Die Risikofaktoreneinstellung bei Patient:innen mit koronarer Herzerkrankung (KHK) in Europa ist unzureichend und zeigt deutliche regionale Unterschiede. Frühere Studien haben Assoziationen zwischen individuellen Faktoren und der Risikofaktoreneinstellung bei KHK-Patient:innen sowie zwischen regionalen Faktoren und KHK-Morbidität und -Mortalität berichtet. Das Ziel der vorliegenden Arbeit war zu untersuchen, ob der Erfolg der Risikofaktoreneinstellung bei KHK-Patient:innen anhand individueller und regionaler Faktoren abgeschätzt werden kann und welchen Beitrag regionale Faktoren für diese Abschätzung leisten können. Im Rahmen unserer Studie erstellten wir Analysen für Blutdruckkontrolle, LDL-Cholesterinkontrolle sowie Rauchentwöhnung.
Wir verknüpften und analysierten EUROASPIRE V-Daten (individuelle Patient:innendaten) und Eurostat-Daten (regionale Daten basierend auf der Systematik der Gebietseinheiten für die Statistik (NUTS)). Nach einer deskriptiven Analyse und multiplen Imputation wurden mittels logistischer Regressionsanalysen jeweils vier Modelle für die Abschätzung des Erfolgs der Risikofaktoreneinstellung erstellt: rein auf individuellen Variablen basierende Basismodelle, Basismodelle mit zusätzlichem zufälligem Effekt für NUTS 3-Region, auf individuellen und regionalen Variablen basierende erweiterte Modelle sowie erweiterte Modelle mit zusätzlichem zufälligem Effekt für NUTS 3-Region. Die Modellleistung wurde mittels Kalibrierungsplots und c-Indizes evaluiert. Eine interne Validierung erfolgte mittels Bootstrapping. Für Modelle mit zufälligen Effekten wurde eine Heterogenitätsanalyse durchgeführt.
Insgesamt wurden 2.562 Patient:innen aus 16 Ländern in die Analyse eingeschlossen. Die Basismodelle für Blutdruckeinstellung, LDL-Cholesterineinstellung und Rauchentwöhnung erbrachten intern validierte c-Indizes von 0,69, 0,70 und 0,76. Die Basismodelle mit zufälligem Effekt für NUTS 3-Region, die erweiterten Modelle sowie die erweiterten Modelle mit zufälligem Effekt für NUTS 3-Region zeigten gleichermaßen geringe Verbesserungen gegenüber den Basismodellen. Die intern validierten c-Indizes der erweiterten Modelle lagen bei 0,72, 0,71 und 0,78. Die Standardabweichungen der zufälligen Effekte in den Basismodellen betrugen 0,60, 0,46 und 0,42 für Blutdruckkontrolle, LDL-Cholesterinkontrolle und Rauchentwöhnung. Die entsprechenden Standardabweichungen in den erweiterten Modellen betrugen für alle Zielvariablen 0,00.
Die Resultate weisen darauf hin, dass die Abschätzung des Erfolgs der Risikofaktoreneinstellung bei KHK-Patient:innen basierend auf individuellen Daten mit guter Vorhersageleistung möglich ist. Die Berücksichtigung regionaler Unterschiede kann die Vorhersage leicht verbessern und regionale Variablen scheinen regionale Unterschiede abbilden zu können. Im Rahmen zukünftiger Arbeiten müssen die Modelle vereinfacht und mittels externer Validierung auf ihre Generalisierbarkeit geprüft werden.
Risk factor control in European patients suffering from coronary heart disease (CHD) is insufficient, with considerable regional variation across Europe. Prior studies have sug-gested associations of individual factors with risk factor control in CHD patients and of regional factors with CHD mortality and morbidity. The aim of the current study was to examine if the probability that CHD patients achieve risk factor control can be estimated, and to what extent regional variables can contribute to the estimation. We conducted analyses for the control of blood pressure and LDL-cholesterol as well as smoking ces-sation. We analysed linked data from the EUROASPIRE V survey (patient data) and from Euro-stat (regional data, organised according to the Nomenclature of Territorial Units for Sta-tistics (NUTS)). We set up four logistic regression models to predict each outcome using: patient variables only (baseline models), patient and regional variables (extended mod-els) and models additionally including random intercepts for NUTS 3 region (baseline and extended models with random intercepts). We assessed model performance using cali-bration plots and c-indices and conducted an internal validation based on bootstrapping. For models with random effects, we analysed heterogeneity. Overall, 2,565 patients from sixteen countries were included in the analysis. In baseline models for blood pressure control, cholesterol control, and smoking cessation, the vali-dated c-index amounted to 0.69, 0.70, and 0.76, respectively. Baseline models with ran-dom effects, extended models, and extended models with random effects showed similar improvements compared to baseline models, with validated c-indices of extended models equalling 0.72 (blood pressure control), 0.71 (LDL-cholesterol control), and 0.78 (smoking cessation). In the heterogeneity analysis, random effects from baseline models showed standard deviations of 0.60 (blood pressure control), 0.46 (LDL-cholesterol) and 0.42 (smoking cessation). In extended models, the standard deviation of random effects was 0.00 for all outcomes. Our findings suggest that, using individual variable-models, precise estimations of the probability of CHD patients’ risk factor control are achievable. Accounting for regional variation can further improve estimations, and the regional variables used in our study seem to capture this information. Future research should simplify and externally validate models.
