du kan ikke tolke resultatene av en test uten å vite pretest sannsynligheten.
jeg er sikker på at vi alle har hørt det samme foredraget om screeningtester. Jeg er sikker på at vi alle har blitt overrasket over de merkelige tallene som skyldes å bruke tilsynelatende gode tester i lavrisikopopulasjoner. Jeg er sikker på at vi alle vet at vi ikke bør bruke graviditetstester på menn.
men disse klasseromeksemplene blir for lett glemt når du jobber med travle nødskift. Vi bestiller hundrevis av tester hver time (hvis du vurderer hver laboratorietest separat), og vi har rett og slett ikke tid til å slite Med Bayes’ formel med hver test.
Mesteparten av tiden vi kommer forbi. Matematikken fungerer uten å bli anerkjent, eller vi ignorerer testresultater (for eksempel feilaktige hvite blodlegemer) uten å formelt anerkjenne Den Bayesiske forklaringen for at de er feil. Men noen ganger får vi dette utrolig galt. Noen ganger gjør dette vondt våre pasienter.
så det er viktig å bli påminnet: du kan ikke tolke testresultater uten å vite pretest-sannsynligheten.
Et eksempel: Screeningtester
de mest overraskende resultatene av denne rektor kommer fra screening. Jeg vil bruke et teoretisk eksempel løftet Fra Den utmerkede læreboken «Kognitive Feil og Diagnostiske Feil» Av Jonathan Howard: (Howard 2019)
Tenk deg en ny CT-skanning som aldri savner et tilfelle av brystkreft (er 100% følsom), men resulterer i en falsk positiv lesing hos 5% av friske kvinner (er 95% spesifikk). Det er en fantastisk test – mer nøyaktig enn de fleste som vi bruker. Vi vil gjerne bruke den til å oppdage brystkreft tidlig, som en del av en screeningsprotokoll. Hos kvinner under 50 år er frekvensen av brystkreft 1 av 1000. Hvis Robin, en 45 år gammel kvinne, har en positiv test, hva er sannsynligheten for at hun har kreft? (Test deg selv-gjør en gjetning nå).
Det høres ut Som Robin har en ganske høy sjanse for kreft. Tross alt sier en veldig nøyaktig test at hun har kreft. Men la oss gjøre regnestykket. I et utvalg av 1000 kvinner forventer vi at 1 har kreft. CT er perfekt og identifiserer den ene kvinnen med kreft. Imidlertid betyr 5% falsk positiv rente at ut av denne gruppen på tusen kvinner vil 50 få falske positive resultater. Det er 51 positive tester og bare 1 sant tilfelle av kreft. Derfor Er Robins sjanse for å ha kreft, til tross for den positive CT, 1/51, eller ca 2%.
et positivt resultat på en svært nøyaktig test, og det er fortsatt bare en 2% sjanse for at pasienten har sykdommen?!
Testresultater, spesielt de fra høyteknologiske tester Som CTs og Mri, blir for ofte behandlet som perfekte. Vi aksepterer bare resultatene som «diagnosen», Men Saken Om Robin er en utmerket påminnelse om feilbarheten av våre tester. SELV OM CT var 99% spesifikk, ville posttest sannsynligheten fortsatt bare være 10%. Det er overraskende. Vi forventer ikke at nøyaktige tester skal være feil oftere enn de har rett.
du kan hevde at 1 av 1000 er en svært lav pretest sannsynlighet. I akuttmedisin ser vi etter symptomatiske pasienter med høyere forekomst av sykdom ved baseline. (Dessverre, hvis du vurderer vår bruk av stresstester, tror jeg du vil finne denne antakelsen å være feil.) Av den grunn tror jeg oppfølgingseksemplet er enda mer interessant. Anta at VI bruker SAMME CT til en 70 år gammel kvinne, som har en 10% pretest sannsynlighet for sykdom. I en gruppe på 1000 pasienter vil nå 100 pasienter ha brystkreft, OG CT vil identifisere dem alle. Av de 900 friske kvinnene vil 45 ha positive CTs. Så resultatene er mye bedre. HVIS DU har en positiv CT, har du en 69% (100/145) sjanse for å ha kreft. Men selv i et scenario med en moderat pretest sannsynlighet og en veldig nøyaktig test (mye bedre enn de fleste vi bruker i akuttmedisin) er det fortsatt en 30% sjanse for at dette er en falsk positiv!
hvordan gjelder dette for akuttmedisin?
Tester må tolkes (eller bedre ennå bestilt) etter vurdering av pretest sannsynlighet.
jeg hører ofte historier om «store fangster». Ctpa, til tross for at pasienten er lav risiko FOR PE og PERC negativ. Lav og se, CT er positiv. Legen skryter mye om denne store redningen. Beboere blir lært om feilbarheten AV perc regelen, og til slutt flere CTs er bestilt.
du kan sikkert se hvor dette går. La oss gjøre det matte. Etter at en passende pasient er utelukket AV PERC-poengsummen, har hun omtrent 1,4% sjanse for PE. (Kline 2004) ET CT pulmonal angiogram er en ganske god test, selv om jeg tidligere har diskutert data som viser at radiologer ofte er uenige om den endelige lesingen. (Miller 2015) de beste dataene vi har sannsynligvis kommer fra PIOPED II-studien, som fant AT EN CTPA har en 83% følsomhet og 96% spesifisitet sammenlignet med tradisjonell pulmonal angiografi. (Stein 2006) CT-teknologien har endret seg siden PIOPED-studien ,og så er følsomheten nesten helt sikkert bedre (men jeg hadde det veldig vanskelig å finne et moderne estimat). For våre beregninger vil jeg bare anta en 95% følsomhet.
for hver 1000 LAVRISIKO perc negative pasienter sett i ED, vil det derfor være 14 PEs. CT vil fange 13 av disse 14 pasientene. FOR de resterende 986 pasientene vil CT være feilaktig positiv i 39. DERFOR VIL CT være positiv hos 52 totale pasienter, men bare 13 av disse pasientene (25%) har FAKTISK EN PE.
så når en kollega skryter av å finne EN PE i en LAV risiko, PERC negativ pasient, er det en 75% sjanse for at de har feil. Det er 75% sjanse for at pasienten har fått unødvendig antikoagulasjon. En 75% sjanse for at PASIENTEN, selv OM CT var en falsk positiv, vil skynde seg til beredskapsavdelingen for brystsmerter eller kortpustethet for resten av livet, få mange flere tester (og potensielt flere falske positiver). Med andre ord er det en 75% sjanse for at vi skader denne pasienten.
du kan ikke tolke resultatene av en test uten å vite pretest sannsynligheten.
dette gjelder for alle våre tester. Enten du bestiller EN CT, en blodprosent, en x-ray, ELLER EN EKG. Du kan ikke tolke resultatene av en test uten å vite pretest sannsynligheten. Å prøve å gjøre det vil skade pasientene dine.
Howard, J. (2018). Kognitive Feil Og Diagnostiske Feil. Springer International Publishing (Engelsk).
Kline JA, Mitchell AM, Kabel C, Richman PB, Courtney DM. Kliniske kriterier for å forhindre unødvendig diagnostisk testing hos akuttpasienter med mistanke om lungeemboli. Tidsskrift for rettsvitenskap: jth. 2004; 2(8):1247-55.
Miller WT, Marinari LA, Barbosa E, Et al. Små Lungearteriefeil Er Ikke Pålitelige Indikatorer For Lungeemboli. Ann Am Thorac Soc. 2015. PMID: 25961445
Stein PD, Fowler SE, Goodman LR, et al. Multidetektor beregnet tomografi for akutt lungeemboli. New England journal of medicine (engelsk). 2006; 354(22):2317-27.
Bilde av Crissy Jarvis På Unsplash