nem értelmezheti a teszt eredményeit az elővizsgálat valószínűségének ismerete nélkül.
biztos vagyok benne, hogy mindannyian hallottuk ugyanazt az előadást a szűrővizsgálatokról. Biztos vagyok benne, hogy mindannyiunkat megleptek azok a furcsa számok, amelyek az alacsony kockázatú populációkban látszólag kiváló tesztek alkalmazásából származnak. Biztos vagyok benne, hogy mindannyian tudjuk, hogy nem szabad terhességi teszteket használnunk férfiakon.
de ezeket az osztálytermi példákat túl könnyen elfelejtik, ha elfoglalt sürgősségi műszakban dolgoznak. Óránként több száz tesztet rendelünk (ha minden laboratóriumi tesztet külön veszünk figyelembe), és egyszerűen nincs időnk arra, hogy minden tesztnél küzdjünk Bayes képletével.
a legtöbb időt megkapjuk. A matematika anélkül működik, hogy elismernénk, vagy figyelmen kívül hagyjuk a teszt eredményeit (például a hibás fehérvérsejtszámot) anélkül, hogy hivatalosan elismernénk a Bayes-I magyarázatot, hogy tévednek. De néha ezt hihetetlenül rosszul kapjuk. Néha ez fáj a betegeinknek.
ezért fontos emlékeztetni: a teszt eredményeit nem lehet értelmezni az előzetes valószínűség ismerete nélkül.
példa: szűrővizsgálatok
ennek a megbízónak a legmeglepőbb eredményei a szűrésből származnak. Elméleti példát fogok használni a Jonathan Howard “kognitív hibák és diagnosztikai hibák” kiváló tankönyvéből: (Howard 2019)
Képzeljünk el egy új CT-vizsgálatot, amely soha nem hagyja ki az emlőrák esetét (100% – ban érzékeny), de az egészséges nők 5% – ában hamis pozitív olvasatot eredményez (95% specifikus). Ez egy fantasztikus teszt-pontosabb, mint a legtöbb, amit használunk. Szeretnénk használni a mellrák korai felismerésére, egy szűrési protokoll részeként. Az 50 év alatti nőknél az emlőrák aránya 1: 1000. Ha Robinnak, egy 45 éves nőnek pozitív tesztje van, mekkora a valószínűsége annak, hogy rákos? (Tesztelje magát-tippeljen most).
úgy tűnik, Robinnak elég nagy esélye van a rákra. Végül is egy nagyon pontos teszt azt mondja, hogy rákos. De számoljuk ki. Egy 1000 nőből álló mintában arra számítunk, hogy 1 rákos lesz. A CT tökéletes, és azonosítja az egyetlen rákos nőt. Az 5% – os hamis pozitív arány azonban azt jelenti, hogy ebből az ezer nőből álló csoportból 50 hamis pozitív eredményt kap. 51 pozitív teszt van, és csak 1 igaz rákos eset. Ezért Robin esélye a rákra a pozitív CT ellenére 1/51, vagyis körülbelül 2%.
pozitív eredmény egy nagyon pontos teszten, és még mindig csak 2% esély van arra, hogy a beteg a betegségben szenved?!
a teszteredményeket, különösen a csúcstechnológiás tesztek, például a CT és az MRI eredményeit, túl gyakran tökéletesnek tekintik. Az eredményeket egyszerűen “diagnózisként” fogadjuk el, de Robin esete kiváló emlékeztető tesztjeink eshetőségére. Még ha a CT 99% – os specifikus is lenne, a teszt utáni valószínűség még mindig csak 10% lenne. Ez meglepő. Nem számítunk arra, hogy a pontos tesztek gyakrabban tévednek, mint helyesek.
azt állíthatja, hogy 1 Az 1000-ből nagyon alacsony elővizsgálati valószínűség. A sürgősségi orvoslásban tüneti betegeket gondozunk, akiknél magasabb a betegség előfordulási gyakorisága. (Sajnos, ha figyelembe vesszük a stressztesztek használatát, úgy gondolom, hogy ezt a feltételezést helytelennek találja.) Ezért úgy gondolom, hogy a nyomon követési példa még érdekesebb. Tegyük fel, hogy ugyanazt a CT-t alkalmazzuk egy 70 éves nőre, akinek 10% – os elővizsgálati valószínűsége van a betegségnek. Egy 1000 betegből álló csoportban most 100 betegnek lesz emlőrákja, és a CT azonosítja őket. A 900 egészséges nő közül 45-nek pozitív CTs-je lesz. Tehát az eredmények sokkal jobbak. Ha pozitív CT – je van, akkor 69% (100/145) esélye van a rákra. Azonban még egy mérsékelt elővizsgálati valószínűségű és nagyon pontos teszt esetén is (sokkal jobb, mint a sürgősségi orvoslásban használt legtöbb esetben) még mindig 30% esély van arra, hogy ez hamis pozitív!
hogyan vonatkozik ez a sürgősségi orvoslásra?
a teszteket az elővizsgálat valószínűségének mérlegelése után kell értelmezni (vagy még jobb, ha megrendelni).
gyakran hallok történeteket a “nagy fogásokról”. Azok közül az orvosok közül, akik ctpa-t rendeltek, annak ellenére, hogy a beteg alacsony a PE és PERC negatív kockázata. Alacsony és íme, a CT pozitív. Az orvos széles körben dicsekedik erről a nagy mentésről. A lakosokat megtanítják a PERC-szabály eshetőségére, és végül több CTs-t rendelnek el.
valószínűleg láthatja, hová megy ez. Számoljuk ki. Miután a PERC pontszám kizárja a megfelelő beteget, körülbelül 1,4% esélye van a PE-re. (Kline 2004) a CT tüdő angiogram egy nagyon jó teszt, bár korábban már tárgyaltam az adatokat, amelyek azt mutatják, hogy a radiológusok gyakran nem értenek egyet a végső olvasással kapcsolatban. (Miller 2015) A legjobb adatok valószínűleg a PIOPED II vizsgálatból származnak, amely megállapította, hogy a CTPA 83% – os érzékenységgel és 96% – os specifitással rendelkezik a hagyományos tüdő angiográfiához képest. (Stein 2006) a CT technológia megváltozott a PIOPED tanulmány óta, így az érzékenység szinte biztosan jobb (de nagyon nehéz volt modern becslést találni). A számításaink kedvéért csak 95% – os érzékenységet feltételezek.
így minden 1000 alacsony kockázatú PERC negatív betegnél, akiket az ED-ben láttak, 14 pe lesz. A CT 13-at fog elkapni ebből a 14 betegből. A fennmaradó 986 beteg esetében a CT hamisan pozitív lesz 39-ben. Ezért a CT összesen 52 betegnél pozitív lesz, de e betegek közül csak 13-nak (25%) van PE-je.
tehát amikor egy kolléga azzal dicsekszik, hogy alacsony kockázatú, PERC negatív betegnél PE-t talál, 75% az esélye, hogy tévednek. 75% esély van arra, hogy a beteg felesleges antikoagulációt kapott. 75% esély van arra, hogy bár a CT hamis pozitív volt, a beteg egész életében mellkasi fájdalom, légszomj vagy légszomj miatt rohan a sürgősségi osztályra, és még sok más tesztet (és potenciálisan több hamis pozitív eredményt) kap. Más szavakkal, 75% esély van arra, hogy bántjuk ezt a beteget.
nem értelmezheti a teszt eredményeit az előzetes valószínűség ismerete nélkül.
ez minden tesztünkre igaz. Akár CT-t, vérképet, röntgenfelvételt vagy EKG-t rendel. Nem értelmezheti a teszt eredményeit anélkül, hogy tudná az előzetes valószínűséget. Ha megpróbálod ezt megtenni, az fájni fog a betegeidnek.
Howard, J. (2018). Kognitív hibák és diagnosztikai hibák. : Springer Nemzetközi Kiadó.
Kline JA, Mitchell AM, Kabrhel C, Richman PB, Courtney DM. Klinikai kritériumok a felesleges diagnosztikai vizsgálatok megelőzésére sürgősségi osztályon tüdőembólia gyanúja esetén. Journal of thrombosis and haemostasis : JTH. 2004; 2(8):1247-55.
Miller WT, Marinari LA, Barbosa E és mtsai. A kis pulmonalis artériás hibák nem megbízható mutatók a tüdőembólia szempontjából. Ann Am Thorac Soc. 2015. PMID: 25961445
Stein PD, Fowler SE, Goodman LR és mtsai. Multidetektoros számítógépes tomográfia akut tüdőembólia esetén. A New England Journal of medicine. 2006; 354(22):2317-27.
fotó: Crissy Jarvis az Unsplash-en