Apfel-Score für postoperative Übelkeit und Erbrechen

Klinischer Hintergrund

Postoperative Übelkeit und Erbrechen (PONV) betreffen etwa ein Drittel aller Erwachsenen, die sich einer Allgemeinanästhesie unterziehen, und der Anteil steigt bei Hochrisikopatienten auf über 70 %. Ohne Risikostratifizierung wird die Prophylaxe entweder pauschal verabreicht, mit unnötiger Medikamentenexposition und Nebenwirkungen für Niedrigrisikopatienten, oder reaktiv eingesetzt, mit verzögerter Linderung für die Betroffenen. Der Apfel-Score erfüllt die Aufgabe, vor dem Eingriff diejenigen Patienten, bei denen eine Prophylaxe gerechtfertigt ist, von denjenigen zu unterscheiden, bei denen sie es nicht ist, und die Wahl zwischen Monoprophylaxe und multimodaler antiemetischer Strategie zu steuern.

Berechnung des Apfel-Scores

Der Score ist die Summe von vier binären Prädiktoren:

$$\text{Apfel Score} = \text{Weibliches Geschlecht} + \text{Nichtraucher} + \text{Frühere PONV oder Reisekrankheit} + \text{Postoperative Opioide geplant}$$

Jede Variable erhält 0 (Nein) oder 1 (Ja). Es gibt keine Gewichtungen; ein Patient mit drei von vier Faktoren erhält den Score 3, unabhängig davon, welche drei es sind.

Die Ableitungskohorte bestand aus 2 722 erwachsenen Patienten (520 in Oulu, Finnland, und 2 202 in Würzburg, Deutschland), die sich bei verschiedenen Arten von Operationen einer Inhalationsanästhesie ohne antiemetische Prophylaxe unterzogen [1]. Der Endpunkt war Übelkeit oder Erbrechen innerhalb von 24 Stunden nach der Operation. Die vier Prädiktoren wurden durch logistische Regression identifiziert und ausgewählt, weil eine Vereinfachung von kontinuierlichen Koeffizienten zu binären Variablen das Diskriminationsvermögen nicht nennenswert verschlechterte. Die Kreuzvalidierung zwischen den beiden Zentren zeigte keinen Zentrumseffekt (OR 1,06, 95 % KI 0,71 bis 1,59) [1].

Interpretation in der Praxis

Die Risikoprozentsätze für 0 bis 4 Faktoren stammen direkt aus der Ableitungskohorte:

Der Schwellenwert für die Erwägung einer prophylaktischen antiemetischen Strategie wurde in der Ableitungsstudie bei zwei oder mehr Faktoren festgelegt [1]. Dies wird durch die vierten Konsensusleitlinien für PONV bestätigt, die eine Risikostratifizierung und eine stufenweise Prophylaxe anhand der Anzahl der Risikofaktoren empfehlen, mit multimodaler Prophylaxe bei erhöhtem Risiko [2].

Validierung und Leistungsfähigkeit

In der ursprünglichen Kreuzvalidierung zwischen Oulu und Würzburg erreichte der Score eine AUC von 0,65 bis 0,75, und die vereinfachte Version behielt eine AUC von 0,63 bis 0,73 bei [1].

In einer Vergleichsstudie von sechs prädiktiven Modellen für PONV an 1 566 Patienten unter balancierter Anästhesie ohne Prophylaxe schnitt der Apfel-Score unter den vereinfachten Modellen mit einer AUC von 0,68 am besten ab [3]. Die Kalibrierung war ausgezeichnet: Die Regression zwischen vorhergesagter und beobachteter Inzidenz ergab $y = 0{,}82x + 0{,}01$ mit $r^2 = 0{,}995$, was bedeutet, dass der Score das Risiko systematisch etwas überschätzt, die Rangordnung jedoch gut erhält [3]. Der Apfel-Score benötigte von allen verglichenen Modellen die wenigsten Parameter (vier gegenüber bis zu vierzehn) und wurde für den klinischen Einsatz sowie für Gruppenvergleiche in antiemetischen Studien empfohlen [3].

In einer modernen großen Kohorte von 33 460 Anästhesieregistereinträgen, bei der der Apfel-Score zur präoperativen Vorhersage von postoperativem Erbrechen innerhalb von 24 Stunden verwendet wurde, sank die AUC auf 0,610 (95 % KI 0,588 bis 0,632) [4]. Dies spiegelt zum einen wider, dass der Endpunkt auf Erbrechen (nicht Übelkeit) beschränkt war, und zum anderen, dass die Kohorte eine breitere Mischung von Anästhesietechniken und chirurgischen Eingriffen umfasste als die Ableitungspopulation. Modelle des maschinellen Lernens, die auf mehr Variablen basierten, erreichten in derselben Kohorte eine AUC von 0,729, der Apfel-Score behielt jedoch bei optimalem Schwellenwert einen negativen prädiktiven Wert über 0,95 bei [4].

Eine spezifische Schwäche wurde bei Kaiserschnitten gezeigt: In einer prospektiven Kohorte von 116 Frauen erreichte der Apfel-Score eine AUC von lediglich 0,547 (95 % KI 0,350 bis 0,745) [5]. Die Ursache ist struktureller Natur: Sämtliche Patientinnen sind Frauen und die meisten sind Nichtraucherinnen, was das Diskriminationsvermögen von zwei der vier Prädiktoren eliminiert und den Score in dieser Population ohne Streuung lässt.

Limitationen

Der Apfel-Score ist für Erwachsene abgeleitet und validiert, die sich einer balancierten Allgemeinanästhesie mit Inhalationsanästhetika unterziehen. Bei ausschließlich regionaler Anästhesie fehlen die Prädiktoren, die die Anästhesietechnik betreffen, und der Score ist in diesem Kontext nicht validiert. Für Kinder gelten andere Risikoprofile und andere Prädiktoren; Erwachsenenmodelle haben sich in pädiatrischen Kohorten als weniger diskriminierend erwiesen und sollten nicht direkt übertragen werden.

Der Score berücksichtigt nicht das operationsspezifische Risiko. Lange Operationsdauer, Art der Chirurgie (zum Beispiel gynäkologisch, laparoskopisch, Hals-Nasen-Ohren) und Anästhesietechnik (Inhalation gegenüber TIVA) beeinflussen die PONV-Inzidenz unabhängig von den Patientenfaktoren des Apfel-Scores. Ein Patient mit niedrigem Score, der sich einem Hochrisikoeingriff unterzieht, kann daher ein tatsächliches Risiko haben, das das vorhergesagte übersteigt.

Zwei der vier Prädiktoren, weibliches Geschlecht und Nichtraucher, sind in bestimmten Populationen konstant oder nahezu konstant, was den Score für Frauen, die sich einem Kaiserschnitt unterziehen, in der Praxis unbrauchbar macht [5]. In solchen Populationen sollte das Instrument durch populationsangepasste Modelle ergänzt oder ersetzt werden.

Schließlich ist das Risiko im Zeitverlauf nicht statisch. Rauchstopp, eine neue altersbedingte Erkrankung oder eine geänderte Opioidstrategie können den Patienten zwischen den Risikobändern verschieben. Der Score sollte neu berechnet werden, wenn sich die Voraussetzungen ändern, nicht nur einmal pro Patient.

Quellen

1. Apfel CC, Läärä E, Koivuranta M, Greim CA, Roewer N. A simplified risk score for predicting postoperative nausea and vomiting: conclusions from cross-validations between two centers. Anesthesiology 1999;91(3):693–700. PMID: 10485781
2. Gan TJ, Belani KG, Bergese S, et al. Fourth Consensus Guidelines for the Management of Postoperative Nausea and Vomiting. Anesthesia and Analgesia 2020;131(2):411–448. PMID: 32467512
3. Apfel CC, Kranke P, Eberhart LH, Roos A, Roewer N. Comparison of predictive models for postoperative nausea and vomiting. British Journal of Anaesthesia 2002;88(2):234–240. PMID: 11883387
4. Wang HJ, Lee WP, Gau TP, Cheng KI, Wei CR. Prediction of Postoperative Vomiting Within 24 Hours Using Machine Learning With Large Language Model-Enhanced Interpretability: Development and Validation Study. JMIR Medical Informatics 2026;31:e84260. PMID: 42536998
5. Liu Y, Zhong H, Dai Z, et al. Predicting postoperative nausea and vomiting after cesarean section: a nomogram model combined with gastric ultrasound. BMC Anesthesiology 2025;25:478165. PMID: 39923027