u kunt de resultaten van een test niet interpreteren zonder de kans op een test te kennen. Ik ben er zeker van dat we allemaal dezelfde lezing over screeningtests hebben gehoord. Ik ben er zeker van dat we allemaal verrast zijn door de vreemde aantallen die het gevolg zijn van het toepassen van ogenschijnlijk uitstekende tests bij populaties met een laag risico. Ik weet zeker dat we allemaal weten dat we geen zwangerschapstesten op mannen moeten gebruiken.
maar deze klaslokaalvoorbeelden worden te gemakkelijk vergeten bij het werken in drukke nooddiensten. We bestellen honderden tests per uur (als je elke lab test apart bekijkt), en we hebben gewoon geen tijd om te worstelen met Bayes’ formule bij elke test.
meestal redden we het. De wiskunde werkt uit zonder te worden erkend, of we negeren testresultaten (zoals foutieve witte bloedceltellingen) zonder formeel de Bayesiaanse verklaring te erkennen dat ze verkeerd zijn. Maar soms hebben we dit ongelooflijk verkeerd. Soms doet dit pijn aan onze patiënten.
het is dus belangrijk om eraan herinnerd te worden: je kunt de testresultaten niet interpreteren zonder de waarschijnlijkheid te kennen.
een voorbeeld: Screening tests
de meest verrassende resultaten van dit principe komen van screening. Ik zal een theoretisch voorbeeld gebruiken uit het uitstekende leerboek “Cognitive Errors and Diagnostic Mistakes” van Jonathan Howard: (Howard 2019)
stel je een nieuwe CT-scan voor die nooit een geval van borstkanker mist (is 100% gevoelig), maar resulteert in een vals-positieve lezing bij 5% van de gezonde vrouwen (is 95% specifiek). Het is een fantastische test – nauwkeuriger dan de meeste die we gebruiken. We willen het gebruiken om borstkanker vroegtijdig op te sporen, als onderdeel van een screeningprotocol. Bij vrouwen jonger dan 50 jaar is het percentage borstkanker 1 op 1.000. Als Robin, een 45-jarige vrouw, een positieve test heeft, wat is de kans dat ze kanker heeft? (Test jezelf-Maak een gok nu).
het klinkt alsof Robin een vrij grote kans op kanker heeft. Immers, een zeer nauwkeurige test zegt dat ze kanker heeft. Maar laten we het uitrekenen. In een steekproef van 1.000 vrouwen, verwachten we dat 1 kanker heeft. De CT is perfect en identificeert de enige vrouw met kanker. Echter, de 5% vals positief percentage betekent dat uit deze groep van duizend vrouwen, 50 zal worden gegeven vals positieve resultaten. Er zijn 51 positieve tests en slechts 1 echt geval van kanker. Daarom is Robin ‘ S kans op kanker, ondanks de positieve CT, 1/51, of ongeveer 2%.
een positief resultaat van een zeer nauwkeurige test, en er is nog steeds slechts een 2% kans dat de patiënt de ziekte heeft?!
testresultaten, vooral die van hightechtests zoals CTs en MRI ‘ s, worden te vaak als perfect behandeld. We accepteren gewoon de resultaten als “de diagnose”, maar het geval van Robin is een uitstekende herinnering aan de feilbaarheid van onze tests. Zelfs als de CT 99% specifiek was, zou de posttest waarschijnlijkheid nog steeds slechts 10% zijn. Dat is verrassend. We verwachten niet dat accurate tests vaker fout zijn dan dat ze goed zijn.
u zou kunnen stellen dat 1 op 1.000 een zeer lage pretest-kans is. In de spoedeisende geneeskunde zorgen we voor symptomatische patiënten met een hogere basisincidentie van de ziekte. (Helaas, Als u ons gebruik van stresstests overweegt, denk ik dat u deze veronderstelling onjuist zult vinden.) Om die reden vind ik het vervolgvoorbeeld nog interessanter. Stel dat we dezelfde CT toepassen op een 70-jarige vrouw, die 10% kans op ziekte heeft. In een groep van 1.000 patiënten zullen nu 100 patiënten borstkanker hebben, en de CT zal ze allemaal identificeren. Van de 900 gezonde vrouwen zullen er 45 positieve CTs hebben. Dus de resultaten zijn veel beter. Als je een positieve CT hebt, heb je 69% (100/145) kans op kanker. Echter, zelfs in een scenario met een matige pretest waarschijnlijkheid en een zeer nauwkeurige test (veel beter dan de meeste die we gebruiken in de spoedeisende geneeskunde) is er nog steeds een 30% kans dat dit een vals positief!
Hoe is dit van toepassing op spoedeisende geneeskunde?
Tests moeten worden geïnterpreteerd (of beter nog geordend) na bestudering van de waarschijnlijkheid van de test.
ik hoor vaak verhalen over”grote vangsten”. Van artsen die een CTPA besteld, ondanks dat de patiënt een laag risico op PE en PERC negatief. Laag en zie, de CT is positief. De dokter schept op over deze grote redding. Bewoners worden onderwezen over de feilbaarheid van de PERC-regel, en uiteindelijk worden meer CTs geordend.
u kunt waarschijnlijk zien waar dit heen gaat. Laten we dat uitrekenen. Nadat een geschikte patiënt wordt uitgesloten door de PERC score, ze heeft ongeveer een 1,4% kans op PE. (Kline 2004) een CT-longangiogram is een vrij goede test, hoewel ik eerder gegevens heb besproken die aantonen dat radiologen het vaak oneens zijn over de uiteindelijke lezing. (Miller 2015) de beste gegevens die we hebben komen waarschijnlijk uit de PIOPED II-studie, die aantoonde dat een CTPA een gevoeligheid van 83% en een specificiteit van 96% heeft in vergelijking met traditionele pulmonale angiografie. (Stein 2006) CT-technologie is veranderd sinds de PIOPED-studie, en dus de gevoeligheid is bijna zeker beter (maar ik had een zeer moeilijke tijd het vinden van een moderne schatting). Omwille van onze berekeningen, ga ik uit van een gevoeligheid van 95%.
voor elke 1000 PERC-negatieve patiënten met een laag risico die in de ED worden gezien, zullen er dus 14 PEs zijn. CT zal 13 van deze 14 patiënten vangen. Voor de overige 986 patiënten zal CT valselijk positief zijn bij 39 patiënten. Daarom zal de CT positief zijn bij 52 patiënten in totaal, maar slechts 13 van deze patiënten (25%) hebben daadwerkelijk een PE.
dus als een collega opschept over het vinden van een PE bij een patiënt met een laag risico, PERC negatief, is er een 75% kans dat ze het mis hebben. Er is 75% kans dat de patiënt onnodige antistolling heeft gekregen. Een 75% kans dat, hoewel de CT was een vals positief, de patiënt zal haasten naar de spoedeisende hulp voor pijn op de borst of kortademigheid of adem voor de rest van haar leven, het krijgen van veel meer tests (en potentieel meer vals positieven). Met andere woorden, er is een 75% kans dat we deze patiënt pijn doen.
u kunt de resultaten van een test niet interpreteren zonder de waarschijnlijkheid te kennen.
dit geldt voor al onze tests. Of u nu een CT, een bloedbeeld, een röntgenfoto of een ECG bestelt. Je kunt de resultaten van een test niet interpreteren zonder de waarschijnlijkheid te kennen. Proberen dat te doen zal je patiënten pijn doen.
Howard, J. (2018). Cognitieve fouten en diagnostische fouten. : Springer International Publishing.
Kline JA, Mitchell AM, Kabrhel C, Richman PB, Courtney DM. Klinische criteria om onnodige diagnostische tests te voorkomen bij patiënten met een vermoedelijke longembolie. Journal of thrombosis and hemostasis: JTH. 2004; 2(8):1247-55. Miller WT, Marinari LA, Barbosa E, et al. Kleine Longarteriedefecten zijn geen betrouwbare indicatoren voor longembolie. Ann Am Thorac Soc. 2015. PMID: 25961445
Stein PD, Fowler SE, Goodman LR, et al. Multidetector computertomografie voor acute longembolie. The New England journal of medicine. 2006; 354(22):2317-27.
foto door Crissy Jarvis op Unsplash