ИЗМЕНЧИВАЯ ВЕРОЯТНОСТЬ
(Диагностика, часть 3)
Продолжим говорить о диагностике. Мы уже рассматривали стабильные показатели. Но есть и нестабильные/нефиксированные (или прогностические)📈 В чем их суть?
⠀
Только результаты теста не являются синонимами наличия или отсутствия заболевания🙅🏻♂️
Прогностические значения рассчитываются на основе чувствительности и специфичности теста в сочетании с предварительной (предтестовой, pre-test) вероятностью заболевания. Именно о ней мы сегодня и поговорим 🙇🏻♂️
⠀
Часто за предтестовую вероятность берется распространённость заболевания (prevalence).
❗Но предтестовая вероятность различна в исследованиях и в реальности❗
Можно оценить распространенность искривленной перегородки носа среди всех людей, а можно только среди боксеров г. Чекалин 🗺️
⠀
В общей популяции pre-test ниже, чем у пациента с жалобами на боль в носу после падения лицом на землю. А в исследования набирается именно узкая выборка по критериям включения👨👦
⠀
Но зачем такие тонкости?
⚠️Потому что это 1️⃣ шаг в выборе и интерпретации метода диагностики⚠️
⠀
❗Результат теста может изменить предтестовую вероятность, тогда она станет посттестовой (post-test)❗ И уже на ней мы подтверждаем свои идеи, устанавливаем диагноз, назначаем дальнейшую диагностику и лечение.
⠀
А как она меняется?
⠀
Зная результат теста, мы будем использовать прогностические показатели.
Возможно вы даже когда-то слышали: положительная/негативная прогностическая ценность(PPV, NPV), положительное/отрицательное отношение правдоподобия (LR+/-)
⠀
Вот это все нам и поможет определять post-test🙋🏻♂️
⠀
Если предтестовая была 10%, а после "+" результата посттестовая 45%, то мы больше уверены в наличии предполагаемого заболевания☑️
А если с 10%, после "-" стала 1%, то значит мы скорее всего его верно исключаем❎
⠀
Вроде все не так сложно, но что не так?
⠀
Часто мы НЕ ЗНАЕМ предтестовую вероятность (этих данных нет для популяции, конкретной группы или не можем определить какая нам нужна) 🤯
⠀
Думаю, что этого всего уже достаточно, чтобы начать понимать сложность диагностики. Про применение PPV, NPV, LR мы поговорим попозже. To be continue... 🚂
#ebm_диагностика
(Диагностика, часть 3)
Продолжим говорить о диагностике. Мы уже рассматривали стабильные показатели. Но есть и нестабильные/нефиксированные (или прогностические)📈 В чем их суть?
⠀
Только результаты теста не являются синонимами наличия или отсутствия заболевания🙅🏻♂️
Прогностические значения рассчитываются на основе чувствительности и специфичности теста в сочетании с предварительной (предтестовой, pre-test) вероятностью заболевания. Именно о ней мы сегодня и поговорим 🙇🏻♂️
⠀
Часто за предтестовую вероятность берется распространённость заболевания (prevalence).
❗Но предтестовая вероятность различна в исследованиях и в реальности❗
Можно оценить распространенность искривленной перегородки носа среди всех людей, а можно только среди боксеров г. Чекалин 🗺️
⠀
В общей популяции pre-test ниже, чем у пациента с жалобами на боль в носу после падения лицом на землю. А в исследования набирается именно узкая выборка по критериям включения👨👦
⠀
Но зачем такие тонкости?
⚠️Потому что это 1️⃣ шаг в выборе и интерпретации метода диагностики⚠️
⠀
❗Результат теста может изменить предтестовую вероятность, тогда она станет посттестовой (post-test)❗ И уже на ней мы подтверждаем свои идеи, устанавливаем диагноз, назначаем дальнейшую диагностику и лечение.
⠀
А как она меняется?
⠀
Зная результат теста, мы будем использовать прогностические показатели.
Возможно вы даже когда-то слышали: положительная/негативная прогностическая ценность(PPV, NPV), положительное/отрицательное отношение правдоподобия (LR+/-)
⠀
Вот это все нам и поможет определять post-test🙋🏻♂️
⠀
Если предтестовая была 10%, а после "+" результата посттестовая 45%, то мы больше уверены в наличии предполагаемого заболевания☑️
А если с 10%, после "-" стала 1%, то значит мы скорее всего его верно исключаем❎
⠀
Вроде все не так сложно, но что не так?
⠀
Часто мы НЕ ЗНАЕМ предтестовую вероятность (этих данных нет для популяции, конкретной группы или не можем определить какая нам нужна) 🤯
⠀
Думаю, что этого всего уже достаточно, чтобы начать понимать сложность диагностики. Про применение PPV, NPV, LR мы поговорим попозже. To be continue... 🚂
#ebm_диагностика
👍10
НЕ ВСЕ ТАК ПРОСТО
(Диагностика, часть 4)
⠀
Я уже упоминал слова из 3 букв: PPV и NPV. Узнаем, что скрывается за ними 🙇🏻♂️
⠀
🔵PPV (positive predictive value) или положительная прогностическая ценность - вероятность наличия заболевания при положительном результате теста
⠀
Если чувствительность (Se) нам помогает выявлять заболевших, то этот параметр показывает насколько мы уверены в их "+" результате 🧐
⠀
🔴NPV (negative predictive value) или отрицательная прогностическая ценность - вероятность отсутствия заболевания при отрицательном результате теста
⠀
Здесь же наоборот, если специфичность (Sp) помогает выявлять здоровых, то этот параметр показывает насколько мы уверены в их "-" результате 🤯
⠀
Считаются они также через таблицу 2х2 и формул (см фото ниже 👇🏻)
⠀
🗣️Представим ситуацию, вы читаете статью о новом методе диагностики инфаркта миокарда (например, по биохимическому маркеру инфарктин). Он обладает высокими Se (100%) и Sp (87%). В голову уже закрадываются планы использовать его на каждом пациенте с подозрением на инфаркт, но... Вы видите в статье странные показатели: PPV=88%, NPV=100%. 📈
Вы не понимаете, что это, как это использовать, почему такие цифры?
Обращаетесь к другу 👨🏻💻, который изучает статистику. И он вам объяснил:
⠀
"У тебя есть 100 пациентов с инфарктом и 100 без него. Тест выявит всех 100 с инфарктом, но также он будет положительным у 13 пациентов без инфаркта. Из 100 без инфартка он верно определил 87 (помним же, что 13 ложноположительных). И отрицательный он только у этих 87 пациентов, ни у кого больше" (таблица с результатами также ниже 👇🏻)
⠀
Таким образом, нам кажется, что 100% чувствительности достаточно, а на самом деле нет 💥
⠀
Лучше знать все эти цифры, чтобы заранее понимать свои возможности ошибок 🤬🥴
⠀
А что с методом? Он показал красивые цифры, но на этом все не заканчивается. Ведь нужно ещё оценить возможность его использовать, затраты и воспроизводимость исследования💲
⠀
Также PPV и NPV в исследованиях и на практике отличаются!
Потому что prevalence разная (см предыдущий пост) 🌐
⠀
А как определить PPV и NPV на практике и что дальше с этим знанием делать, мы узнаем позже 🤐
To be continue...🚂
#ebm_диагностика
(Диагностика, часть 4)
⠀
Я уже упоминал слова из 3 букв: PPV и NPV. Узнаем, что скрывается за ними 🙇🏻♂️
⠀
🔵PPV (positive predictive value) или положительная прогностическая ценность - вероятность наличия заболевания при положительном результате теста
⠀
Если чувствительность (Se) нам помогает выявлять заболевших, то этот параметр показывает насколько мы уверены в их "+" результате 🧐
⠀
🔴NPV (negative predictive value) или отрицательная прогностическая ценность - вероятность отсутствия заболевания при отрицательном результате теста
⠀
Здесь же наоборот, если специфичность (Sp) помогает выявлять здоровых, то этот параметр показывает насколько мы уверены в их "-" результате 🤯
⠀
Считаются они также через таблицу 2х2 и формул (см фото ниже 👇🏻)
⠀
🗣️Представим ситуацию, вы читаете статью о новом методе диагностики инфаркта миокарда (например, по биохимическому маркеру инфарктин). Он обладает высокими Se (100%) и Sp (87%). В голову уже закрадываются планы использовать его на каждом пациенте с подозрением на инфаркт, но... Вы видите в статье странные показатели: PPV=88%, NPV=100%. 📈
Вы не понимаете, что это, как это использовать, почему такие цифры?
Обращаетесь к другу 👨🏻💻, который изучает статистику. И он вам объяснил:
⠀
"У тебя есть 100 пациентов с инфарктом и 100 без него. Тест выявит всех 100 с инфарктом, но также он будет положительным у 13 пациентов без инфаркта. Из 100 без инфартка он верно определил 87 (помним же, что 13 ложноположительных). И отрицательный он только у этих 87 пациентов, ни у кого больше" (таблица с результатами также ниже 👇🏻)
⠀
Таким образом, нам кажется, что 100% чувствительности достаточно, а на самом деле нет 💥
⠀
Лучше знать все эти цифры, чтобы заранее понимать свои возможности ошибок 🤬🥴
⠀
А что с методом? Он показал красивые цифры, но на этом все не заканчивается. Ведь нужно ещё оценить возможность его использовать, затраты и воспроизводимость исследования💲
⠀
Также PPV и NPV в исследованиях и на практике отличаются!
Потому что prevalence разная (см предыдущий пост) 🌐
⠀
А как определить PPV и NPV на практике и что дальше с этим знанием делать, мы узнаем позже 🤐
To be continue...🚂
#ebm_диагностика
🔥3❤2👍2
МЫ НЕПРАВИЛЬНО ДИАГНОСТИРУЕМ
(Диагностика, часть 5)
⠀
Время перейти к самому интересному 🙇🏻♂️
⠀
У теста есть стабильные показатели ( от исследования к исследованию они почти не меняются): чувствительность Se и специфичность Sp 📊
⠀
А у пациента есть свои показатели. Они зависят от выборки, на фоне которой мы его рассматриваем. Распространенность (prevalence) или предтестовая вероятность (pre-test probability) - это вероятность заболевания в группе 👨🏻🦱
⠀
Используя эти данные, мы можем рассчитать PPV и NPV, которые будут подходить конкретному пациенту (из конкретной группы). Рассчитать это можно несколькими путями:
📍 по формуле Байеса
📍 по номограмме
📍 по формулам через odds (шансы) и likelihood ratio (отношение правдоподобия)
⠀
Но всё это разные взгляды на одну и ту же монету (фото ниже 👇🏻).
⠀
Разберемся с этим же всем на примере из статьи A.M. Molinaro (2015)📄
⠀
По данным исследования prevalence глиомы 37,5%, Se 96,7%, Sp 96% теста. Получается PPV 93,5, NPV 98%.
⠀
Получается мы практически всегда можем быть уверены в результатах теста? 🎉
Оказывается нет❗
⠀
Prevalence глиомы в популяции 0,003%! При сохранении Se и Sp мы получаем PPV 0,07% и NPV 99,9%🤯
⠀
Вот это уже более интересно... Получается, что у пациента с жалобами на головную боль и потерю памяти при "+" высококачественном тесте всего лишь 0,07% вероятность наличия глиомы 🙇🏻♂️
⠀
Меняет представление? Мое изменило, когда я стал изучать
⠀
Проблема кроется конечно в prevalence. Если мы возьмём ее среди всех с головной болью, то получим другие цифры. А если с большим количеством симптомов? 🤔
⠀
А если ещё раз у этого пациента провести тест?
Теперь его prevalence 0,07%, а значит при "+" его PPV станет 1,67%
Опять все не радужно...😰
⠀
Вы ещё верите, что докмед так прост? Или уже начинают закрадываться сомнения, что одних статей с UpToDate недостаточно?
#ebm_диагностика
(Диагностика, часть 5)
⠀
Время перейти к самому интересному 🙇🏻♂️
⠀
У теста есть стабильные показатели ( от исследования к исследованию они почти не меняются): чувствительность Se и специфичность Sp 📊
⠀
А у пациента есть свои показатели. Они зависят от выборки, на фоне которой мы его рассматриваем. Распространенность (prevalence) или предтестовая вероятность (pre-test probability) - это вероятность заболевания в группе 👨🏻🦱
⠀
Используя эти данные, мы можем рассчитать PPV и NPV, которые будут подходить конкретному пациенту (из конкретной группы). Рассчитать это можно несколькими путями:
📍 по формуле Байеса
📍 по номограмме
📍 по формулам через odds (шансы) и likelihood ratio (отношение правдоподобия)
⠀
Но всё это разные взгляды на одну и ту же монету (фото ниже 👇🏻).
⠀
Разберемся с этим же всем на примере из статьи A.M. Molinaro (2015)📄
⠀
По данным исследования prevalence глиомы 37,5%, Se 96,7%, Sp 96% теста. Получается PPV 93,5, NPV 98%.
⠀
Получается мы практически всегда можем быть уверены в результатах теста? 🎉
Оказывается нет❗
⠀
Prevalence глиомы в популяции 0,003%! При сохранении Se и Sp мы получаем PPV 0,07% и NPV 99,9%🤯
⠀
Вот это уже более интересно... Получается, что у пациента с жалобами на головную боль и потерю памяти при "+" высококачественном тесте всего лишь 0,07% вероятность наличия глиомы 🙇🏻♂️
⠀
Меняет представление? Мое изменило, когда я стал изучать
⠀
Проблема кроется конечно в prevalence. Если мы возьмём ее среди всех с головной болью, то получим другие цифры. А если с большим количеством симптомов? 🤔
⠀
А если ещё раз у этого пациента провести тест?
Теперь его prevalence 0,07%, а значит при "+" его PPV станет 1,67%
Опять все не радужно...😰
⠀
Вы ещё верите, что докмед так прост? Или уже начинают закрадываться сомнения, что одних статей с UpToDate недостаточно?
#ebm_диагностика
🔥5👍2
Есть идея провести лекцию по докмеду тут в формате трансляции (если надо)
И вы можете в комментах написать, что мне в ней осветить (возможно больше упор на дизайны или применение и прочее)
И вы можете в комментах написать, что мне в ней осветить (возможно больше упор на дизайны или применение и прочее)
Anonymous Poll
95%
Да, надо
5%
Нет, хватит (уже везде докмед)
🔥3👍1
В 3 тур прошло столько интересных и необычно крутых ребят, что мы в смятении кого выбрать...
👍12❤4😱1
Методичка_"Исходы_2_ая_версия".pdf
560.3 KB
Часто в исследованиях можно встретить такие понятия как риски или шансы. Как их интерпретировать? Какие в них нюансы? Все это описано в методичке, которую мне помогли составить ребята из ЖК. Она для бесплатного распространения, поэтому можете делиться со всеми знакомыми
#ebm_нюансы
#statistic
#ebm_нюансы
#statistic
🔥9
506150a.pdf
1.4 MB
👍4🤯1
МОЯ ОСТАНОВОЧКА (КОНФАУДИНГ)
Цель клинического исследования (КИ) - оценка влияния вмешательства на исход 📈
Однако она может быть искажена каким-либо фактором во время разработки, проведения или анализа 🔀
❗Confounding factor (confounder, вмешивающийся фактор, конфаундер) - переменная, которая связанная как с исследуемым лечением, так и с результатом ❗
⚠️Рассмотрим пример: препарат А (эксперимент) снижает смертность у пациентов с тяжёлой пневмонией по сравнению со стандартной терапией (контроль). Но при внимательном изучении групп мы обнаружили, что большинство пациентов из контроля имели в анамнезе обструктивную болезнь лёгких (ХОБЛ). А в экспериментальной группе пациенты почти не страдали ХОБЛ. Этот фактор и повлиял на эффективность препарата А и разницу в смертности. Если его исключить, то мы не обнаружим эффективность препарата.
Соответственно наличие данного заболевания и будет конфаундером⚠️
Такая ситуация может произойти, если было неравномерное распределение пациентов между группами🔛
Чаще всего конфаундинг является проблемой в наблюдательных и нерандомизированных исследованиях, когда как раз нет случайного распределения по группам (кто в какую группу пойдем решает врач) 🚫
А в жизни конфаундеры вообще могут преследовать повсюду 🤔
Вмешивающийся фактор кстати может как улучшать результат, так и ухудшать его (когда мы не находим разницы между группами)📊
Чтобы определить является ли фактор конфаундером, он должен удовлетворять 3 условиям:
📍Связь с группой лечения (т.е. неравномерно распределен в группах)
📍Быть предиктором исхода (т.е. связан с улучшением/ухудшением результата)
📍Не является следствием лечения (т.е. он является независимым фактором)
К сожалению, не всегда удается точно найти подтверждение всем критериям. Но если фактор подходит под условия, то скорее всего он является конфаундером🤯
Снизить риск возникновения вмешивающего фактора можно разными методами на разных этапах КИ💻
Наиболее популярные:
🔸Рандомизация (стратифицированная, адаптивная)
🔸Стратификация
🔸Регрессионная модель
❗Рандомизация позволяет минимизировать влияние данного фактора, так как группы уравниваются по всем показателям (известным и неизвестным), кроме вмешательства (есть/нет)❗
Upd (13.09.2025). Предыдущий абзац не верен, т.к. рандомизация разрывает связь между конфаундерами и вмешательством.
Это одна из основных причин, почему РКИ - "золотой стандарт" изучения лечения😁
#bias
Цель клинического исследования (КИ) - оценка влияния вмешательства на исход 📈
Однако она может быть искажена каким-либо фактором во время разработки, проведения или анализа 🔀
❗Confounding factor (confounder, вмешивающийся фактор, конфаундер) - переменная, которая связанная как с исследуемым лечением, так и с результатом ❗
⚠️Рассмотрим пример: препарат А (эксперимент) снижает смертность у пациентов с тяжёлой пневмонией по сравнению со стандартной терапией (контроль). Но при внимательном изучении групп мы обнаружили, что большинство пациентов из контроля имели в анамнезе обструктивную болезнь лёгких (ХОБЛ). А в экспериментальной группе пациенты почти не страдали ХОБЛ. Этот фактор и повлиял на эффективность препарата А и разницу в смертности. Если его исключить, то мы не обнаружим эффективность препарата.
Соответственно наличие данного заболевания и будет конфаундером⚠️
Такая ситуация может произойти, если было неравномерное распределение пациентов между группами🔛
Чаще всего конфаундинг является проблемой в наблюдательных и нерандомизированных исследованиях, когда как раз нет случайного распределения по группам (кто в какую группу пойдем решает врач) 🚫
А в жизни конфаундеры вообще могут преследовать повсюду 🤔
Вмешивающийся фактор кстати может как улучшать результат, так и ухудшать его (когда мы не находим разницы между группами)📊
Чтобы определить является ли фактор конфаундером, он должен удовлетворять 3 условиям:
📍Связь с группой лечения (т.е. неравномерно распределен в группах)
📍Быть предиктором исхода (т.е. связан с улучшением/ухудшением результата)
📍Не является следствием лечения (т.е. он является независимым фактором)
К сожалению, не всегда удается точно найти подтверждение всем критериям. Но если фактор подходит под условия, то скорее всего он является конфаундером🤯
Снизить риск возникновения вмешивающего фактора можно разными методами на разных этапах КИ💻
Наиболее популярные:
🔸Рандомизация (стратифицированная, адаптивная)
🔸Стратификация
🔸Регрессионная модель
❗Рандомизация позволяет минимизировать влияние данного фактора, так как группы уравниваются по всем показателям (известным и неизвестным), кроме вмешательства (есть/нет)❗
Upd (13.09.2025). Предыдущий абзац не верен, т.к. рандомизация разрывает связь между конфаундерами и вмешательством.
Это одна из основных причин, почему РКИ - "золотой стандарт" изучения лечения😁
#bias
👍6🔥2