De eerste 9 hoofdstukken waren een inleiding op waar het eigenlijk om gaat. Wat zijn de effecten van vroegdiagnostiek? Daarvoor moesten we eerst weten wat vroegdiagnostiek en screening inhoudt. Vervolgens was er informatie nodig over diagnostisch onderzoek en wat er gebeurt als er betere scans en testen komen. We hebben het gehad over uitslagen van testen: wat betekenen die nu eigenlijk. Tenslotte ging het in hoofdstuk 9 over het ontstaan en de groei van kanker.
Alle effecten van vroegdiagnostiek worden verklaard door één verschijnsel: de lead-time. Dat wordt in dit hoofdstuk besproken. De gevolgen van de lead-time zullen geleidelijk aan duidelijk worden in de komende hoofdstukken.
In hoofdstuk 7 en 8 hebben we gezien dat testen niet 100% betrouwbaar zijn. Verder zagen we dat fout positieve uitslagen een groot probleem zijn bij vroegdiagnostiek. Voor de komende hoofdstukken ga ik er van uit dat de testen wel perfect zijn. De uitslag klopt altijd. Er zijn dus geen fout positieve en fout negatieve uitslagen. Dat doe ik omdat het anders heel complex wordt. Maar weet: de perfecte test bestaat niet.
Mevrouw A is 68 jaar oud. Ze gaat naar de dokter omdat ze een knobbel in een borst heeft gevoeld. Er wordt borstkanker vastgesteld. Ze wordt behandeld en overlijdt als ze 75 is aan iets heel anders.
Mevrouw B is 64 jaar oud. Bij het bevolkingsonderzoek wordt een afwijking op de foto gezien. In het ziekenhuis wordt borstkanker vastgesteld. Ze wordt behandeld en overlijdt als ze 75 is aan iets heel anders.
Mevrouw A en B zijn in wezen precies hetzelfde. Als mevrouw A op haar 64-ste aan het bevolkingsonderzoek had meegedaan, zou bij haar ook borstkanker zijn gevonden. En als mevrouw B niet had meegedaan, had ze op haar 68-ste ook een knobbel gevoeld.
De diagnose vervroegen
Is er een verschil tussen mevrouw A en mevrouw B? Ze hebben beiden borstkanker gehad en ze overlijden als ze 75 jaar oud zijn. Toch is er een groot verschil. Mevrouw A heeft 7 jaar met borstkanker geleefd, mevrouw B 11 jaar. Het kan best zijn dat mevrouw B betere overlevingskansen had door het bevolkingsonderzoek, maar daar gaat het hier niet om. Zelfs als het bevolkingsonderzoek borstkanker helemaal geen effect heeft, LIJKT het alsof mevrouw B beter af is! Dat komt omdat we de overleving berekenen vanaf het moment van de diagnose. De conclusie is dan: mevrouw A heeft ‘maar 7 jaar overleefd’ en mevrouw B ‘maar liefst 11 jaar’. Ook in de cijfers zul je dit terugzien. Overlevingscijfers worden landelijk gepresenteerd als 5-jaars en 10-jaars overleving. Mevrouw A en B hebben beiden de 5-jaars overleving gehaald. Maar alleen mevrouw B heeft de 10-jaars overleving gehaald. Zij was dus beter af…
Ze heeft natuurlijk wel 4 jaar langer geleefd met borstkanker dan mevrouw A. De diagnose kanker is heftig en het leven daarna is anders dan daarvoor. Dat zullen mensen die kanker hebben (gehad) kunnen beamen. Dus die 4 extra jaren kunnen mevrouw B wel een mindere kwaliteit van leven hebben bezorgd dan mevrouw A. Want die wist in die 4 jaar nog van niets.
De tijd waarmee door vroegdiagnostiek de diagnose naar voren wordt gehaald noemen we de LEAD-TIME. Het begrip wordt hieronder in figuur 2 in beeld gebracht. Boven de levenslijn van mevrouw A en onder die van mevrouw B. De levenslijnen zijn gelijkgetrokken voor het moment van het ontstaan van de borstkanker (links in beeld). Je kunt zien dat ze ook op het zelfde moment overlijden. De diagnose wordt bij mevrouw B eerder gesteld en daardoor leeft zij langer met borstkanker.
Het is erg belangrijk om rekening te houden met de lead-time. Als dat niet gebeurt, wordt al snel de conclusie getrokken dat screening helpt want de 5-jaars en/of 10-jaars overleving wordt beter. Je hebt nu gezien dat dit effect automatisch optreedt. Ook al heeft de screening zelf helemaal geen effect. Je hoeft er niets bijzonders voor te doen. Alleen de diagnose eerder stellen is genoeg. Deze vertekening wordt lead-time bias (vertekening) genoemd.
Wat gebeurt er nu als we een nog betere test hebben? Bijvoorbeeld de digitale borstfoto (mammogram) uit hoofdstuk 4. We hebben daar gezien dat een betere test onherroepelijk meer afwijkingen zal laten zien die gemiddeld ook nog eens kleiner zijn. Dat betekent in de praktijk dat we de diagnose nog wat verder naar voren halen: de lead-time wordt langer. Zie figuur 3. Dus een betere test laat meer afwijkingen zien die gemiddeld kleiner zijn. Daarnaast wordt de overleving gemeten vanaf de diagnose nog langer. Een extra gevoel dat screening helpt. Ook hier geldt: het kan best zijn dat screening helpt, maar dat hoeft helemaal niet. Ook als het niets doet, zullen deze effecten optreden. Ook het aanscherpen van grenzen van normaal (hoofdstuk 5) zal dit effect laten zien.
Een belangrijke vraag is natuurlijk: hoe lang is nu die lead-time? Het is ontzettend lastig om die te bepalen. Je kunt het niet eenvoudig meten. Verder is de lead-time afhankelijk van de kankersoort, de leeftijd van de gescreende mensen, de gebruikte screeningstest, de grenzen van de screeningstest en hoe vaak de screening wordt uitgevoerd. En het wordt nog ingewikkelder. Maar dat komt pas in hoofdstuk 12 aan bod omdat we daarvoor moeten weten wat overdiagnostiek en overbehandeling is.
Voor nu is de schatting dat de lead-time één tot meer dan 10 jaar kan bedragen afhankelijk van al die factoren.
In de volgende hoofdstukken komen de overige gevolgen van de lead-time aan bod.
Samenvattend
Lead-time is de tijd waarmee de diagnose naar voren wordt gehaald door vroegdiagnostiek of screening. Omdat we overleving berekenen vanaf het moment van diagnose, lijken gescreende mensen een betere overleving te hebben dan mensen die met klachten naar de dokter zijn gegaan. Dit heet lead-time bias. Dat effect wordt versterkt als we betere scans en laboratoriumtesten gaan gebruiken. Ook als de screening geen echt effect heeft, treden deze verschijnselen op. Daarom is het een belangrijk effect om rekening mee te houden.
Volgend hoofdstuk (11). De kwaadaardigheid van kanker en de lengte van de lead-time
Vorig hoofdstuk (9). Het ontstaan en de groei van kanker: een ultrakorte inleiding in tumorbiologie
Arjen Noordzij 