• 18 stycznia 2022

Statystyka jest jednym z najbardziej zagmatwanych tematów dla fizjologów i studentów fizjologii. Najprawdopodobniej wynika to z faktu, że bardziej zależy nam na ludziach i zdrowiu niż na matematyce, prawda?

Cóż, rozumiem, że bardziej interesuje Cię właściwa ocena pacjenta, dobre prowadzenie i najnowsze metody leczenia, ale muszę Ci powiedzieć, że musisz znać wartości statystyczne specjalnego testu, a nawet liczby dotyczące częstości występowania, prawdopodobieństwa pre-test i post-test pytań, które zadajesz swoim pacjentom podczas całego procesu anamnestycznego!
Śmiem nawet twierdzić, że bez znajomości tych liczb, nie będziecie mieli pojęcia, jaką wartość możecie przypisać pewnym pytaniom zadawanym pacjentom (i odpowiedziom na nie) i będziecie wykonywać specjalne testy, nie wiedząc tak naprawdę, co powie wam pozytywny lub negatywny wynik.
Kiedy widzę lub słyszę, że fizjoterapeuta wykonuje specjalny test, taki jak test Thessaly'ego na zmiany w łąkotce, wynik jest pozytywny, a oni są w 100% pewni, że ich pacjent ma zmianę w łąkotce, to sprawia, że dostaję dreszczy!
PROSZĘ PRZESTAĆ TO ROBIĆ!


Dlatego zachęcam Cię do kontynuowania lektury mojego wpisu, w którym postaram się dać Ci wgląd w to, jak możesz i powinieneś używać statystyki, aby stać się lepszym fizjoterapeutą i jak ta wiedza zwiększa Twoją świadomość procesu rozumowania klinicznego!

Ogólnie rzecz biorąc, zaczniesz od badania przesiewowego, następnie wywiadu, po którym nastąpi podstawowa ocena. Na podstawie informacji uzyskanych podczas wyżej wymienionych części, tworzysz hipotezy, które chcesz potwierdzić lub odrzucić. W tym miejscu w grę wchodzi czułość i specyficzność. Przyjrzyjmy się więc najpierw, czym są czułość i specyficzność! Najłatwiejszym sposobem jest obejrzenie krótkiego filmu, który przygotowaliśmy jakiś czas temu:

Tak więc, aby podsumować to jeszcze raz: Negatywny wynik w teście o 100% czułości może wykluczyć chorobę (SnNOut), a pozytywny wynik w teście o 100% specyficzności może wykluczyć chorobę (SpPIn).
Dzięki dwóm mnemotechnikom SnNOut i SpPIn stosunkowo łatwo jest zastosować te dwie koncepcje w praktyce.
W większości przypadków lepiej zrozumiesz ich definicję i czym są w rzeczywistości, jeśli będziesz w stanie obliczyć te wartości za pomocą tabeli 2×2. Obejrzyj nasz następny film, który pokaże Ci jak wykonać część obliczeniową:

Niestety, w prawdziwym życiu nie ma prawie żadnych testów w 100% dokładnych, dlatego też będziesz miał wiele wyników fałszywie dodatnich i fałszywie ujemnych. Ponadto czułość i swoistość mówią nam, jak często test jest pozytywny u pacjentów, o których już wiemy, że są chorzy lub nie. W praktyce jednak nie wiemy, czy nasi pacjenci mają daną chorobę, czy nie. To, co raczej robimy w praktyce, to interpretacja wyników pozytywnego lub negatywnego testu.
Zazwyczaj nie wiemy, jakie jest prawdopodobieństwo, że pacjent rzeczywiście ma chorobę przy wyniku dodatnim i jak wysokie jest prawdopodobieństwo, że pacjent nie ma choroby przy wyniku ujemnym.
Wartości te są nazywane pozytywną wartością predykcyjną (PPV) i negatywną wartością predykcyjną (NPV), zwanymi również prawdopodobieństwami po teście. Zgadłeś - mamy kolejny film, który wyjaśnia te wartości z pomocą tabeli 2×2 i pokazuje, jak je obliczyć:

Teraz, jak wspomniano w filmie, PPV i NPV są świetnym narzędziem, jeśli masz dobre pojęcie o częstości występowania twojej grupy pacjentów i jeśli ta częstość jest identyczna z częstością występowania w RCT, skąd wziąłeś swoje wartości statystyczne dla konkretnego testu. Jeśli tak nie jest, PPV i NPV stają się całkiem bezużyteczne.
Wyobraź sobie, jak zmienia się prawdopodobieństwo zerwania więzadła krzyżowego przedniego (ACL) w różnych warunkach: Na przykład, częstość występowania pacjentów z zerwaniem ACL w gabinecie ogólnym będzie znacznie niższa niż w klinice sportowej specjalizującej się w urazach kolana. Im wyższa jest częstość występowania, tym wyższa jest wartość PPV i tym niższa będzie wartość NPV.
Być może w przyszłości nakręcimy na ten temat film, ale należy pamiętać, że potrzebujemy lepszej wartości niż PPV i NPV, co oznacza, że współczynniki prawdopodobieństwa wchodzą tu w grę.

Współczynnik prawdopodobieństwa łączy w sobie zarówno czułość, jak i swoistość i mówi nam, jak prawdopodobny jest dany wynik testu u osób z chorobą, w porównaniu z tym, jak prawdopodobny jest on u osób bez choroby. Obejrzyj poniższy film o współczynnikach prawdopodobieństwa i o tym, jak można je obliczyć:

W przykładzie użyliśmy testu Lachmana, który jest jednym z najdokładniejszych testów stosowanych w praktyce klinicznej, ale spójrzmy na nasz ukochany test Thessaly'ego i na to, jak nasz przykład się tam sprawdza
:Według Goossens et al. (2015) test Thessaly'ego ma czułość 64% i swoistość 53%, co daje LR+ równe 1,36 i LR- równe 0,68. Jak już widzisz, wartości te są dość bliskie LR = 1, co mówi nam, że zmienią prawdopodobieństwo, że dana osoba ma uszkodzenie łąkotki w bardzo niewielkim stopniu. Aby zastosować te wartości do naszego przykładu przypadku zerwania ACL, wiemy, że zerwaniu ACL często towarzyszy rozerwanie łąkotki. Chociaż nasz pacjent nie zgłasza żadnych dolegliwości związanych z blokowaniem lub łapaniem, szacujemy nasze prawdopodobieństwo przed badaniem na około 30%.
Nasz nomogram będzie wyglądał następująco:

Na podstawie (dokładniejszych) obliczeń otrzymamy następujące prawdopodobieństwa post-testowe
:-
Prawdopodobieństwo pre-testowe:
Prevalence/(1-prevalence) = 0,3/(1-0,3) = 0,43-
Post-test odds (LR+): 0,43 x 1,36 = 0,58- Post
-test probability

(LR+): post-test odds / (post-test odds+1) = 0,58/(0,58+1) = 0,37 (więc 37%
)- Post-test odds (LR-): 0,43 x 0,68 = 0,29- Post
-test

probability (LR-)

: post-test odds / (post-test odds+1) = 0,29/ (0,29+1) = 0,22 (

22%

)


Tak więc przy pozytywnym teście Thessaly'ego zwiększyłeś swoje szanse na wystąpienie zmiany menzuralnej z zakładanych 30% do 37%, a przy negatywnym teście Thessaly'ego zmniejszyłeś swoje szanse do 22%.
Widzisz, dlaczego wariuję, kiedy ludzie wykonują test, a potem zakładają, że ich pacjent na pewno ma lub nie ma jakiegoś schorzenia? A to wszystko opiera się na założeniu o szansach przed testem, których większość ludzi zapomina nawet wziąć pod uwagę!

Jeśli chcesz wykonać wiele testów, powiedzmy, że chcesz dodać test szuflady przedniej w naszym przykładzie ACL, będziesz opierał swoje prawdopodobieństwo przed testem na prawdopodobieństwie po teście testu Lachmana. Tak więc w przypadku pozytywnego wyniku testu Lachmana, zaczniesz z prawdopodobieństwem 95%, a w przypadku negatywnego wyniku testu Lachmana, zaczniesz z prawdopodobieństwem 19%.
Podczas gdy większość testów ma wynik pozytywny lub negatywny, istnieją również klastry testów z wieloma wynikami. Więc jeśli weźmiesz klaster Laslett dla przykładu, dla 2 z 5 pozytywnych testów skończysz z LR+ równym 2.7, dla 3/5 z LR+ równym 4.3 itd.

Bądź jednak świadomy, że przy bardzo wysokim prawdopodobieństwie przedtestowym, kolejny test ma niewielką wartość i lepiej jest rozpocząć leczenie. To samo odnosi się do bardzo niskiego prawdopodobieństwa wstępnego, w którym to przypadku nie należy przeprowadzać testu i nie należy również leczyć choroby.
Na przykład, jeśli pacjent zgłasza się do Ciebie z nagłym początkiem bólu w dolnej części pleców, objawami neurologicznymi w obu nogach, problemami z oddawaniem moczu i znieczuleniem siodła, jesteś prawie pewien, że ten pacjent ma zespół cauda equina, który jest czerwoną flagą i wymaga pilnej operacji. Jeśli więc jesteś pewien swojej diagnozy na 99%, test prostej nogi (SLR) z LR- równym 0,2 zmniejszy prawdopodobieństwo po teście do 95%, co nadal jest bardzo wysokie i nadal chciałbyś wysłać tego pacjenta na operację.
Z kolei, gdyby wynik testu był pozytywny, prawdopodobieństwo wzrosłoby z 99% do 100%, więc po co w ogóle robić test, zwłaszcza jeśli jest to pilne skierowanie na operację?

Podobnie jest w przypadku bardzo niskiego prawdopodobieństwa przed badaniem. Jeżeli pacjent zgłasza się do nas bez promieniującego bólu poniżej kolana, prawdopodobieństwo, że u tego pacjenta wystąpi zespół korzeniowy spowodowany przepukliną dysku jest bardzo małe, załóżmy, że wynosi 5%. Co by się stało w takim przypadku, gdybyś wykonał SLR z LR+ równym 0,2? Prawdopodobieństwo po badaniu wyniosłoby 10%, a jeśli wynik byłby negatywny, prawdopodobieństwo po badaniu spadłoby do 4%. Jeśli więc jesteś prawie pewien, że pacjent nie ma danej choroby, po co w ogóle ją badać?
Oczywiście, w praktyce decyzja o wykonaniu określonego testu zawsze zależy od różnych czynników, takich jak koszty, ciężkość choroby, ryzyko związane z testem itp.

Teraz wróćmy do tego, co twierdziłem na początku, że wartości statystyczne pomagają ocenić wynik pytań zadawanych podczas zbierania historii choroby.
W rzeczywistości, każde pytanie może być postrzegane jako specjalny test, w którym odpowiedź (tak lub nie) albo zwiększy lub zmniejszy prawdopodobieństwo, że pacjent ma pewną chorobę. Jest to również powód, dla którego dokładny wywiad jest w większości przypadków ważniejszy niż specjalne testy, ponieważ w zasadzie wykonujesz serię specjalnych testów z rzędu,
jeśli jesteś dobrym klinicystą, który wie, jak sformułować hipotezę na podstawie odpowiedzi pacjenta.

Weźmy więc inny przykład: Jak pozytywna odpowiedź na pytanie o długotrwałe stosowanie kortykosteroidów wpływa na prawdopodobieństwo złamania kręgosłupa?
Według Henschke i wsp. (2009), długotrwałe stosowanie kortykosteroidów ma dodatnie LR+ wynoszące 48,5. Częstość występowania (pre-test probability) złamania kręgosłupa zgłaszającego się do podstawowej opieki zdrowotnej można oszacować na 1%-4% wg Williams i wsp. (2013) u pacjentów zgłaszających się z bólem dolnego odcinka kręgosłupa.
Zatem przy długotrwałym stosowaniu kortykosteroidów, prawdopodobieństwo po badaniu wyniesie 33%, mimo że w tym przykładowym wyliczeniu założyliśmy jedynie 1% chorobowości.
Myślę, że można powiedzieć, że to pytanie o kortykosteroidy powinno być zawsze zadawane w procedurze przesiewowej w kierunku złamań kręgosłupa!
Przyjrzyjmy się teraz innej czerwonej fladze, która jest powszechnie stosowana w badaniach przesiewowych w kierunku nowotworów złośliwych u pacjentów z bólem w dolnej części pleców: Podstępny początek bólu w dolnej części pleców.
Według Deyo i wsp. (1988, przyznaję, że jest to dość stare badanie) LR+ dla tego pytania wynosi 1,1. Według Henschke i wsp. (2009), częstość występowania nowotworów złośliwych u pacjentów z bólem w dolnej części pleców jest nawet niższa niż 1%, ale dla uproszczenia będziemy liczyć z tym 1%.
Tak więc czerwona flaga podstępnego początku zwiększa post-testowe prawdopodobieństwo złośliwości jako przyczyny bólu w dolnej części pleców z 1% do dokładnie 1,1%. Myślę, że możemy się zgodzić, że ta czerwona flaga powinna być wyrzucona z każdego przewodnika, w którym jest wymieniona.





Wiem, że to był długi post i gratuluję i szanuję, jeśli udało Ci się dotrzeć aż tutaj! Moim celem było wyjaśnienie Ci jak pracować z wartościami statystycznymi takimi jak czułość, specyficzność, PPV, NPV, a w szczególności ze współczynnikami prawdopodobieństwa oraz uświadomienie Ci ich znaczenia w całym procesie fizjoterapeutycznym.
Byłoby fantastycznie, gdybyś mógł wziąć pod uwagę częstość występowania danej hipotezy u swoich przyszłych pacjentów, miał pojęcie o wpływie Twoich pytań anamnestycznych na prawdopodobieństwo przedtestowe i gdybyś mógł właściwie ocenić moc swoich specjalnych testów.

Zachęcamy do zadawania pytań w komentarzach oraz do dzielenia się tym wpisem, jeśli był dla Ciebie pomocny!

Dziękuję za przeczytanie!

Kai

Referencje

Goossens P, Keijsers E, van Geenen RJ, Zijta A, van den Broek M, Verhagen AP, et al. Validity of the Thessaly test in evaluating meniscal tears compared with arthroscopy: a diagnostic accuracy study. J.Orthop.Sports Phys.Ther. 2015;45(1):18-24, B1

Henschke N, Maher CG, Ostelo RW, de Vet HC, Macaskill P, Irwig L. Red flags to screen for malignancy in patients with low-back pain. Cochrane Database Syst.Rev. 2013;(2):CD008686. doi(2):CD008686.

Williams CM, Henschke N, Maher CG, van Tulder MW, Koes BW, Macaskill P, et al. Red flags to screen for vertebral fracture in patients presenting with low-back pain. CochraneDatabase
Syst Rev 2013;1:CD008643
.

Top