A legtöbb IMG hidegen ismeri a kardiológiáját és a farmakológiáját. Ekkor megjelenik egy kérdés az érzékenységről és a specifikusságról, és a jelek csendben eltűnnek. Ez frusztráló, mert ezek a kérdések kiszámítható mintákat követnek – és ha megérted a logikát, megbízhatóan megjutalmaznak.
Miért érzik nehezebbnek a statisztikai kérdéseket, mint amilyenek?
Az őszinte válasz az, hogy az orvosi statisztika absztraktnak tűnik a több éves klinikai képzés után, amikor megrendelte a tesztet, elolvasta az eredményt, és döntést hozott. Senki nem kérte, hogy számítsa újra a valószínűségi arányt a forduló közepén.
A PLAB 1 azonban nem azt teszteli, hogy elvégezhető-e egy klinikai vizsgálat. Azt teszteli, hogy képes-e kritikusan olvasni a kutatásokat, és alkalmazni tudja-e a bizonyítékokat – ez a GMC alapvető elvárása a helyes orvosi gyakorlat elvei szerint. A kérdések tehát szűkek és megismételhetők. A fogalom egy kis csoportja tartalmazza a vizsgán szereplő szinte minden statisztikai és bizonyítékokon alapuló orvosi jegyet: érzékenység és specifitás, pozitív és negatív prediktív értékek, kezeléshez szükséges szám (NNT), ártáshoz szükséges szám (NNH), abszolút és relatív kockázatcsökkentés, konfidencia intervallumok és p-értékek. Sajátítsa el ezt a nyolc ötletet, és már lefedte a területet.
Érzékenység és specifikusság: A szavak pontosan helyesek
Ez a két kifejezés megzavarja az embereket, mert mindaddig felcserélhetőnek tűnnek, amíg megfelelően lehorgonyozod őket.
Az érzékenység magának a tesztnek a tulajdonsága, a betegségben szenvedő embereken mérve. Egy nagyon érzékeny teszt ritkán hagyja ki a valódi eseteket – a negatív eredmény megnyugtató ("SnNout": érzékeny teszt, ha negatív, kizárja). Gondoljunk csak egy szűrővizsgálatra, például a D-dimerre a tüdőembóliára: érzékenyre tervezték, így kevés esetet hagynak ki.
A specifitás is a teszt tulajdonsága, olyan embereknél mérve, akik nem szenvednek ebben a betegségben. Egy nagyon specifikus teszt ritkán jelez hamis pozitív eredményt – a pozitív eredmény jelentőségteljes ("SpPin": egy specifikus teszt, ha pozitív, az In szabály). A megerősítő tesztet, mint például a szifilisz VDRL-ét, úgy tervezték, hogy specifikus legyen.
A pozitív prediktív érték (PPV) és negatív prediktív érték (NPV) a prevalenciától függ. Ezt a koncepciót leggyakrabban klinikai matricában tesztelik: ugyanaz a teszt alacsonyabb PPV-t mutat egy alacsony prevalenciájú populációban, mint egy magas kockázatú klinikán. Ha egy kérdés azt mondja, hogy a teszt 95%-os szenzitivitással és 95%-os specificitással rendelkezik, de olyan populációban használják, ahol 1000 emberből csak 1 szenved, a PPV továbbra is alacsony lesz. Ha egyszer dolgozza át ezt a logikát valós számokkal, akkor az Önnél marad.
Abszolút kockázat, relatív kockázat és NNT
A PLAB 1 bizonyítékokon alapuló orvostudományi kérdései szinte mindig a relatív és az abszolút kockázatcsökkentés közötti különbségre támaszkodnak, mivel ez a különbség rendkívül fontos a klinikai gyakorlatban és a gyógyszerkísérletek értékelésében.
- Abszolút kockázatcsökkentés (ARR) = kockázat a kontrollcsoportban − kockázat a kezelési csoportban.
- Relatív kockázatcsökkentés (RRR) = ARR ÷ kockázat a kontrollcsoportban, százalékban kifejezve.
- A kezeléshez szükséges szám (NNT) = 1 ÷ ARR (ahol az ARR tizedesjegyben van kifejezve).
- A A károsításhoz szükséges szám (NNH) ugyanazt a képletet használja, de a nemkívánatos eseményekre vonatkozik.
Egy működő példa: ha egy gyógyszer 4%-ról 2%-ra csökkenti a stroke kockázatát, az ARR 2% (0,02), tehát az NNT 1 ÷ 0,02 = 50. Az RRR 50% – ugyanaz az adat, de sokkal lenyűgözőbbnek hangzó szám. A gyógyszerreklámok általában RRR-t idéznek; A PLAB 1 értékelési kérdései elvárják, hogy számítsa ki az NNT-t. Az alacsonyabb NNT jobb (kevesebb beteget kell kezelnie ahhoz, hogy az egyik hasznot hozzon).
P-értékek és bizalmi intervallumok matematikai diploma nélkül
Nem kell p-értéket számolnia a PLAB 1-ben. Egyet helyesen kell értelmeznie.
A konvencionális 0,05-ös küszöb alatti p-érték azt jelenti, hogy az eredmény statisztikailag szignifikáns – vagyis nem valószínű, hogy csak véletlenül következett be, feltételezve, hogy a nullhipotézis igaz. Ez nem azt jelenti, hogy a hatás klinikailag fontos, nagy vagy okozati. Egy masszív kísérlet p = 0,001-et adhat vissza olyan hatásra, amely túl kicsi ahhoz, hogy a gyakorlatban számítson.A konfidenciaintervallum (CI) azt a tartományt mutatja meg, amelyen belül a valódi érték valószínűleg található. Egy arány (relatív kockázat, esélyhányados, kockázati arány) esetében az 1,0-t átlépő 95%-os CI azt jelenti, hogy az eredmény statisztikailag nem szignifikáns – a hatás nulla is lehet. Abszolút érték esetén (mint az átlagkülönbség) a nullát átlépő CI ugyanazt jelenti. A kérdés általában arra vonatkozik, hogy azonosítsa, hogy az eredmény szignifikáns-e, vagy válassza ki azt a vizsgálatot, amelynek CI valódi hatást sugall.
Tanulmánytervezés: annak ismerete, hogy melyik tanulmány melyik kérdésre válaszol
A PLAB 1 időnként megkéri, hogy válassza ki a legmegfelelőbb vizsgálati tervet egy adott klinikai kérdéshez. A rövid hivatkozási lista:
- Randomizált kontrollált vizsgálat (RCT) – a legjobb a kezelés hatékonysága szempontjából; csökkenti a zavaró hatást.
- Kohorsz vizsgálat – a legjobb a kockázati tényezők prospektív vizsgálatára; relatív kockázatot ad.
- Eset-kontroll vizsgálat – hatékony ritka betegségek esetén; esélyhányadost ad, nem relatív kockázatot.
- Keresztmetszeti vizsgálat – prevalencia egy adott időpontban; okozati összefüggést nem lehet megállapítani.
- Szisztematikus áttekintés / metaanalízis – a legmagasabb szintű bizonyíték a klinikai döntéshozatalhoz, ha jól végzik.
Ha egy kérdés egy új gyógyszer hatékonyságának legjobb bizonyítékára vonatkozik, a válasz szinte mindig egy RCT vagy az RCT-k szisztematikus áttekintése. Ha egy ritka rákról és annak lehetséges foglalkozási expozíciójáról kérdez, az eset-kontroll vizsgálat általában helyes.
Hogyan fejtsük ki ezeket a fogalmakat a vizsga napja előtt
Az elmélet megértése fél munka; időzített feltételek mellett történő alkalmazása a másik fele. Ezek a témák az aktív gyakorlást jutalmazzák a passzív újraolvasás helyett. A 2×2-es táblázatot bemutató, az érzékenység kiszámítását kérő, vagy a próbaadatokat megadó és az NNT-t kérő, egyetlen legjobb választ tartalmazó kérdések feldolgozásával a vizsgához szükséges mintafelismerés épül fel. Az Ant PLAB kérdésbank egy dedikált bizonyíték- és statisztikai klasztert tartalmaz működő magyarázatokkal, így pontosan láthatja, hol hibázik a logika, ha a helytelen lehetőséget választja – és a teljesítményelemzés jelzi, ha ez a tervterület következetesen pontokba kerül.
A PLAB 1 statisztikai klasztere kicsi. Egy teljes ülés során csak néhány kérdésre tehet szert. De ezek olyan kérdések, amelyek egyértelműen helyes válaszokat tartalmaznak, korlátozott fogalomkészlettel, amelyeket sok jelölt harc nélkül felad. Túl sok munkát fektetett ebbe a vizsgába ahhoz, hogy jegyeket hagyjon az asztalon egy délután alatt megtanulható képlet felett.
GYIK
** Egyszerűen fogalmazva mi a különbség az érzékenység és a specificitás között?** Az érzékenység azt méri, hogy a teszt mennyire jól észleli a beteg embereket (igazi pozitív arány), míg a specifikusság azt méri, hogy mennyire azonosítja azokat, akiknél nem van betegség (valós negatív arány). Egy nagyon érzékeny teszt jó a diagnózis kizárására; egy nagyon specifikus teszt jó annak eldöntésére.
Hogyan számíthatom ki az NNT-t a PLAB 1 klinikai vizsgálati eredményéből? Vonja le a kezelt csoport eseményarányát a kontrollcsoport eseményarányából, hogy megkapja az abszolút kockázatcsökkentést (ARR). NNT = 1 ÷ ARR (az ARR tizedesjegyben). Például az 5%-os (0,05) ARR 20 NNT-t ad.
A 0,05 alatti p-érték azt jelenti, hogy a kezelés klinikailag hasznos? Nem feltétlenül. A statisztikai szignifikancia (p < 0,05) azt jelenti, hogy az eredmény valószínűleg nem a véletlennek köszönhető, de nem mond semmit a hatás méretéről vagy klinikai fontosságáról. Egy nagyon nagy vizsgálat statisztikailag szignifikáns különbséget mutathat ki, amely túl kicsi ahhoz, hogy bármely egyes beteg számára előnyös legyen.