. Frontiers in neurology, 10, 343. https://doi.org/10.3389/fneur.2019.00343	No prediction model.

Verantwoording

Autorisatiedatum en geldigheid

Laatst beoordeeld : 02-12-2024

Laatst geautoriseerd : 02-12-2024

Geplande herbeoordeling : 01-09-2025

Initiatief en autorisatie

Initiatief:

Nederlandse Vereniging voor Neurologie

Geautoriseerd door:

Nederlandse Vereniging van Revalidatieartsen
Nederlandse Vereniging voor Heelkunde
Nederlandse Vereniging voor Kindergeneeskunde
Nederlandse Vereniging voor Neurochirurgie
Nederlandse Vereniging voor Neurologie
Nederlandse Vereniging voor Radiologie
Vereniging voor Sportgeneeskunde
Hersenletsel.nl

Algemene gegevens

De 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 richtlijnmodule is in 2021 een multidisciplinaire werkgroep ingesteld, bestaande uit vertegenwoordigers van alle relevante specialismen (zie hiervoor de Samenstelling van de werkgroep) die betrokken zijn bij de zorg voor patiënten met licht traumatisch hoofdhersenletsel.

Werkgroep

prof. dr. J. (Joukje) van der Naalt (voorzitter), neuroloog, NVN
dr. K. (Korné) Jellema, neuroloog, NVN
dr. H.M. (Myrthe) Boss, neuroloog, NVN
dr. K.A. (Kelly) Foks, AIOS-neurologie, NVN
dr. M.C. (Marieke) Visser, neuroloog, NVN
dr. M. (Maayke) Hunfeld, kinderneuroloog, NVN
dr. J. (Jelte) Helfferich, kinderneuroloog, NVN
drs. I.K. (Iain) Haitsma, neurochirurg, NVvN
drs. B. (Bart) Dorgelo, radioloog, NVvR
dr. L.M.M. (Loes) Braun, radioloog, NVvR
drs. M. (Maartje) Terra, traumachirurg, NVvH
prof. dr. C.A.M. (Coen) van Bennekom, revalidatiearts en hoogleraar, VRA
drs. E.A. (Edwin) Goedhart, sportarts, VSG
mr. M.A.C. (Michiel) Lindhout, beleidsmedewerker, Hersenletsel.nl
S. (Sarita) van den Berg, verpleegkundig specialist kinderneurologie, V&VN VS
dr. F.A. (Floris) van de Laar, huisarts, NHG
dr. C.L. (Crispijn) van den Brand, SEH-arts, NVSHA

Met ondersteuning van

drs. F. (Florien) Ham, adviseur, Kennisinstituut van de Federatie Medisch Specialisten
drs. A.A. (Toon) Lamberts, senior adviseur, Kennisinstituut van Medisch Specialisten
drs. L.H.M. (Linda) Niesink-Boerboom, medisch informatiespecialist, Kennisinstituut van de Federatie Medisch Specialisten
dr. M. (Mirre) den Ouden - Vierwind, adviseur, Kennisinstituut van de Federatie 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, 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 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
Prof. dr. J van der Naalt	Neuroloog, UMCG.	Geen.	lid verband 'artsen voor veilig fietsen'.	Geen restrictie.
Dr. K. Jellema	Neuroloog, Haaglanden Medisch Centrum.	Onderzoek van o.a. neurotraumatologie (onbetaald), werkgroeplid voor het ontwikkelen van een EPA voor dokters op de SEH (vacatiegelden), Initiatiefnemer en docent bij hands on ABCDE-training Neurologic ALS (vacatiegelden), in het verleden voorzitter voor twee addenda op de richtlijn LTH (triviaal trauma en stollingsbeïnvloedende medicatie (vacatiegelden).	Projectleider bij extern gefinancierd onderzoek (Roch Diagnostics) over de waarde van biomarker S100 B voor de inschatting van traumatisch intracranieel letsel (afgerond in 2019).	Geen restrictie.
Dr. H.M. Boss	Neuroloog-somnoloog Ziekenhuis Gelderse Vallei.	* Bestuurslid werkgroep slaapwaakstoornissen (niet betaald) * Mede-initiator denktank: artsen voor veilig fietsen (niet betaald) * Lid werkgroep richtlijn slaapstoornissen in de langdurige zorg (vacatiegelden).	Mede-initiator van de denktank 'artsen voor veilig fietsen'. Met deze denktank willen we meer aandacht vragen voor preventie van hersenletsel en het gebruik van de fietshelm bij risicogroepen zoals e-bikers en kinderen stimuleren.	Geen restrictie.
Dr. K.A. Foks	AIOS-neurologie Erasmus MC.	Geen.	Geen.	Geen restrictie.
Dr. M.C. Visser	Neuroloog.	Medisch expert bij Zorginstituut Nederland.	Lid verband 'artsen voor veilig fietsen'.	Geen restrictie.
Dr. M. Hunfeld	Kinderneuroloog EMC.	Geen.	Geen.	Geen restrictie.
Dr. J. Helfferich	Kinderneuroloog	Lid internationale 'acute flaccid myelitis' werkgroep (onbetaald) Commissielid jongerenvereniging EPNS (European pediatric neurology society) (onbetaald)	Overheid (RIVM) Landelijk onderzoek naar het voorkomen van AFM in Nederland; dit heeft geen relevantie voor deze richtlijn.
Drs. I.K. Haitsma	Neurochirurg Erasmus MC.	Neurochirurg Albert Schweitzer Ziekenhuis.	1) Center-TBI: prospectief data verzameling voor analyse behandeling neurotrauma in Europa, gefinancierd door EU als lokale hoofdonderzoeker; 2) NetQuRe: prospectief data verzamelen voor behandeling en revalidatie neurotrauma in Nederland, gefinancierd door hersenstichting, center TBI, LUMC, Rijndam als lokale hoofd onderzoeker; 3) RESET ASDH: gerandomiseerde studie naar effect opereren Acuut subduraal hematoom bij ouderen, wordt een observationele studie, gefinancierd door the belgian health care knowledge centre (KCE) en ZonMw als lokale hoofd onderzoeker; 4) CIAO@TBI: effect behandeling complementremmer op traumatisch hersenletsel, gefinancierd door hersenstichting en Takeda Pharmaceutical Company als mede onderzoeker lokaal.	Geen restrictie.
Drs. B. Dorgelo	Radioloog, Martini Ziekenhuis, Groningen.	Geen.	Geen.	Geen restrictie.
Dr. L.M.M. Braun	Radioloog bij Antoni van Leeuwenhoek/ Nederlands Kanker Instituut.	Geen.	Geen	Geen restrictie.
Drs. M. Terra	Traumachirurg MMT-arts.	Geen.	Thoraxdrainage onderzoek Medela	Geen restrictie.
Prof. dr. C.A.M. van Bennekom	Revalidatiearts.	Hoogleraar revalidatie en arbeid.	Lid verband 'artsen voor veilig fietsen'.	Geen restrictie.
Drs. E. A. Goedhart	Bondsarts KNVB/ Manager sportgeneeskunde.	* Adviseur Stichting Hersenschudding (onbetaald). * Adviseur GetaheadBrainrecovery support (onbetaald).	Geen.	Geen restrictie.
Mr. M.A.C. Lindhout	Beleidsmedewerker bij patiëntenvereniging Hersenletsel.nl.	Bestuurslid bij CVA-Kennisnetwerk, onbezoldigd.	Als deelnemer vanuit de patiëntenvereniging is het mijn belang om de zaken voor mijn achterban zo goed mogelijk te regelen. Daar zal ik mij dan ook voor inzetten. In mijn optiek is dit ook wat een patiëntenvereniging behoort te doen. Derhalve zie ik dit niets als 'bescherming van reputatie" of iets van gelijke strekking.	Geen restrictie.
S. van den Berg	Verpleegkundig specialist kinderneurologie Erasmus MC-Sophia.	Bestuursvoorzitter van de Alumnivereniging van de HRO- onbetaald.	Geen.	Geen restrictie.
Dr. F.A van der Laar	* Huisarts, Academisch Gezondheidscentrum Thermion Lent (0,6) * Onderzoeker/ Principal Lecturer, Radboudumc, eerstelijnsgeneeskunde.	* Hoofdredacteur Accredidact, betaald * Lid Autorisatiecommissie NHG, betaald * Lid richtlijncommissie PICS, onbetaald * Lid commissie Kwaliteit en Veiligheid Huisartsenpost Nijmegen e.o., betaald.	Geen.	Geen restrictie.
Dr. C.L. van den Brand	SEH-arts Erasmus MC.	Voorzitter college van deskundigen Oranje Kruis (betaald) * lid bestuur SGO fonds (onbetaald) * lid denktank "Artsen voor veilig fietsen" (onbetaald)	Lid verband 'artsen voor veilig fietsen'.	Geen restrictie.

Inbreng patiëntenperspectief

Er werd aandacht besteed aan het patiëntenperspectief door deelname van een afgevaardigde van de patiëntenorganisatie Hersenletsel in de werkgroep. De verkregen input is meegenomen bij het opstellen van de uitgangsvragen, de keuze voor de uitkomstmaten en bij het opstellen van de overwegingen (zie kop “Waarden en voorkeuren van patiënten”). De conceptrichtlijn is tevens voor commentaar voorgelegd aan Patiëntenfederatie Nederland. De eventueel aangeleverde commentaren zijn bekeken en verwerkt.

Wkkgz & Kwalitatieve raming van mogelijke substantiële financiële gevolgen

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 blijkt dat er waarschijnlijk geen substantiële financiële gevolgen zijn, zie onderstaande tabel.

Module	Uitkomst raming	Toelichting
Module Patiënten terugzien na ontslag	Geen financiële gevolgen	Uitkomst 3 Geen financiële gevolgen. Hoewel het +/- 85.000 patiënten betreft hebben de aanbevelingen geen toename in het aantal FTE of toename in kwalificatie tot gevolg. Ook zijn er geen substantiële investeringen met de wijzigingen gemoeid.

Implementatie

Implementatieplan

Inleiding

Dit plan is opgesteld ter bevordering van de implementatie van de richtlijn Licht traumatisch hoofd-/hersenletsel in de acute fase. Voor het opstellen van dit plan is een inventarisatie gedaan van de mogelijk bevorderende en belemmerende factoren voor het toepassen en naleven van de aanbevelingen. Daarbij heeft de richtlijncommissie een advies uitgebracht over het tijdspad voor implementatie, de daarvoor benodigde randvoorwaarden en de acties die voor verschillende partijen ondernomen dienen te worden.

Werkwijze

De werkgroep heeft per aanbeveling geïnventariseerd:

• per wanneer de aanbeveling overal geïmplementeerd moet kunnen zijn;

• de verwachtte impact van implementatie van de aanbeveling op de zorgkosten;

• randvoorwaarden om de aanbeveling te kunnen implementeren;

• mogelijk barrières om de aanbeveling te kunnen implementeren;

• mogelijke acties om de implementatie van de aanbeveling te bevorderen;

• verantwoordelijke partij voor de te ondernemen acties.

Voor iedere aanbevelingen is nagedacht over de hierboven genoemde punten. Echter niet voor iedere aanbeveling kon ieder punt worden beantwoord. Er kan een onderscheid worden gemaakt tussen “sterk geformuleerde aanbevelingen” en “zwak geformuleerde aanbevelingen”. In het eerste geval doet de richtlijncommissie een duidelijke uitspraak over iets dat zeker wel of zeker niet gedaan moet worden. In het tweede geval wordt de aanbeveling minder zeker gesteld (bijvoorbeeld “Overweeg om …”) en wordt dus meer ruimte gelaten voor alternatieve opties. Voor “sterk geformuleerde aanbevelingen” zijn bovengenoemde punten in principe meer uitgewerkt dan voor de “zwak geformuleerde aanbevelingen”. Bij elke module is onderstaande tabel opgenomen.

Aanbeveling

Tijdspad voor implementatie:
< 1 jaar,

1 tot 3 jaar of

> 3 jaar

Verwacht effect op kosten

Randvoorwaarden voor implementatie (binnen aangegeven tijdspad)

Mogelijke barrières voor implementatie¹

Te ondernemen acties voor implementatie²

Verantwoordelijken voor acties³

Overige opmerkingen

¹ Barrières kunnen zich bevinden op het niveau van de professional, op het niveau van de organisatie (het ziekenhuis) of op het niveau van het systeem (buiten het ziekenhuis). Denk bijvoorbeeld aan onenigheid in het land met betrekking tot de aanbeveling, onvoldoende motivatie of kennis bij de specialist, onvoldoende faciliteiten of personeel, nodige concentratie van zorg, kosten, slechte samenwerking tussen disciplines, nodige taakherschikking, et cetera.

² Denk aan acties die noodzakelijk zijn voor implementatie, maar ook acties die mogelijk zijn om de implementatie te bevorderen. Denk bijvoorbeeld aan controleren aanbeveling tijdens kwaliteitsvisitatie, publicatie van de richtlijn, ontwikkelen van implementatietools, informeren van ziekenhuisbestuurders, regelen van goede vergoeding voor een bepaald type behandeling, maken van samenwerkingsafspraken.

³ Wie de verantwoordelijkheden draagt voor implementatie van de aanbevelingen, zal tevens afhankelijk zijn van het niveau waarop zich barrières bevinden. Barrières op het niveau van de professional zullen vaak opgelost moeten worden door de beroepsvereniging. Barrières op het niveau van de organisatie zullen vaak onder verantwoordelijkheid van de ziekenhuisbestuurders vallen. Bij het oplossen van barrières op het niveau van het systeem zijn ook andere partijen, zoals de NZA en zorgverzekeraars, van belang. Echter, aangezien de richtlijn vaak enkel wordt geautoriseerd door de (participerende) wetenschappelijke verenigingen is het aan de wetenschappelijke verenigingen om deze problemen bij de andere partijen aan te kaarten.

Implementatietermijnen

Voor “sterk geformuleerde aanbevelingen” geldt dat zij zo spoedig mogelijk geïmplementeerd dienen te worden. Voor de meeste “sterk geformuleerde aanbevelingen” betekent dat dat zij komend jaar direct geïmplementeerd moeten worden en dat per 2024 dus iedereen aan deze aanbevelingen dient te voldoen.

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).

Knelpuntenanalyse en uitgangsvragen

Tijdens de voorbereidende fase inventariseerde de werkgroep de knelpunten in de zorg voor patiënten met licht traumatisch hoofdhersenletsel. De werkgroep beoordeelde de aanbevelingen uit de eerdere richtlijn licht traumatisch hoofdhersenletsel (NVN, 2010; en enkele modules uit 2017) op noodzaak tot revisie. Tevens zijn er knelpunten aangedragen door Ambulancezorg Nederland (AZN), Ergotherapie Nederland (EN), het Koninklijk Nederlands Genootschap voor Fysiotherapie (KNGF), het Nederlands Huisartsen Genootschap (NHG), de Nederlandse Vereniging voor Kindergeneeskunde (NVK), de Nederlandse Vereniging van Revalidatieartsen (VRA), de Vereniging voor Sportgeneeskunde (VSG) en de Nederlandse Vereniging voor Radiologie (NVvR) via een invitational conference. Een verslag hiervan is opgenomen onder aanverwante producten.

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. Tevens 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 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).

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. 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. 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 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 de werkgroep. Naar aanleiding van de commentaren werd de conceptrichtlijnmodule aangepast en definitief vastgesteld door de werkgroep. 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.

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.

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.

Zoekverantwoording

Zoekacties zijn opvraagbaar. Neem hiervoor contact op met de Richtlijnendatabase.

Richtlijnendatabase

Licht traumatisch hoofdhersenletsel in de acute fase

Licht traumatisch hoofdhersenletsel in de acute fase

Patiënten terugzien na ontslag

Uitgangsvraag

Aanbeveling

Overwegingen

Onderbouwing

Achtergrond

Conclusies / Summary of Findings

Samenvatting literatuur

Zoeken en selecteren

Referenties

Evidence tabellen

Verantwoording

Autorisatiedatum en geldigheid

Initiatief en autorisatie

Algemene gegevens

Samenstelling werkgroep

Belangenverklaringen

Inbreng patiëntenperspectief

Implementatie

Werkwijze

Zoekverantwoording

Bijlagen