Статистика - одна из самых запутанных тем для физиологов и студентов-физиологов. Скорее всего, это связано с тем, что мы больше заботимся о людях и здоровье, чем о математике, верно?
Ну, я понимаю, что тебя больше интересует правильная оценка пациента, хорошее обращение и новейшие методы лечения, но я должен сказать тебе, что ты должен знать статистические значения специального теста и даже цифры о распространенности, до- и послетестовой вероятности вопросов, которые ты задаешь своим пациентам в течение всего анамнестического процесса!
Я бы даже осмелился сказать, что без знания вышеупомянутых цифр ты не будешь иметь представления о том, какое значение можно придать тем или иным вопросам, которые ты задаешь пациенту (и ответам на них), и будешь проводить специальные тесты, толком не зная, о чем тебе скажет положительный или отрицательный результат.
Когда я вижу или слышу, что физиотерапевт проводит специальный тест вроде теста Тессали на поражение мениска, он оказывается положительным, и после этого они на 100 % уверены, что у их пациента поражение мениска, меня передергивает!
ПОЖАЛУЙСТА, ПРЕКРАТИ ЭТО ДЕЛАТЬ!
Именно поэтому я призываю тебя продолжить чтение моего поста, в котором я постараюсь дать тебе представление о том, как можно и нужно использовать статистику, чтобы стать лучшим физиотерапевтом, и как эти знания повышают твою осведомленность о процессе клинических рассуждений!
В общем, ты начнешь со скрининга, затем соберешь анамнез, после чего проведешь базовую оценку. На основе информации, которую ты получил во время вышеупомянутых частей, ты формируешь свои гипотезы, которые ты хотел бы либо подтвердить, либо опровергнуть. Именно здесь в игру вступают чувствительность и специфичность. Итак, давайте сначала разберемся, что такое чувствительность и специфичность! Самый простой способ - посмотреть короткое видео, которое мы сняли некоторое время назад:
Итак, подведем еще один итог: Отрицательный результат в 100% чувствительном тесте может исключить заболевание (SnNOut), а положительный результат в 100% специфическом тесте может исключить заболевание (SpPIn).
Отрицательный результат в 100% чувствительном тесте может исключить заболевание (SnNOut), а положительный результат в 100% специфическом тесте может исключить заболевание (SpPIn).
С помощью двух мнемоник SnNOut и SpPIn довольно легко применить эти два понятия на практике.
Чаще всего ты лучше поймешь их определение и то, что они собой представляют на самом деле, если сможешь рассчитать эти значения с помощью таблицы 2×2. Смотри наше следующее видео, в котором ты узнаешь, как выполнить расчетную часть:
К сожалению, в реальной жизни практически не существует стопроцентно точных тестов, поэтому у тебя будет множество ложноположительных и ложноотрицательных результатов. Плюс ко всему, чувствительность и специфичность говорят нам о том, как часто тест дает положительный результат у пациентов, о которых мы уже знаем, есть у них заболевание или нет. Однако на практике мы не знаем, есть ли у наших пациентов определенное заболевание или нет. Что мы скорее делаем на практике, так это интерпретируем результаты положительного или отрицательного теста.
Обычно ты не знаешь, какова вероятность того, что у пациента действительно есть заболевание с положительным исходом, и насколько высока вероятность того, что у пациента нет заболевания с отрицательным исходом.
Эти величины называются положительной прогностической ценностью (PPV) и отрицательной прогностической ценностью (NPV), также их называют посттестовыми вероятностями. Ты угадал - у нас есть еще одно видео, которое объясняет эти значения с помощью таблицы 2×2 и показывает тебе, как их вычислить:
Как уже говорилось в видео, PPV и NPV - отличные инструменты, если у тебя есть представление о распространенности твоей группы пациентов и если эта распространенность совпадает с распространенностью в РКИ, откуда ты в первую очередь взял статистические значения для конкретного теста. Если это не так, то PPV и NPV становятся практически бесполезными.
Представь, как меняется вероятность разрыва передней крестообразной связки (ACL) до теста в разных условиях: Например, распространенность пациентов с разрывом ACL в общей практике будет гораздо ниже, чем в спортивной клинике, которая специализируется на травмах колена. Чем выше распространенность, тем выше твой PPV и тем ниже будет NPV.
Возможно, в будущем мы сделаем видео и на эту тему, но важно помнить, что нам нужно более точное значение, чем PPV и NPV, и именно здесь в игру вступают коэффициенты вероятности.
Коэффициент вероятности сочетает в себе чувствительность и специфичность и говорит нам о том, насколько вероятен данный результат теста у людей с заболеванием по сравнению с тем, насколько он вероятен у людей без заболевания. Посмотри следующее видео о коэффициентах вероятности и о том, как их можно рассчитать:
В примере мы использовали тест Лахмана, который является одним из самых точных тестов, применяемых в клинической практике, но давай посмотрим на наш любимый тест Thessaly и на то, как наш пример играет в нем:
По словам Гуссенса и др. (2015), тест Thessaly имеет чувствительность 64% и специфичность 53%, в результате чего LR+ составляет 1,36, а LR- - 0,68. Как ты уже видишь, эти значения довольно близки к LR = 1, что говорит нам о том, что они очень незначительно изменят вероятность того, что у человека есть поражение мениска. Чтобы применить эти значения на примере нашего случая с разрывом ACL, мы знаем, что разрывы ACL часто сопровождаются разрывами менисков. Хотя наш пациент не сообщает о каких-либо ощущениях блокировки или защелкивания, мы оцениваем вероятность предварительного тестирования примерно в 30 %.
Наша номограмма будет выглядеть следующим образом:
Исходя из (более точных) расчетов, мы получаем следующие вероятности после теста:
- Вероятности до теста: Распространенность/(1-распространенность) = 0,3/(1-0,3) = 0,43
- Посттестовые шансы (LR+): 0,43 х 1,36 = 0,58
- Вероятность после теста (LR+): шансы после теста / (шансы после теста+1) = 0,58/(0,58+1) = 0,37 (значит, 37%)
- Вероятность после теста (LR-): 0,43 x 0,68 = 0,29
- Вероятность после теста (LR-): шансы после теста / (шансы после теста+1) = 0,29/ (0,29+1) = 0,22(22%)
Таким образом, при положительном тесте Тессали ты увеличил свои шансы на менструальное поражение с предполагаемых 30 % до 37 %, а при отрицательном тесте Тессали ты уменьшил свои шансы до 22 %.
Понимаешь, почему меня бесит, когда люди проводят тест, а потом предполагают, что у их пациента точно есть или нет определенного заболевания?! И все это основано на предположении о шансах до теста, которое большинство людей даже забывает учитывать!
Если ты хочешь провести несколько тестов, скажем, добавить тест Anterior Drawer в наш пример с ACL, то ты будешь основывать свою вероятность до теста на вероятности после теста теста Лахмана. Так что в случае положительного Лакмана ты начнешь с вероятностью 95%, а в случае отрицательного Лакмана ты начнешь с вероятностью 19%.
Хотя большинство тестов дают либо положительный, либо отрицательный результат, есть и кластеры тестов с несколькими исходами. Так что если взять, к примеру, кластер Ласлетта, то для 2 из 5 положительных тестов ты в итоге получишь LR+ 2,7, для 3/5 - LR+ 4,3 и т.д.
Однако учти, что при очень высокой дотестовой вероятности еще один тест имеет мало смысла, и лучше начать лечение. То же самое справедливо и для очень низкой предтестовой вероятности, в этом случае ты не проводишь тест, а также не лечишь заболевание.
Например, если к тебе обратится пациент с внезапно начавшейся болью в пояснице, неврологическими симптомами в обеих ногах, проблемами с миктурированием и анестезией седла, ты будешь почти уверен, что у этого пациента синдром хвостатого равноплечего, что является тревожным сигналом и требует срочного хирургического вмешательства. Так что если ты, скажем, на 99 % уверен в своем диагнозе, то тест на прямых ногах (SLR) с LR- 0,2 снизит вероятность после теста до 95 %, что все равно очень высоко, и ты все равно захочешь отправить этого пациента на операцию.
В свою очередь, если бы тест оказался положительным, ты бы, вероятно, перешел от 99% к 100% уверенности, так зачем вообще сдавать анализы, особенно если это срочное направление на операцию?
То же самое справедливо и для очень низкой вероятности претеста. Если к тебе приходит пациент без иррадиирующей боли ниже колена, то вероятность того, что у этого больного корешковый синдром из-за грыжи диска, очень мала, скажем, предположим 5%. Что же произойдет в этом случае, если ты выступишь с зеркальной камерой с LR+ 2.0? В итоге вероятность после теста составит 10 %, а если тест окажется отрицательным, то вероятность после теста снизится до 4 %. Так что если ты почти уверен, что у пациента нет определенного заболевания, зачем вообще его тестировать?
Конечно, на практике решение о проведении того или иного теста всегда зависит от различных факторов, таких как стоимость, тяжесть заболевания, риски теста и т.д.
Теперь давай вернемся к тому, что я утверждал в самом начале: статистические величины помогут тебе оценить результат твоих расспросов во время изучения истории болезни.
По сути, каждый вопрос можно рассматривать как специальный тест, ответ на который (да или нет) либо увеличит, либо уменьшит вероятность того, что у пациента есть определенное заболевание. Это также причина, по которой тщательный анамнез в большинстве случаев важнее специальных тестов, потому что ты, по сути, выполняешь серию специальных тестов подряд,
если ты хороший клиницист, который умеет формировать гипотезу на основе ответов пациента.
Так что давай возьмем другой пример: Как положительный ответ на вопрос о длительном применении кортикостероидов влияет на вероятность перелома позвоночника?
По словам Хеншке и др. (2009), длительное применение кортикостероидов имеет положительный показатель LR+, равный 48,5. Распространенность (претестовая вероятность) перелома позвоночника, с которым обращаются в первичную медицинскую службу, можно оценить в пределах 1-4 %, согласно данным Виллиams и др. (2013) у пациентов, которые страдают от боли в пояснице.
Так что при длительном применении кортикостероидов мы в итоге получим вероятность после теста 33%, хотя в этом примере при расчётах мы предполагали только 1% распространённости.
Думаю, будет справедливо сказать, что этот вопрос о кортикостероидах должен всегда задаваться при обследовании на предмет переломов позвоночника!
Теперь давай рассмотрим еще один красный флаг, который обычно используется при скрининге на злокачественные опухоли у пациентов с болью в пояснице: Коварный приступ боли в пояснице.
По словам Дейо и др. (1988 год, признаю, что это довольно старое исследование), LR+ для этого вопроса составляет 1,1. По данным Henschke et al (2009), распространенность злокачественных опухолей у пациентов с болью в пояснице даже ниже 1%, но мы для простоты будем считать с этим 1%.
Так что красное знамя коварного начала увеличивает посттестовую вероятность злокачественной опухоли как причины боли в пояснице с 1% до ровно 1,1%. Думаю, мы можем согласиться с тем, что этот красный флаг следует выкинуть из любого руководства, в котором он фигурирует.
Ортопедическая физиотерапия верхних и нижних конечностей
Расширь свои знания о 23 самых распространенных ортопедических патологиях всего за 40 часов, не тратя целое состояние на курсы CPD.
Я знаю, что это был длинный пост, поздравляю и уважаю, если ты добрался сюда! Моей целью было объяснить тебе, как работать со статистическими величинами, такими как чувствительность, специфичность, PPV, NPV и особенно коэффициенты вероятности, и дать тебе понять их важность для всего твоего физиотерапевтического процесса.
Было бы просто фантастично, если бы ты мог учитывать распространенность определенной гипотезы у своих будущих пациентов, имел представление о влиянии твоих анамнестических вопросов на претестовую вероятность и мог правильно оценить мощность своего специального тестирования.
Не стесняйся задавать вопросы в комментариях и делиться этим постом в блоге, если он показался тебе полезным!
Спасибо, что читаешь!
Кай
Ссылки
