Statistik är ett av de mest förvirrande ämnena för fysioterapeuter och fysioterapeutstudenter. Troligen beror detta på att vi bryr oss mer om människor och hälsa än om matematik, eller hur?
Jag förstår att du är mer intresserad av att göra en korrekt bedömning av din patient, ett bra bemötande och de senaste behandlingsmetoderna, men jag måste säga dig att du måste känna till de statistiska värdena för ett speciellt test och jämna siffror om prevalens, pre-test och post-test sannolikheter för frågor som du ställer till dina patienter under hela din anamnestiska process!
Jag skulle till och med våga påstå att utan kunskap om dessa siffror har du ingen aning om hur mycket värde du kan lägga på vissa frågor som du ställer till din patient (och svaren på dem) och du kommer att utföra särskilda tester utan att riktigt veta vad ett positivt eller negativt resultat kommer att säga dig.
När jag ser eller hör att en sjukgymnast utför ett specialtest som Thessaly-testet för meniskskador, att det är positivt och att de efteråt är 100 % säkra på att deras patient har en meniskskada, då får jag kalla kårar!
SNÄLLA, SLUTA MED DET DÄR!
Det är därför jag uppmanar dig att fortsätta läsa mitt inlägg där jag kommer att försöka ge dig en inblick i hur du kan och bör använda statistik för att bli en bättre fysioterapeut och hur den kunskapen ökar din medvetenhet om din kliniska resonemangsprocess!
I allmänhet inleds behandlingen med en screening, sedan följer anamnesen och därefter en grundläggande bedömning. På grundval av den information som du fick under de ovannämnda delarna formulerar du dina hypoteser som du antingen vill bekräfta eller förkasta. Det är här som känslighet och specificitet kommer in i bilden. Så låt oss först ta en titt på vad känslighet och specificitet är! Det enklaste sättet är att titta på den korta video som vi gjorde för ett tag sedan:
Så för att sammanfatta det igen: Ett negativt resultat i ett 100% känsligt test kan utesluta sjukdomen (SnNOut) och ett positivt resultat i ett 100% specifikt test kan utesluta sjukdomen (SpPIn).
Ett negativt resultat i ett 100% känsligt test kan utesluta sjukdomen (SnNOut) och ett positivt resultat i ett 100% specifikt test kan utesluta sjukdomen (SpPIn)
Med de två mnemoteknikerna SnNOut och SpPIn är det relativt lätt att omsätta dessa två begrepp i praktiken.
För det mesta får du bättre grepp om deras definition och vad de faktiskt är om du kan beräkna dessa värden med hjälp av en 2×2-tabell. Se vår nästa video, där vi visar hur du gör beräkningsdelen:
Tyvärr finns det i verkligheten knappast några 100% korrekta tester, vilket är anledningen till att du kommer att få många falskt positiva och falskt negativa resultat. Dessutom talar sensitivitet och specificitet om hur ofta ett test är positivt hos patienter som vi redan vet har sjukdomen eller inte. I praktiken vet vi dock inte om våra patienter har ett visst tillstånd eller inte. Det vi gör i praktiken är att tolka resultatet av ett positivt eller negativt test.
Du vet vanligtvis inte hur stor sannolikheten är för att patienten faktiskt har sjukdomen med ett positivt utfall och hur stor sannolikheten är för att patienten inte har sjukdomen med ett negativt utfall.
Dessa värden kallas positivt prediktivt värde (PPV) och negativt prediktivt värde (NPV), även kallade posttest-sannolikheter. Du gissade rätt - vi har en annan video som förklarar dessa värden med hjälp av 2×2-tabellen och visar hur du beräknar dessa värden:
Som nämndes i videon är PPV och NPV utmärkta verktyg om du har en god uppfattning om prevalensen i din patientgrupp och om denna prevalens är identisk med prevalensen i RCT:n, där du har hämtat dina statistiska värden för ett specifikt test i första hand. Om så inte är fallet blir PPV och NPV i stort sett värdelösa.
Föreställ dig hur sannolikheten för att det främre korsbandet (ACL) ska brista förändras i olika situationer: Exempelvis kommer förekomsten av patienter med en främre korsbandsskada att vara mycket lägre på en allmänläkarmottagning än på en idrottsklinik som är specialiserad på knäskador. Ju högre prevalens, desto högre blir PPV och desto lägre blir NPV.
Kanske kommer vi att göra en video om det också i framtiden, men det är viktigt att komma ihåg att vi behöver ett bättre värde än PPV och NPV, och det är där sannolikhetskvoterna kommer in i bilden.
Sannolikhetskvoten kombinerar både sensitivitet och specificitet och talar om hur sannolikt ett visst testresultat är hos personer med sjukdomen jämfört med hur sannolikt det är hos personer utan sjukdomen. Titta på följande video om sannolikhetskvoter och hur du kan beräkna dem:
I exemplet använde vi Lachman-testet, som är ett av de mest exakta testerna som finns där ute i klinisk praxis, men låt oss titta på vårt älskade Thessaly-test och hur vårt exempel spelar ut där:
Enligt Goossens et al. (2015) har Thessaly-testet en sensitivitet på 64 % och en specificitet på 53 %, vilket ger ett LR+ på 1,36 och ett LR- på 0,68. Som du redan kan se ligger dessa värden ganska nära LR = 1, vilket innebär att de kommer att förändra sannolikheten för att en person har en meniskskada mycket lite. För att tillämpa dessa värden på vårt exempel med korsbandsruptur vet vi att korsbandsrupturer ofta åtföljs av meniskrupturer. Även om vår patient inte rapporterar några lås- eller klämkänslor uppskattar vi sannolikheten före testet till cirka 30%.
Vårt nomogram kommer att se ut så här:
Baserat på de (mer exakta) beräkningarna får vi följande sannolikheter för eftertestet:
- Oddsen för förtestet: Prevalens/(1-prevalens) = 0,3/(1-0,3) = 0,43
- Post-test odds (LR+): 0,43 x 1,36 = 0,58
- Sannolikhet för eftertest (LR+): odds för eftertest / (odds för eftertest+1) = 0,58/(0,58+1) = 0,37 (alltså 37 %)
- Odds för eftertest (LR-): 0,43 x 0,68 = 0,29
- Sannolikhet efter test (LR-): odds efter test / (odds efter test+1) = 0,29/(0,29+1) = 0,22 (22%)
Så med ett positivt Thessaly-test har du ökat dina chanser för en mensikal lesion från antagna 30% till 37% och med ett negativt Thessaly-test har du minskat dina chanser till 22%.
Förstår du varför jag blir så rädd om folk gör ett test och sedan antar att deras patient definitivt har eller inte har ett visst tillstånd? Och allt detta bygger på ett antagande om oddsen före testet, som de flesta till och med glömmer att ta hänsyn till!
Om du vill utföra flera tester, till exempel om du vill lägga till testet av främre lådan i vårt exempel med korsband, baserar du sannolikheten före testet på sannolikheten efter testet av Lachman-testet. Så i fallet med en positiv Lachman kommer du att börja med en sannolikhet före testet på 95%, och med en negativ Lachman kommer du att börja med en sannolikhet före testet på 19%.
De flesta tester har antingen ett positivt eller negativt utfall, men det finns också testkluster med flera utfall. Så om du till exempel tar Laslett-klustret kommer du för 2 av 5 positiva tester att hamna på en LR+ på 2,7, för 3/5 på en LR+ på 4,3 osv.
Tänk dock på att med en mycket hög sannolikhet före testet har ytterligare ett test litet värde och det är bättre att påbörja behandlingen. Detsamma gäller för en mycket låg sannolikhet före testet, i vilket fall du inte testar och inte heller behandlar tillståndet.
Om en patient till exempel kommer till dig med plötsligt uppkomna ländryggssmärtor, neurologiska symtom i båda benen, miktionsbesvär och sadelanestesi är du ganska säker på att patienten har cauda equina-syndrom, vilket är en varningssignal och kräver akut operation. Så om du är 99 % säker på din diagnos kommer ett test med rakt ben (SLR) med en LR- på 0,2 att minska sannolikheten efter testet till 95 %, vilket fortfarande är mycket högt och du skulle fortfarande vilja skicka patienten till operation.
Om testet i sin tur var positivt skulle du förmodligen gå från 99% till 100% säkerhet, så varför bry sig om att testa överhuvudtaget, särskilt om det handlar om en brådskande remiss för operation?
Detsamma gäller för en mycket låg sannolikhet före testet. Om en patient kommer till dig utan utstrålande smärta under knäet är risken för att patienten har radikulärt syndrom på grund av diskbråck mycket låg, låt oss säga 5%. Så vad skulle hända i det här fallet om du utförde SLR med en LR+ på 2,0? Sannolikheten efter testet skulle då uppgå till 10% och om testet är negativt skulle sannolikheten efter testet ha sjunkit till kanske 4%. Så om man är nästan säker på att en patient inte har en viss sjukdom, varför ska man då testa den överhuvudtaget?
I praktiken beror beslutet att göra ett visst test naturligtvis alltid på olika faktorer, t.ex. kostnader, sjukdomens svårighetsgrad, risker med testet osv.
Låt oss nu återgå till det jag påstod i början, att statistiska värden hjälper dig att utvärdera resultatet av dina frågor under din patienthistorik.
I själva verket kan varje fråga ses som ett särskilt test, där svaret (ja eller nej) antingen ökar eller minskar sannolikheten för att en patient har ett visst tillstånd. Detta är också skälet till att en noggrann anamnes oftast är viktigare än specialundersökningar, eftersom man i princip utför en rad specialundersökningar i rad
om man är en duktig läkare som vet hur man ställer upp en hypotes utifrån patientens svar.
Så låt oss ta ett annat exempel: Hur påverkar ett positivt svar på frågan om långvarig användning av kortikosteroider risken för en ryggradsfraktur?
Enligt Henschke et al. (2009) har långvarig användning av kortikosteroider ett positivt LR+ på 48,5. Prevalensen (sannolikheten före test) för att en ryggradsfraktur upptäcks i primärvården kan uppskattas till mellan 1%-4% enligtWilliams et al. (2013) hos patienter med ländryggssmärta.
Så vid långvarig användning av kortikosteroider kommer vi att få en sannolikhet efter test på 33%, även om vi bara antog 1% av prevalensen i detta beräkningsexempel.
Jag tycker att det är rättvist att säga att denna fråga om kortikosteroider alltid bör ställas i screeningproceduren för ryggradsfrakturer!
Låt oss nu ta en titt på en annan varningssignal som ofta används vid screening för malignitet hos patienter med ländryggssmärta: Lömsk debut av ländryggssmärta.
Enligt Deyo et al. (1988, jag medger att detta är en ganska gammal studie), LR+ för denna fråga är 1,1. Enligt Henschke et al (2009) är förekomsten av malignitet hos patienter med ländryggssmärta till och med lägre än 1%, men vi räknar med denna 1% för enkelhetens skull.
Så den röda flaggan smygande debut ökar sannolikheten efter testet för malignitet som orsak till ländryggssmärta från 1% till exakt 1,1%. Jag tror att vi kan vara överens om att denna röda flagga bör sparkas ut ur alla riktlinjer där den är listad.
Ortopedisk fysioterapi för övre och nedre extremiteterna
Öka din kunskap om de 23 vanligaste ortopediska patologierna på bara 40 timmar utan att spendera en förmögenhet på CPD-kurser
Jag vet att det här var ett långt inlägg och grattis och respekt om du gjorde det här! Mitt mål var att förklara hur man arbetar med statistiska värden som sensitivitet, specificitet, PPV, NPV och framför allt sannolikhetskvoter, och att göra dig medveten om deras betydelse i hela den fysioterapeutiska processen.
Det skulle vara fantastiskt om du kunde ta hänsyn till förekomsten av en viss hypotes hos dina framtida patienter, få en uppfattning om hur dina anamnestiska frågor påverkar sannolikheten för pre-test, och du skulle kunna utvärdera styrkan i din speciella testning på rätt sätt.
Ställ gärna frågor i kommentarsfältet och dela gärna det här blogginlägget om du tyckte att det var till hjälp!
Tack för att du läste!
Kai
Referenser
