du kan ikke fortolke resultaterne af en test uden at kende pretest sandsynligheden.
jeg er sikker på, at vi alle har hørt det samme foredrag om screeningstest. Jeg er sikker på, at vi alle er blevet overrasket over de mærkelige tal, der skyldes at anvende tilsyneladende fremragende test i lavrisikopopulationer. Jeg er sikker på, at vi alle ved, at vi ikke bør bruge graviditetstest på mænd.
men disse klasseeksempler glemmes for let, når man arbejder travle nødskift. Vi bestiller hundredvis af tests hver time (hvis du overvejer hver laboratorietest separat), og vi har simpelthen ikke tid til at kæmpe med Bayes’ formel med hver test.
det meste af tiden kommer vi forbi. Matematikken fungerer uden at blive anerkendt, eller vi ignorerer testresultater (såsom fejlagtige antal hvide blodlegemer) uden formelt at anerkende den bayesiske forklaring på, at de er forkerte. Men nogle gange får vi dette utroligt forkert. Nogle gange gør det ondt for vores patienter.
så det er vigtigt at blive mindet om: du kan ikke fortolke testresultater uden at kende den forudgående Sandsynlighed.
et eksempel: screeningstest
de mest overraskende resultater af denne rektor kommer fra screening. Jeg vil bruge et teoretisk eksempel løftet fra den fremragende lærebog “Cognitive Errors and Diagnostic Mistakes” af Jonathan: (2019)
Forestil dig en ny CT-scanning, der aldrig går glip af et tilfælde af brystkræft (er 100% følsom), men resulterer i en falsk positiv læsning hos 5% af raske kvinder (er 95% specifik). Det er en fantastisk test – mere præcis end de fleste, vi bruger. Vi vil gerne bruge det til at opdage brystkræft tidligt som en del af en screeningsprotokol. Hos kvinder under 50 år er antallet af brystkræft 1 ud af 1.000. Hvis Robin, en 45 år gammel kvinde, har en positiv test, Hvad er sandsynligheden for, at hun har kræft? (Test dig selv-gæt nu).
det lyder som om Robin har en ret stor chance for kræft. Trods alt, en meget nøjagtig test siger, at hun har kræft. Men lad os lave matematikken. I en stikprøve på 1.000 kvinder forventer vi, at 1 har kræft. CT er perfekt og identificerer den ene kvinde med kræft. Imidlertid betyder 5% falsk positiv sats, at ud af denne gruppe på tusind kvinder vil 50 få falske positive resultater. Der er 51 positive tests og kun 1 ægte tilfælde af kræft. Derfor er Robins chance for at få kræft på trods af den positive CT 1/51 eller omkring 2%.
et positivt resultat på en meget nøjagtig test, og der er stadig kun 2% chance for, at patienten har sygdommen?!
testresultater, især dem fra højteknologiske tests som CTs og MR ‘ er, behandles for ofte som perfekte. Vi accepterer simpelthen resultaterne som” diagnosen”, men tilfældet med Robin er en fremragende påmindelse om fejlbarheden af vores test. Selv hvis CT var 99% specifik, ville sandsynligheden for posttest stadig kun være 10%. Det er overraskende. Vi forventer ikke, at nøjagtige tests er forkerte oftere, end de har ret.
du kan argumentere for, at 1 ud af 1.000 er en meget lav prætest Sandsynlighed. I akutmedicin ser vi efter symptomatiske patienter med en højere baseline-forekomst af sygdom. (Desværre, hvis du overvejer vores brug af stresstest, tror jeg, du vil finde denne antagelse forkert.) Af den grund synes jeg opfølgningseksemplet er endnu mere interessant. Antag, at vi anvender den samme CT til en 70-årig kvinde, der har en 10% prætest Sandsynlighed for sygdom. I en gruppe på 1.000 patienter vil nu 100 patienter have brystkræft, og CT vil identificere dem alle. Af de 900 raske kvinder vil 45 have positive CTs. Så resultaterne er meget bedre. Hvis du har en positiv CT, har du en 69% (100/145) chance for at få kræft. Men selv i et scenario med en moderat pretest sandsynlighed og en meget præcis test (meget bedre end de fleste vi bruger i akutmedicin) er der stadig en 30% chance for, at dette er en falsk positiv!
hvordan gælder dette for akutmedicin?
test skal fortolkes (eller endnu bedre bestilt) efter overvejelse af prætest sandsynligheden.
jeg hører ofte historier om “store fangster”. Af læger, der bestilte en CTPA, på trods af at patienten var lav risiko for PE og PERC negativ. Lav og se, CT er positiv. Lægen praler bredt om denne store redning. Beboere læres om fejlbarheden af PERC-reglen, og i sidste ende bestilles flere CTs.
du kan sikkert se, hvor dette går. Lad os lave den matematik. Efter at en passende patient er udelukket af PERC-score, har hun cirka 1,4% chance for PE. (Kline 2004) et CT-lungeangiogram er en ret god test, selvom jeg tidligere har diskuteret data, der viser, at radiologer ofte er uenige om den endelige læsning. (Miller 2015) de bedste data, vi har, kommer sandsynligvis fra PIOPED II-undersøgelsen, som viste, at en CTPA har en 83% følsomhed og 96% specificitet sammenlignet med traditionel lungeangiografi. (Stein 2006) CT-teknologi har ændret sig siden PIOPED-undersøgelsen, og derfor er følsomheden næsten helt sikkert bedre (men jeg havde meget svært ved at finde et moderne skøn). Af hensyn til vores beregninger antager jeg bare en 95% følsomhed.
for hver 1000 perc-negative patienter med lav risiko, der ses i ED, vil der således være 14 PEs. CT vil fange 13 af disse 14 patienter. For de resterende 986 patienter vil CT være falsk positiv i 39. Derfor vil CT være positiv hos 52 patienter i alt, men kun 13 af disse patienter (25%) har faktisk en PE.
så når en kollega praler om at finde en PE i en lav risiko, PERC negativ patient, er der en 75% chance for, at de tager fejl. Der er en 75% chance for, at patienten har fået unødvendig antikoagulationsbehandling. En 75% chance for, at selvom CT var en falsk positiv, vil patienten skynde sig til akutafdelingen for brystsmerter eller åndenød eller åndedræt resten af sit liv og få mange flere tests (og potentielt flere falske positive). Med andre ord er der en 75% chance for, at vi skader denne patient.
du kan ikke fortolke resultaterne af en test uden at kende den forudgående Sandsynlighed.
dette gælder for alle vores test. Uanset om du bestiller en CT, et blodtal, en røntgen eller et EKG. Du kan ikke fortolke resultaterne af en test uden at kende den forudgående Sandsynlighed. Forsøg på at gøre det vil skade dine patienter.
J. (2018). Kognitive fejl og diagnostiske fejl. : Springer International Publishing.
Kline JA, Mitchell AM, Kabrhel C, Richman PB, Courtney DM. Kliniske kriterier for at forhindre unødvendig diagnostisk test hos patienter med akut afdeling med mistanke om lungeemboli. Tidsskrift for trombose og hæmostase: JTH. 2004; 2(8):1247-55.
Miller vægt, Marinari LA, Barbosa E, et al. Små Lungearteriefejl er ikke pålidelige indikatorer for lungeemboli. Ann Am Thorac Soc. 2015. PMID: 25961445
Stein PD, fjerkræ SE, Goodman LR, et al. Multidetektor computertomografi til akut lungeemboli. Det Nye England journal of medicine. 2006; 354(22):2317-27.
foto af Crissy Jarvis på Unsplash