Sie können die Ergebnisse eines Tests nicht interpretieren, ohne die Vortestwahrscheinlichkeit zu kennen.
Ich bin sicher, wir haben alle den gleichen Vortrag über Screening-Tests gehört. Ich bin sicher, dass wir alle von den seltsamen Zahlen überrascht wurden, die sich aus der Anwendung scheinbar ausgezeichneter Tests in Populationen mit geringem Risiko ergeben. Ich bin sicher, dass wir alle wissen, dass wir keine Schwangerschaftstests bei Männern durchführen sollten.
Aber diese Beispiele im Klassenzimmer werden zu leicht vergessen, wenn man in Notfallschichten arbeitet. Wir bestellen jede Stunde Hunderte von Tests (wenn Sie jeden Labortest separat betrachten), und wir haben einfach keine Zeit, mit Bayes ‚Formel mit jedem Test zu kämpfen.
Die meiste Zeit kommen wir durch. Die Mathematik funktioniert, ohne anerkannt zu werden, oder wir ignorieren Testergebnisse (z. B. fehlerhafte Anzahl weißer Blutkörperchen), ohne die Bayes’sche Erklärung dafür, dass sie falsch sind, formell anzuerkennen. Aber manchmal verstehen wir das unglaublich falsch. Manchmal schmerzt das unsere Patienten.
Es ist also wichtig, daran erinnert zu werden: Sie können Testergebnisse nicht interpretieren, ohne die Vortestwahrscheinlichkeit zu kennen.
Ein Beispiel: Screening-Tests
Die überraschendsten Ergebnisse dieses Prinzips stammen aus dem Screening. Ich werde ein theoretisches Beispiel aus dem hervorragenden Lehrbuch „Cognitive Errors and Diagnostic Mistakes“ von Jonathan Howard verwenden: (Howard 2019)
Stellen Sie sich einen neuen CT-Scan vor, bei dem niemals ein Fall von Brustkrebs übersehen wird (ist 100% empfindlich), der jedoch bei 5% der gesunden Frauen zu einem falsch positiven Messwert führt (ist 95% spezifisch). Es ist ein fantastischer Test – genauer als die meisten, die wir verwenden. Wir möchten es verwenden, um Brustkrebs im Rahmen eines Screening-Protokolls frühzeitig zu erkennen. Bei Frauen unter 50 Jahren liegt die Brustkrebsrate bei 1 zu 1.000. Wenn Robin, eine 45-jährige Frau, einen positiven Test hat, wie hoch ist die Wahrscheinlichkeit, dass sie Krebs hat? (Testen Sie sich selbst – raten Sie jetzt).
Es hört sich so an, als hätte Robin ein ziemlich hohes Krebsrisiko. Immerhin sagt ein sehr genauer Test, dass sie Krebs hat. Aber lass uns rechnen. In einer Stichprobe von 1.000 Frauen erwarten wir, dass 1 Krebs hat. Das CT ist perfekt und identifiziert die eine krebskranke Frau. Die falsch positive Rate von 5% bedeutet jedoch, dass von dieser Gruppe von eintausend Frauen 50 falsch positive Ergebnisse erhalten. Es gibt 51 positive Tests und nur 1 wahren Fall von Krebs. Daher beträgt Robins Chance, trotz der positiven CT an Krebs zu erkranken, 1/51 oder etwa 2%.
Ein positives Ergebnis bei einem sehr genauen Test, und es gibt immer noch nur eine 2% ige Chance, dass der Patient die Krankheit hat?!
Testergebnisse, insbesondere aus High-Tech-Tests wie CTs und MRTs, werden zu oft als perfekt behandelt. Wir akzeptieren die Ergebnisse einfach als „Diagnose“, aber der Fall Robin ist eine hervorragende Erinnerung an die Fehlbarkeit unserer Tests. Selbst wenn die CT zu 99% spezifisch wäre, würde die Posttest-Wahrscheinlichkeit immer noch nur 10% betragen. Das ist überraschend. Wir erwarten nicht, dass genaue Tests häufiger falsch als richtig sind.
Man könnte argumentieren, dass 1 zu 1.000 eine sehr geringe Vortestwahrscheinlichkeit ist. In der Notfallmedizin betreuen wir symptomatische Patienten mit einer höheren Baseline-Inzidenz von Krankheiten. (Wenn Sie unsere Verwendung von Stresstests in Betracht ziehen, werden Sie diese Annahme leider für falsch halten.) Aus diesem Grund finde ich das Folgebeispiel noch interessanter. Angenommen, wir wenden dieselbe CT auf eine 70-jährige Frau an, die eine Prätestwahrscheinlichkeit von 10% hat. In einer Gruppe von 1.000 Patienten werden jetzt 100 Patienten Brustkrebs haben, und die CT wird sie alle identifizieren. Von den 900 gesunden Frauen haben 45 ein positives CTs. Die Ergebnisse sind also viel besser. Wenn Sie eine positive CT haben, haben Sie eine 69% (100/145) Chance, an Krebs zu erkranken. Aber selbst in einem Szenario mit einer moderaten Vortestwahrscheinlichkeit und einem sehr genauen Test (viel besser als die meisten, die wir in der Notfallmedizin verwenden) besteht immer noch eine 30% ige Chance, dass dies ein falsch positives Ergebnis ist!
Wie gilt das für die Notfallmedizin?
Tests müssen nach Berücksichtigung der Prätestwahrscheinlichkeit interpretiert (oder besser noch geordnet) werden.
Ich höre oft Geschichten von „großen Fängen“. Von Ärzten, die eine CTPA bestellt haben, obwohl der Patient ein geringes Risiko für PE und PERC negativ hat. Niedrig und siehe da, das CT ist positiv. Der Arzt prahlt weithin mit dieser großen Rettung. Die Bewohner werden über die Fehlbarkeit der PERC-Regel unterrichtet, und letztendlich werden mehr CTs bestellt.
Sie können wahrscheinlich sehen, wohin das führt. Lass uns das rechnen. Nachdem eine geeignete Patientin durch den PERC-Score ausgeschlossen wurde, hat sie eine Wahrscheinlichkeit von etwa 1,4% für PE. (Kline 2004) Ein CT-Lungenangiogramm ist ein ziemlich guter Test, obwohl ich zuvor Daten diskutiert habe, die zeigen, dass Radiologen oft nicht einverstanden mit dem endgültigen Lesen sind. (Miller 2015) Die besten Daten, die wir haben, stammen wahrscheinlich aus der PIOPED II-Studie, die ergab, dass eine CTPA im Vergleich zur herkömmlichen Lungenangiographie eine Sensitivität von 83% und eine Spezifität von 96% aufweist. (Stein 2006) Die CT-Technologie hat sich seit der PIOPED-Studie geändert, und daher ist die Empfindlichkeit mit ziemlicher Sicherheit besser (aber es fiel mir sehr schwer, eine moderne Schätzung zu finden). Für unsere Berechnungen gehe ich nur von einer Empfindlichkeit von 95% aus.
Somit für jeden 1000 PERC-negativen Patienten mit niedrigem Risiko In der ED wird es 14 PEs geben. CT wird 13 dieser 14 Patienten fangen. Bei den verbleibenden 986 Patienten ist die CT bei 39 falsch positiv. Daher ist die CT bei insgesamt 52 Patienten positiv, aber nur 13 dieser Patienten (25%) haben tatsächlich eine PE.
Wenn ein Kollege damit prahlt, bei einem PERC-negativen Patienten mit geringem Risiko eine PE zu finden, besteht eine 75% ige Chance, dass er sich irrt. Es besteht eine 75% ige Chance, dass dem Patienten unnötige Antikoagulanzien verabreicht wurden. Eine 75% ige Chance, dass, obwohl die CT ein falsch positives Ergebnis war, die Patientin für den Rest ihres Lebens wegen Brustschmerzen oder Kurzatmigkeit oder Atemnot in die Notaufnahme eilt und viel mehr Tests (und möglicherweise mehr falsch positive Ergebnisse) erhält. Mit anderen Worten, es besteht eine 75% ige Chance, dass wir diesen Patienten verletzen.
Sie können die Ergebnisse eines Tests nicht interpretieren, ohne die Vortestwahrscheinlichkeit zu kennen.
Dies gilt für alle unsere Tests. Ob Sie ein CT, ein Blutbild, eine Röntgenaufnahme oder ein EKG bestellen. Sie können die Ergebnisse eines Tests nicht interpretieren, ohne die Vortestwahrscheinlichkeit zu kennen. Der Versuch, dies zu tun, wird Ihren Patienten schaden.
Howard, J. (2018). Kognitive Fehler und diagnostische Fehler. : Springer Verlag.
Kline JA, Mitchell BIN, Kabrhel C, Richman PB, Courtney DM. Klinische Kriterien zur Vermeidung unnötiger diagnostischer Tests bei Patienten mit Verdacht auf Lungenembolie in der Notaufnahme. Zeitschrift für Thrombose und Hämostase : JTH. 2004; 2(8):1247-55.
Müller WT, Marinari LA, Barbosa E, et al. Kleine Lungenarteriendefekte sind keine zuverlässigen Indikatoren für eine Lungenembolie. Ich bin Thoracic. 2015. PMID: 25961445
Stein PD, Fowler SE, Goodman LR, et al. Multidetektor-Computertomographie bei akuter Lungenembolie. Das New England Journal of Medicine. 2006; 354(22):2317-27.
Foto von Crissy Jarvis auf Unsplash