Non è possibile interpretare i risultati di un test senza conoscere la probabilità pretest.
Sono sicuro che abbiamo tutti sentito la stessa lezione sui test di screening. Sono sicuro che siamo stati tutti sorpresi dagli strani numeri che derivano dall’applicazione di test apparentemente eccellenti in popolazioni a basso rischio. Sono sicuro che tutti sappiamo che non dovremmo usare test di gravidanza sugli uomini.
Ma questi esempi di classe sono troppo facilmente dimenticati quando si lavora turni di emergenza occupati. Ordiniamo centinaia di test ogni ora (se si considera ogni test di laboratorio separatamente), e semplicemente non abbiamo il tempo di lottare con la formula di Bayes con ogni test.
La maggior parte delle volte ce la caviamo. La matematica funziona senza essere riconosciuta, o ignoriamo i risultati dei test (come i conteggi errati dei globuli bianchi) senza riconoscere formalmente la spiegazione bayesiana per il loro errore. Ma a volte ci sbagliamo incredibilmente. A volte questo fa male ai nostri pazienti.
Quindi è importante essere ricordato: non è possibile interpretare i risultati dei test senza conoscere la probabilità pretest.
Un esempio: Test di screening
I risultati più sorprendenti di questo principio provengono dallo screening. Userò un esempio teorico tratto dall’eccellente libro di testo “Errori cognitivi e errori diagnostici” di Jonathan Howard: (Howard 2019)
Immagina una nuova TAC che non manca mai un caso di cancro al seno (è sensibile al 100%), ma si traduce in una lettura falsa positiva nel 5% delle donne sane (è specifico al 95%). Si tratta di un test fantastico – più preciso rispetto alla maggior parte che usiamo. Vorremmo usarlo per rilevare precocemente il cancro al seno, come parte di un protocollo di screening. Nelle donne di età inferiore ai 50 anni, il tasso di cancro al seno è 1 su 1.000. Se Robin, una donna di 45 anni, ha un test positivo, qual è la probabilità che abbia il cancro? (Mettiti alla prova-fai una supposizione ora).
Sembra che Robin abbia una probabilità piuttosto alta di cancro. Dopo tutto, un test molto accurato dice che ha il cancro. Ma facciamo i conti. In un campione di 1.000 donne, ci aspettiamo che 1 abbia il cancro. La TAC è perfetta e identifica l’unica donna con il cancro. Tuttavia, il tasso di falsi positivi del 5% significa che da questo gruppo di mille donne, 50 riceveranno risultati falsi positivi. Ci sono 51 test positivi e solo 1 vero caso di cancro. Pertanto, la possibilità di Robin di avere il cancro, nonostante la TC positiva, è 1/51, o circa il 2%.
Un risultato positivo su un test molto accurato, e c’è ancora solo un 2% di probabilità che il paziente ha la malattia?!
I risultati dei test, in particolare quelli di test ad alta tecnologia come CTS e risonanza magnetica, sono troppo spesso trattati come perfetti. Accettiamo semplicemente i risultati come “la diagnosi”, ma il caso di Robin è un eccellente promemoria della fallibilità dei nostri test. Anche se la TC fosse specifica al 99%, la probabilità post-test sarebbe comunque solo del 10%. E ‘ sorprendente. Non ci aspettiamo che i test accurati siano sbagliati più spesso di quanto non abbiano ragione.
Si potrebbe sostenere che 1 su 1.000 è una probabilità di pre-test molto bassa. Nella medicina d’urgenza, ci occupiamo di pazienti sintomatici con una maggiore incidenza basale di malattia. (Sfortunatamente, se consideri il nostro uso di stress test, penso che troverai questa ipotesi errata.) Per questo motivo, penso che l’esempio di follow-up sia ancora più interessante. Supponiamo di applicare la stessa TC a una donna di 70 anni, che ha una probabilità del 10% di malattia. In un gruppo di 1.000 pazienti, ora 100 pazienti avranno il cancro al seno e la TC li identificherà tutti. Delle 900 donne sane, 45 avranno CTS positivi. Quindi i risultati sono molto migliori. Se hai una TC positiva, hai una probabilità del 69% (100/145) di avere il cancro. Tuttavia, anche in uno scenario con una probabilità di pretest moderata e un test molto accurato (molto meglio della maggior parte che usiamo in medicina d’urgenza) c’è ancora una probabilità del 30% che questo sia un falso positivo!
Come si applica alla medicina d’urgenza?
I test devono essere interpretati (o meglio ancora ordinati) dopo aver considerato la probabilità pre-test.
Sento spesso storie di”grandi catture”. Di medici che hanno ordinato un CTPA, nonostante il paziente sia a basso rischio di PE e PERC negativo. Basso ed ecco, la TC è positiva. Il dottore si vanta ampiamente di questo grande salvataggio. I residenti sono insegnati circa la fallibilità della regola PERC, e, infine, più CTS sono ordinati.
Probabilmente puoi vedere dove sta andando. Facciamo due conti. Dopo che un paziente appropriato è stato escluso dal punteggio PERC, ha circa un 1,4% di probabilità di EP. (Kline 2004) Un angiogramma polmonare CT è un test abbastanza buono, anche se in precedenza ho discusso i dati che dimostrano che i radiologi spesso non sono d’accordo sulla lettura finale. (Miller 2015) I migliori dati che abbiamo provengono probabilmente dallo studio PIOPED II, che ha rilevato che un CTPA ha una sensibilità dell ‘ 83% e una specificità del 96% rispetto all’angiografia polmonare tradizionale. (Stein 2006) La tecnologia CT è cambiata dallo studio del PIOPED, e quindi la sensibilità è quasi certamente migliore (ma ho avuto difficoltà a trovare una stima moderna). Per il bene dei nostri calcoli, assumerò solo una sensibilità del 95%.
Pertanto, per ogni 1000 pazienti a basso rischio PERC negativi osservati nella DE, ci saranno 14 PES. La TAC catturerà 13 di questi 14 pazienti. Per i restanti 986 pazienti, la TC sarà falsamente positiva in 39. Pertanto, la TC sarà positiva in 52 pazienti totali, ma solo 13 di questi pazienti (25%) hanno effettivamente un PE.
Quindi, quando un collega si vanta di trovare un PE in un paziente a basso rischio, PERC negativo, c’è una probabilità del 75% che si sbagliano. C’è una probabilità del 75% che al paziente sia stato somministrato anticoagulante non necessario. Una probabilità del 75% che, sebbene la TC fosse un falso positivo, il paziente si precipiterà al pronto soccorso per qualsiasi dolore toracico o mancanza o respiro per il resto della sua vita, ottenendo molti più test (e potenzialmente più falsi positivi). In altre parole, c’è una probabilità del 75% che stiamo facendo del male a questo paziente.
Non è possibile interpretare i risultati di un test senza conoscere la probabilità di pre-test.
Questo vale per tutti i nostri test. Se stai ordinando una TC, un esame emocromocitometrico, una radiografia o un ECG. Non è possibile interpretare i risultati di un test senza conoscere la probabilità pretest. Cercare di farlo danneggerà i tuoi pazienti.
Howard, J. (2018). Errori cognitivi ed errori diagnostici. : Springer International Publishing.
Kline JA, Mitchell AM, Kabrhel C, Richman PB, Courtney DM. Criteri clinici per prevenire test diagnostici non necessari nei pazienti del pronto soccorso con sospetta embolia polmonare. Rivista di trombosi ed emostasi: JTH. 2004; 2(8):1247-55.
Miller WT, Marinari LA, Barbosa E, et al. I piccoli difetti dell’arteria polmonare non sono indicatori affidabili di embolia polmonare. Ann Am Thorac Soc. 2015. PMID: 25961445
Stein PD, Fowler SE, Goodman LR, et al. Tomografia computerizzata multidetector per embolia polmonare acuta. Il New England journal of medicine. 2006; 354(22):2317-27.
Foto di Crissy Jarvis su Unsplash