du kan inte tolka resultaten av ett test utan att veta pretest sannolikheten.
jag är säker på att vi alla har hört samma föreläsning om screeningtest. Jag är säker på att vi alla har blivit förvånade över de konstiga siffrorna som följer av att man tillämpar till synes utmärkta tester i lågriskpopulationer. Jag är säker på att vi alla vet att vi inte ska använda graviditetstest på män.
men dessa klassrumsexempel glöms för lätt när man arbetar med upptagna nödskift. Vi beställer hundratals tester varje timme (om du överväger varje laboratorietest separat), och vi har helt enkelt inte tid att kämpa med Bayes formel med varje test.
för det mesta kommer vi förbi. Matematiken fungerar utan att erkännas, eller vi ignorerar testresultat (såsom felaktiga vita blodkroppar) utan att formellt erkänna den bayesiska förklaringen för att de är felaktiga. Men ibland får vi detta otroligt fel. Ibland gör det ont för våra patienter.
så det är viktigt att påminnas: du kan inte tolka testresultat utan att veta sannolikheten för förtest.
ett exempel: screeningtest
de mest överraskande resultaten av denna princip kommer från screening. Jag kommer att använda ett teoretiskt exempel som lyfts från den utmärkta läroboken ”Cognitive Errors and Diagnostic Mistakes” av Jonathan Howard: (Howard 2019)
Föreställ dig en ny CT-skanning som aldrig missar ett fall av bröstcancer (är 100% känslig), men resulterar i en falsk positiv läsning hos 5% av friska kvinnor (är 95% specifik). Det är ett fantastiskt test – mer exakt än de flesta som vi använder. Vi skulle vilja använda den för att upptäcka bröstcancer tidigt, som en del av ett screeningprotokoll. Hos kvinnor under 50 år är bröstcancerhastigheten 1 av 1000. Om Robin, en 45-årig kvinna, har ett positivt test, Vad är sannolikheten för att hon har cancer? (Testa dig själv – gör en gissning nu).
det låter som Robin har en ganska stor chans att få cancer. Trots allt säger ett mycket exakt test att hon har cancer. Men låt oss göra matten. I ett urval av 1000 kvinnor förväntar vi oss att 1 har cancer. CT är perfekt och identifierar en kvinna med cancer. Den 5% falska positiva frekvensen innebär dock att av denna grupp av tusen kvinnor kommer 50 att få falska positiva resultat. Det finns 51 positiva tester och endast 1 sant fall av cancer. Därför är Robins chans att få cancer, trots den positiva CT, 1/51, eller cirka 2%.
ett positivt resultat på ett mycket noggrant test, och det finns fortfarande bara en 2% chans att patienten har sjukdomen?!
Testresultat, särskilt de från högteknologiska tester som CTs och Mr, behandlas för ofta som perfekta. Vi accepterar helt enkelt resultaten som ”diagnosen”, men fallet med Robin är en utmärkt påminnelse om felaktigheten i våra tester. Även om CT var 99% specifik, skulle posttestsannolikheten fortfarande bara vara 10%. Det är förvånande. Vi förväntar oss inte att korrekta tester ska vara fel oftare än de är rätt.
du kan hävda att 1 av 1000 är en mycket låg pretest Sannolikhet. I akutmedicin tar vi hand om symtomatiska patienter med en högre baslinjeincidens av sjukdom. (Tyvärr, om du anser att vår användning av stresstester, tror jag att du kommer att finna att detta antagande är felaktigt.) Av den anledningen tycker jag att uppföljningsexemplet är ännu mer intressant. Antag att vi tillämpar samma CT på en 70-årig kvinna, som har en 10% pretest Sannolikhet för sjukdom. I en grupp på 1000 patienter kommer nu 100 patienter att ha bröstcancer, och CT kommer att identifiera dem alla. Av de 900 friska kvinnorna kommer 45 att ha positiva CTs. Så resultaten är mycket bättre. Om du har en positiv CT har du en 69% (100/145) chans att få cancer. Men även i ett scenario med en måttlig förprovssannolikhet och ett mycket exakt test (mycket bättre än de flesta vi använder i akutmedicin) finns det fortfarande en 30% chans att detta är falskt positivt!
hur gäller detta för akutmedicin?
tester måste tolkas (eller ännu bättre beställas) efter övervägande av förprovssannolikheten.
jag hör ofta historier om”stora fångster”. Av läkare som beställde en CTPA, trots att patienten var låg risk för PE och PERC negativ. Låg och se, CT är positiv. Läkaren skryter i stor utsträckning om denna stora räddning. Invånarna lärs om perc-regelns fallbarhet, och i slutändan beställs fler CTs.
du kan förmodligen se vart detta går. Låt oss göra det matte. Efter att en lämplig patient uteslutits av PERC-poängen har hon ungefär 1,4% chans för PE. (Kline 2004) ett CT-lungangiogram är ett ganska bra test, även om jag tidigare har diskuterat data som visar att radiologer ofta är oense om den slutliga läsningen. (Miller 2015) de bästa data vi har förmodligen kommer från PIOPED II-studien, som fann att en CTPA har en 83% känslighet och 96% specificitet jämfört med traditionell lungangiografi. (Stein 2006) CT-tekniken har förändrats sedan PIOPED-studien, och så är känsligheten nästan säkert bättre (men jag hade mycket svårt att hitta en modern uppskattning). För våra beräkningars skull antar jag bara en 95% känslighet.
för varje 1000 lågriskperc-negativa patienter som ses i ED kommer det att finnas 14 PEs. CT kommer att fånga 13 av dessa 14 patienter. För de återstående 986 patienterna kommer CT att vara falskt positivt hos 39. Därför kommer CT att vara positivt hos 52 totala patienter, men endast 13 av dessa patienter (25%) har faktiskt en PE.
så när en kollega skryter om att hitta en PE i en låg risk, PERC negativ patient, finns det en 75% chans att de har fel. Det finns 75% chans att patienten har fått onödig antikoagulering. En 75% chans att, även om CT var falskt positivt, kommer patienten att rusa till akutavdelningen för bröstsmärta eller andnöd eller andetag för resten av sitt liv, få många fler tester (och potentiellt mer falska positiva). Med andra ord finns det en 75% chans att vi skadar den här patienten.
du kan inte tolka resultaten av ett test utan att veta sannolikheten för förtest.
detta gäller för alla våra tester. Oavsett om du beställer en CT, ett blodantal, en röntgen eller ett EKG. Du kan inte tolka resultaten av ett test utan att veta sannolikheten för förtest. Att försöka göra det kommer att skada dina patienter.
Howard, J. (2018). Kognitiva fel och diagnostiska misstag. : Springer International Publishing.
Kline JA, Mitchell AM, Kabrhel C, Richman PB, Courtney DM. Kliniska kriterier för att förhindra onödig diagnostisk testning hos patienter med akutmottagning med misstänkt lungemboli. Journal of trombos och hemostas: JTH. 2004; 2(8):1247-55.
Miller WT, Marinari LA, Barbosa E, et al. Små Lungartärfel är inte tillförlitliga indikatorer på lungemboli. Ann Am Thorac Soc. 2015. PMID: 25961445
Stein PD, Fowler SE, Goodman LR, et al. Multidetektor datortomografi för akut lungemboli. New England journal of medicine. 2006; 354(22):2317-27.
foto av Crissy Jarvis på Unsplash