Kebanyakan IMG mengetahui kardiologi dan farmakologi flu mereka. Kemudian muncul pertanyaan tentang sensitivitas dan spesifisitas, dan tanda-tanda itu menghilang dengan tenang. Hal ini membuat frustrasi, karena pertanyaan-pertanyaan ini mengikuti pola yang dapat diprediksi — dan begitu Anda memahami logikanya, pertanyaan-pertanyaan tersebut akan memberikan imbalan yang dapat diandalkan.
Mengapa Soal Statistika Terasa Lebih Sulit Dari Sebenarnya
Jawaban jujurnya adalah statistik medis terasa abstrak setelah bertahun-tahun menjalani pelatihan klinis di mana Anda memesan tes, membaca hasilnya, dan membuat keputusan. Tidak ada yang meminta Anda menghitung ulang rasio kemungkinan di tengah putaran lingkungan.
Namun PLAB 1 tidak menguji apakah Anda dapat menjalankan uji klinis. Hal ini menguji apakah Anda dapat membaca penelitian secara kritis dan menerapkan bukti — sebuah harapan inti GMC berdasarkan prinsip Praktik Medis yang Baik. Oleh karena itu, pertanyaannya sempit dan dapat diulang. Sekelompok kecil konsep menjelaskan hampir semua statistik dan tanda pengobatan berbasis bukti dalam ujian: sensitivitas dan spesifisitas, nilai prediktif positif dan negatif, jumlah yang diperlukan untuk mengobati (NNT), jumlah yang diperlukan untuk melukai (NNH), absolut dan pengurangan risiko relatif, interval kepercayaan, dan nilai-p. Kuasai delapan ide tersebut dan Anda telah menguasai wilayah tersebut.
Sensitivitas dan Spesifisitas: Kata-kata yang Tepat
Kedua istilah ini membuat orang tersandung karena kedengarannya dapat dipertukarkan sampai Anda mengaitkannya dengan benar.
Sensitivitas adalah properti tes itu sendiri, diukur pada orang yang mengidap penyakit. Pengujian yang sangat sensitif jarang melewatkan kasus sebenarnya — hasil negatif akan meyakinkan ("SnNout": pengujian sensitif, jika Negatif, mengesampingkan). Bayangkan tes skrining seperti D-dimer untuk emboli paru: tes ini dirancang sensitif sehingga hanya sedikit kasus yang terlewat.
Spesifisitas juga merupakan properti tes, diukur pada orang yang tidak menderita penyakit. Tes yang sangat spesifik jarang menandai positif palsu — hasil positif bermakna ("SpPin": tes spesifik, jika Positif, aturannya Masuk). Tes konfirmasi seperti VDRL untuk sifilis dirancang khusus.
Nilai prediksi positif (PPV) dan nilai prediksi negatif (NPV) bergantung pada prevalensi. Ini adalah konsep yang paling sering diuji dalam sketsa klinis: tes yang sama memiliki PPV yang lebih rendah pada populasi dengan prevalensi rendah dibandingkan di klinik berisiko tinggi. Jika sebuah pertanyaan memberi tahu Anda bahwa tes tersebut memiliki sensitivitas 95% dan spesifisitas 95% tetapi digunakan pada populasi di mana hanya 1 dari 1.000 orang yang mengidap penyakit tersebut, PPV-nya akan tetap rendah. Kerjakan logika itu sekali dengan bilangan real dan logika itu akan tetap ada pada Anda.
Risiko Absolut, Risiko Relatif, dan NNT
Pertanyaan pengobatan berbasis bukti di PLAB 1 hampir selalu berpusat pada perbedaan antara pengurangan risiko relatif dan absolut, karena perbedaan tersebut sangat penting dalam praktik klinis dan dalam menilai uji coba obat.
- Pengurangan risiko absolut (ARR) = risiko pada kelompok kontrol − risiko pada kelompok perlakuan.
- Pengurangan risiko relatif (RRR) = ARR ÷ risiko pada kelompok kontrol, dinyatakan dalam persentase.
- Bilangan yang diperlukan untuk menangani (NNT) = 1 ÷ ARR (di mana ARR dinyatakan sebagai desimal).
- Jumlah yang diperlukan untuk menimbulkan kerugian (NNH) menggunakan rumus yang sama tetapi diterapkan pada kejadian buruk.
Contoh yang berhasil: jika suatu obat mengurangi risiko stroke dari 4% menjadi 2%, ARR-nya adalah 2% (0,02), sehingga NNT-nya adalah 1 0,02 = 50. RRR-nya adalah 50% — data yang sama, namun angka yang terdengar jauh lebih mengesankan. Iklan obat cenderung mengutip RRR; pertanyaan penilaian di PLAB 1 mengharapkan Anda menghitung NNT. NNT yang lebih rendah lebih baik (Anda perlu merawat lebih sedikit pasien agar mendapatkan manfaat).
Nilai-P dan Interval Keyakinan Tanpa Gelar Matematika
Anda tidak perlu menghitung nilai p di PLAB 1. Anda perlu menafsirkannya dengan benar.
Nilai p di bawah ambang batas konvensional sebesar 0,05 berarti hasilnya signifikan secara statistik — yaitu, tidak mungkin terjadi secara kebetulan, dengan asumsi hipotesis nol benar. Hal ini tidak berarti efeknya penting secara klinis, besar, atau bersifat kausal. Percobaan besar-besaran dapat menghasilkan p = 0,001 untuk efek yang terlalu kecil untuk menjadi masalah dalam praktik.Interval kepercayaan (CI) memberi tahu Anda kisaran di mana kemungkinan nilai sebenarnya berada. Untuk suatu rasio (risiko relatif, rasio odds, rasio bahaya), CI 95% yang melewati 1,0 berarti hasilnya tidak signifikan secara statistik — pengaruhnya bisa nol. Untuk nilai absolut (seperti selisih rata-rata), CI yang melintasi nol memiliki arti yang sama. Pertanyaannya biasanya meminta Anda untuk mengidentifikasi apakah suatu hasil signifikan, atau memilih penelitian yang CI-nya menunjukkan dampak nyata.
Desain Studi: Mengetahui Studi Mana yang Menjawab Pertanyaan Yang Mana
PLAB 1 terkadang meminta Anda memilih desain penelitian yang paling tepat untuk pertanyaan klinis tertentu. Daftar referensi singkat:
- Uji coba terkontrol secara acak (RCT) — terbaik untuk kemanjuran pengobatan; mengurangi perancu.
- Studi kohort — paling baik untuk memeriksa faktor risiko secara prospektif; memberikan risiko relatif.
- Studi kasus-kontrol — efisien untuk penyakit langka; memberikan rasio odds, bukan risiko relatif.
- Studi cross-sectional — prevalensi pada satu waktu; tidak dapat menentukan sebab akibat.
- Tinjauan sistematis / meta-analisis — tingkat bukti tertinggi untuk pengambilan keputusan klinis, bila dilakukan dengan baik.
Jika sebuah pertanyaan menanyakan tentang bukti terbaik untuk efektivitas suatu obat baru, jawabannya hampir selalu berupa RCT atau tinjauan sistematis terhadap RCT. Jika pertanyaannya adalah tentang kanker langka dan potensi paparannya di tempat kerja, studi kasus-kontrol biasanya tepat.
Cara Mengenal Konsep Ini Sebelum Hari Ujian
Memahami teori adalah setengah dari pekerjaan; menerapkannya dalam kondisi waktu adalah separuh lainnya. Topik-topik ini menghargai latihan aktif dibandingkan membaca ulang secara pasif. Mengerjakan pertanyaan jawaban terbaik tunggal yang menyajikan tabel 2×2 dan meminta Anda menghitung sensitivitas, atau yang memberi Anda data uji coba dan meminta NNT, akan membangun pengenalan pola yang diperlukan ujian. Bank soal Ant PLAB mencakup kumpulan bukti dan statistik khusus dengan penjelasan yang telah dikerjakan sehingga Anda dapat melihat dengan tepat di mana logikanya salah ketika Anda memilih opsi yang salah — dan analisis kinerja akan menandai jika area cetak biru ini secara konsisten membuat Anda kehilangan nilai.
Cluster statistik di PLAB 1 kecil. Dalam satu sesi penuh, ini mungkin hanya menjawab segelintir pertanyaan. Namun pertanyaan-pertanyaan tersebut memiliki jawaban yang jelas dan benar, dibatasi oleh serangkaian konsep yang terbatas, sehingga banyak kandidat yang menyerah tanpa perlawanan. Anda telah melakukan terlalu banyak pekerjaan dalam ujian ini sehingga tidak meninggalkan nilai pada tabel atas rumus yang dapat Anda pelajari di sore hari.
Pertanyaan Umum
Apa perbedaan antara sensitivitas dan spesifisitas secara sederhana? Sensitivitas mengukur seberapa baik suatu tes mendeteksi orang yang menderita suatu penyakit (tingkat positif sebenarnya), sedangkan spesifisitas mengukur seberapa baik tes tersebut mengidentifikasi orang yang tidak mengidap penyakit (tingkat negatif sebenarnya). Tes yang sangat sensitif baik untuk menyingkirkan diagnosis; tes yang sangat spesifik bagus untuk menentukannya.
Bagaimana cara menghitung NNT dari hasil uji klinis di PLAB 1? Kurangi angka kejadian pada kelompok perlakuan dengan angka kejadian pada kelompok kontrol untuk mendapatkan pengurangan risiko absolut (ARR). NNT = 1 ÷ ARR (dengan ARR sebagai desimal). Misalnya, ARR sebesar 5% (0,05) menghasilkan NNT sebesar 20.
Apakah nilai p di bawah 0,05 berarti pengobatan bermanfaat secara klinis? Belum tentu. Signifikansi statistik (p <0,05) berarti hasil tersebut tidak mungkin terjadi secara kebetulan, namun tidak menjelaskan apa pun tentang ukuran atau kepentingan klinis dari efek tersebut. Sebuah penelitian yang sangat besar dapat mendeteksi perbedaan yang signifikan secara statistik yang terlalu kecil untuk memberikan manfaat bagi setiap pasien.