Ebm_base

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)❗ Это одна из основных причин, почему РКИ - "золотой стандарт" изучения лечения😁

А это для тех, кто уверен в p-value

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

Будем выявлять вампиров?

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

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

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. Заболеваемость (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

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

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

ПЛЮС ДАЕТ МИНУС (Диагностика, часть 2) ⠀ Я продолжаю рассказывать о необходимости знания параметров методов диагностики. Сегодня поговорим подробнее о чувствительности и специфичности. ⠀ Для более удобного представления посмотрите на рисунок ниже 👇🏻 ⠀ ☑️Чувствительность (Se) связана с ложноотрицательными (false negative, FN) результатами. Если она высокая (т. е. тест хорошо определяет действительно больных - true positive, TP), то доля FN очень маленькая. Однако это не значит, что он полезен для определения болезни 🤷🏻‍♂️ ⠀ ❗При такой ситуации тест полезен для ИСКЛЮЧЕНИЯ заболевания❗ ⠀ Например, вы используете тест со 100% Se, его результат "отрицательный", значит мы можем окончательно исключить болезнь у пациента🙅🏻‍♂️ ⠀ ❎Специфичность (Sp) же связана с ложноположительными результатами (false positive, FP). И здесь также, если она высокая (т.е. тест хорошо определяет действительно здоровых - true negative, TN), то доля FP очень мала. Такой тест редко даёт положительные результаты🙆🏻‍♂️ ⠀ ❗Значит этот тест полезен для ПОДТВЕРЖДЕНИЯ заболевания❗ ⠀ Например, вы используете тест со 100% Sp, получаете "положительный" результат, значит мы можем говорить о высокой вероятности наличии заболевания🙋🏻‍♂️ ⠀ ⚠️Идеальный тест обладает высокими показателями Se и Sp. Тогда мы сможем при "положительном" результате подтвердить наличие болезни, а при "отрицательном" исключить⚠️ ⠀ Представим тест с Se=95% и Sp=96%, соответственно только в 5% он будет ложноотрицательным и в 4% случаев ложноположительным. Что позволит нам достаточно точно проводить диагностику пациентам👨🏻‍⚕️ ⠀ Их соотношение важно знать и понимать для принятия решений. Но к сожалению, на практике такие тесты встречают нередко🙇🏻‍♂️ ⠀ Однако знание только этих параметров не даёт уверенности в конкретном случае👀 ⠀ А о том, что позволяет нам более взвешенно принимать решения, мы поговорим об это дальше. To be continue... 🚂 #ebm_диагностика

Начали первые собеседования Впечатления - положительные👍