você não pode interpretar os resultados de um teste sem conhecer a probabilidade pretest. Tenho a certeza que todos ouvimos a mesma palestra sobre testes de rastreio. Estou certo de que todos ficámos surpreendidos com os números estranhos que resultam da aplicação de testes aparentemente excelentes em populações de baixo risco. Tenho a certeza que todos sabemos que não devemos usar testes de gravidez em homens.
mas esses exemplos de sala de aula são facilmente esquecidos quando se trabalha em turnos de emergência ocupados. Encomendamos centenas de testes a cada hora (se você considerar cada teste de laboratório separadamente), e simplesmente não temos tempo para lutar com a fórmula de Bayes em cada teste. A maior parte do tempo passa. A matemática funciona sem ser reconhecida, ou ignoramos os resultados dos testes (como contagens errôneas de glóbulos brancos) sem reconhecer formalmente a explicação Bayesiana por eles estarem errados. Mas, às vezes, percebemos isto muito mal. Às vezes isto magoa os nossos pacientes.
por isso é importante ser lembrado: você não pode interpretar os resultados do teste sem conhecer a probabilidade pretensiosa.
um exemplo: testes de rastreio
os resultados mais surpreendentes deste princípio vêm do rastreio. Vou usar um exemplo teórico retirado do excelente livro “erros cognitivos e erros diagnósticos” de Jonathan Howard: (Howard 2019)
Imagine um novo CT scan que nunca falha um caso de câncer de mama (é 100% sensível), mas resulta em uma leitura falsa positiva em 5% das mulheres saudáveis (é 95% específico). É um teste fantástico-mais preciso do que a maioria que usamos. Gostaríamos de usá-lo para detectar o câncer de mama precocemente, como parte de um protocolo de rastreio. Em mulheres com menos de 50 anos, a taxa de cancro da mama é de 1 Em 1000. Se a Robin, uma mulher de 45 anos, tem um teste positivo, Qual é a probabilidade de ter cancro? (Teste – se-faça um palpite agora).Parece que a Robin tem grandes hipóteses de ter cancro. Afinal, um teste muito preciso diz que ela tem cancro. Mas vamos fazer as contas. Em uma amostra de 1.000 mulheres, esperamos que eu tenha câncer. A Tac é perfeita e identifica a mulher com cancro. No entanto, a taxa de 5% de falsos positivos significa que deste grupo de mil mulheres, 50 terão resultados falsos positivos. Existem 51 testes positivos e apenas 1 caso verdadeiro de cancro. Portanto, a chance de Robin de ter câncer, apesar da TC positiva, é de 1/51, ou cerca de 2%.
um resultado positivo em um teste muito preciso, e ainda há apenas 2% de chance do paciente ter a doença?!
os resultados dos testes, especialmente aqueles de testes de alta tecnologia como CTs e MRIs, são muitas vezes tratados como perfeitos. Nós simplesmente aceitamos os resultados como” o diagnóstico”, mas o caso de Robin é um excelente lembrete da falibilidade de nossos testes. Mesmo que a TC fosse 99% específica, a probabilidade posttest ainda seria de apenas 10%. Isso é surpreendente. Não esperamos que testes precisos estejam errados mais vezes do que eles estão certos.
pode argumentar que 1 em 1.000 é uma probabilidade muito baixa. Em Medicina de emergência, estamos cuidando de pacientes sintomáticos com uma maior incidência inicial de doença. (Infelizmente, se considerarmos o nosso uso de testes de stress, penso que considerará esta suposição incorrecta. Por essa razão, eu acho que o exemplo de seguimento é ainda mais interessante. Suponha que aplicemos a mesma TC a uma mulher de 70 anos, que tem 10% de probabilidade de doença. Em um grupo de 1.000 pacientes, agora 100 pacientes terão câncer de mama, e a TC irá identificá-los a todos. Das 900 mulheres saudáveis, 45 terão CTs positivos. Assim, os resultados são muito melhores. Se tiver uma tomografia positiva, tem uma probabilidade de 69% (100 / 145) de ter cancro. No entanto, mesmo em um cenário com uma probabilidade moderada pretest e um teste muito preciso (muito melhor do que a maioria que usamos em Medicina de emergência) ainda há 30% de chance de que este é um falso positivo!Como é que isto se aplica à medicina de emergência?
os testes precisam ser interpretados (ou melhor ainda ordenados) após consideração da probabilidade pré-estabelecida. Frequentemente ouço histórias de”grandes capturas”. Dos médicos que pediram uma CTPA, apesar do paciente ter baixo risco de PE e PERC negativo. Baixa e observem, a tomografia está positiva. O médico gaba-se muito deste grande salvamento. Os residentes são ensinados sobre a falibilidade da regra PERC, e, em última análise, mais CTs são ordenados. Provavelmente pode ver onde isto vai dar. Vamos fazer as contas. Depois que um paciente apropriado é descartado pela pontuação PERC, ela tem aproximadamente uma chance de 1,4% de PE. (Kline 2004) um angiograma TC pulmonar é um teste bastante bom, embora eu tenha discutido anteriormente dados demonstrando que os radiologistas muitas vezes discordam sobre a leitura final. (Miller 2015) os melhores dados que temos provavelmente vem do estudo PIOPED II, que descobriu que um CTPA tem uma sensibilidade de 83% e uma especificidade de 96% quando comparado com a angiografia pulmonar tradicional. (Stein 2006) a tecnologia CT mudou desde o estudo PIOPED, e assim a sensibilidade é quase certamente melhor (mas eu tive um tempo muito difícil encontrar uma estimativa moderna). Para bem dos nossos cálculos, vou assumir uma sensibilidade de 95%.
assim, para cada 1000 doentes negativos PERC de baixo risco observados na ED, haverá 14 PEs. A Tac vai apanhar 13 destes 14 doentes. Para os restantes 986 doentes, a TC será falsamente positiva em 39. Portanto, a TC será positiva em 52 pacientes totais, mas apenas 13 destes pacientes (25%) realmente têm EP.Portanto, quando um colega se gaba de encontrar uma EP num doente com baixo risco, PERC negativo, há 75% de hipóteses de estarem errados. Há 75% de hipóteses de o doente receber anticoagulantes desnecessários. Um 75% de chance de que, embora o CT foi um falso positivo, o paciente vai correr para o departamento de emergência para qualquer dor no peito ou falta ou fôlego para o resto de sua vida, recebendo muitos mais testes (e, potencialmente, mais de falsos positivos). Por outras palavras, há 75% de hipóteses de estarmos a magoar este paciente.Não se pode interpretar os resultados de um teste sem conhecer a probabilidade mais provável.Isto aplica-se a todos os nossos testes. Quer esteja a pedir uma TAC, uma contagem de sangue, um raio-x ou um ECG. Você não pode interpretar os resultados de um teste sem conhecer a probabilidade mais pretensiosa. Tentar fazê-lo vai magoar os seus pacientes.
Howard, J. (2018). Erros cognitivos e erros de diagnóstico. : Springer International Publishing.
Kline JA, Mitchell AM, Kabel C, Richman PB, Courtney DM. Critérios clínicos para prevenir testes de diagnóstico desnecessários em doentes com suspeita de embolia pulmonar. Diário de trombose e hemostase: JTH. 2004; 2(8):1247-55.
Miller WT, Marinari LA, Barbosa E, et al. Pequenos defeitos na artéria pulmonar não são indicadores confiáveis de embolia pulmonar. Ann Am Thorac Soc. 2015. PMID: 25961445
Stein PD, Fowler SE, Goodman LR, et al. Tomografia computadorizada multidetorial para embolia pulmonar aguda. O New England journal of medicine. 2006; 354(22):2317-27.
Foto de Crissy Jarvis em Unsplash