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

В 3 тур прошло столько интересных и необычно крутых ребят, что мы в смятении кого выбрать...

Письма разосланы!
Проверяйте свои почтовые ящики (и папку "спам") 😉

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

Будем выявлять вампиров?

Если кто-то считал, что индекс Хирша самый нужный показатель автора

А это для тех, кто уверен в p-value

Хотите начать погружение в мир здравого смысла? Тогда надо учиться и сомневаться 😉

#ebm_нюансы

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

Схема конфаундинга

Не могу не поделиться этим здесь 😁
#bias

А помните у меня была идея провести лекцию по докмеду
Будет. Буду делать
Попробую сделать упор на то, как это помогает решать клинический вопрос + небольшая оценка статьи (как одного из этапов)

НЕ ХУЖЕ ≠ ЛУЧШЕ
⠀
❗Non-inferiority trial (нормального перевода нет, но мне нравится - ИССЛЕДОВАНИЯ НЕ МЕНЬШЕ РЕЗУЛЬТАТИВНОСТИ)❗
⠀
Направлено показать, что экспериментальное лечение не хуже контроля 🤷🏻‍♂️
⠀
"Золотой стандарт" исследований (рандомизированное плацебо-контролируемое двойное-слепое) в основном относится к типу superiority (исследование превосходства). То есть нужно показать, что новый препарат лучше контроля 📈
⠀
Но если результат не лучше? Это обязательно хуже?
Нет, вот здесь и место non-inferiority trial.
⠀
⚠️Обязательно для его проведения используется предел (δ, non-inferiority margin) результата⚠️
⠀
🟥Если результат исследования НИЖЕ предела, то делается вывод, что новое лечение ХУЖЕ стандартного.
⠀
🟩Однако, если ВЫШЕ, то мы говорим, что новое лечение НЕ ХУЖЕ стандартного.
⠀
Выбор δ является критически важным аспектом. Часто выбирается на основе суждения со ссылкой на источник.
⠀
❗Т.е. с самого начала КИ должно быть разработано так, чтобы показать, что эффект нового лечения хуже, но не более чем на заранее определенную величину❗
⠀
И когда же может потребоваться такое?
⠀
📍Соответствует ли новое лечение по эффективности стандарту (неэтично сравнивать с плацебо), имея при этом вторичные преимущества (безопасность, экономическая выгода)
📍Сравнение существующих эффективных методов лечения между собой или с установленным "золотым стандартом"
📍Соответствие эффективности дженериков/аналогов оригинальному препарату (но в идеале для этого использовать КИ на эквивалентность)
⠀
И всегда нужно помнить о различных подводных камнях:
🔹Нельзя делать вывод, что один из методов лучше (только "хуже"/"не хуже")
🔹Достаточно непростой правильный расчет δ
🔹Больший размер выборки (чем для superiority)
🔹Не "золотой стандарт" исследований
🔹Необходимо проводить коррекцию статистического анализа
🔹Использовать ITT и PP анализов (используя только один можно получить смещение результатов)
⠀
Non-inferiority trial достаточно интересный тип КИ, но (мне кажется 👨🏻‍⚕️) немного недооценённый. Почему-то важнее показать, что новое всегда "лучше", а не "не хуже"🙀
⠀
#ebm_дизайн

Нас интересует стрелочка B