Early detection of fatty liver disease in primary care

Introduktion: Fedtleversygdom er en stigende global sygdomsbyrde, der spænder fra simpelfedtophobning til alvorlig skrumpelever med høj dødelighed. Fedtleversygdom kan være forårsagetaf alkoholoverforbrug (Alkoholrelateret leversygdom, ArLD) eller af fedme, metabolisk syndrom ogtype-2-diabetes (non-alkoholisk fedtleversygdom, NAFLD), eller af en kombination deraf. Diagnostikaf fedtleversygdom udføres med høj nøjagtighed ved brug af leverbiopsi og senest også ved brug afnon-invasive tests, så som transient elastografi (TE), dog er disse værktøjer primært begrænset tilspecialiserede hospitalsafdelinger. Men grundet den stigende forekomst af patienter der er i risikofor at udvikle fibrose i leveren, står sundhedsvæsenet i de kommende år over for en stigendeudfordring fra henvisninger af patienter i risiko. For at løse denne udfordring, har vi brug for simplediagnostiske tests tilgængelige i primær praksis, til at promovere tidlig opsporing af leversygdom, ogoptimere henvisningsmønstrene.

Formål: I det første studie undersøgte vi henvisningsmønstrene for patienter med mistanke om leversygdom fra primær- til sekundærsektoren. I det andet studie undersøgte vi standard leverfunktionstests evne til at finde patienter med fremskredet arvæv i leveren i primærsektoren. Desuden testede vi hvordan læger præsterer, når de bliver bedt om at vurdere risikoen for fibrose og cirrose i virkelige patientcases. I det tredje studie udviklede og testede vi en statistisk model som en potentiel løsning på den diagnostiske udfordring af leversygdom i primær praksis. I det fjerde og sidste studie udviklede vi en ny model baseret på kunstig intelligens, der er i stand til at forudsige arvæv i leveren i lav-risiko befolkningsgrupper ved hjælp af rutinemæssige tilgængelige patientdata.  

Metode: I det første studie læste vi samtlige henvisninger i en toårig periode til Gastroenterologisk og Hepatologisk Afdeling på Odense Universitetshospital. Derefter fulgte vi op på alle patienter med mistanke om leversygdom, ved at gennemgå journalen systematisk, med det formål at kortlægge konsekvensen af henvisningen for den enkelte patient. Vurderingen af lægernes præstation blev udført som et tilfældigt udvalg af hepatologer og praktiserende læger. Det andet studie er baseret på et leverbiopteret-prospektivt kohortestudie af 225 patienter med et tidligere eller nuværende alkoholoverforbrug. I det tredje studie udviklede og testede vi en diagnostisk algoritme, kaldet LiverPRO, som er et klinisk beslutningsstøtte værktøj til brug i primær praksis. I det sidste og fjerde studie havde vi det samme formål som i LiverPRO studiet, men ønskede at avancere metoden og undersøge potentialet af machine learning modeller. Vi udviklede seks ensemblemodeller (kaldet LiverAID) med forskellige kompleksiteter, ved hjælp af en prospektiv screeningkohorte på 3352 asymptomatiske deltagere.

Resultater: Vi fandt at mere end halvdelen (54%) af de personer, der henvises til specialistudredning på mistanke om leversygdom er ”lever-raske”, hvorfor deres henvisning potentielt kunne have været undgået, og sundhedsressourcer kunne være sparet. Lever rask var defineret som ingen tilstedeværelse af alvorlig lever sygdom, så som lever inflammation, fibrose, eller cirrose. Lever steatose blev betragtes som værende lever rask i dette studie. Undersøgelsen viste også at 17% af patienterne blev henvist på et alvorligt sygdomsstadie, med dekompenseret levercirrose. Vi har vist at standardblodprøver er dårlige til at påvise arvæv i leveren, og at lægernes evner er begrænsede og med stor forskellighed i kappaværdier. I modsætning hertil, fandt vi at LiverPRO-scoren kan diagnosticere fibrose i leveren med en diagnostisk præcision på 0.85 og 0.80 i en kohorte med henholdsvis høj prævalens og lav prævalens. Kombineret med en meget lav pris på de rutinemæssige leverblodprøver og en let fortolkelig score fra 0-100 %, kan scoren være et nyttigt screeningsværktøj og beslutningshjælp for henvisningsmønstre i primær praksis. Endelig fandt vi at LiverAID-modellerne med høj nøjagtighed (AUC 0.86-0.94) kunne identificere patienter med tegn til arvæv i leveren og havde en markant bedre diskriminerende evne (AUC 0.70-0.76) end standard blodprøvebaserede scores.   

Konklusion: Henvisningsmønstrene for patienter med mistanke om fedtleversygdom fra primær praksis er uhensigtsmæssige. De eksisterende værktøjer, som f.eks. levertal, er af begrænset nytte. Algoritmer baseret på ikke-invasive markører er potentielt stærke løsninger imod denne stigende udfordring vores sundhedssystem.