La maggior parte degli IMG conosce a fondo la propria cardiologia e la propria farmacologia. Quindi appare una domanda sulla sensibilità e la specificità e i segni scompaiono silenziosamente. Ciò è frustrante, perché queste domande seguono schemi prevedibili e, una volta compresa la logica, ti ricompensano in modo affidabile.
Perché le domande di statistica sembrano più difficili di quanto non siano
La risposta onesta è che le statistiche mediche sembrano astratte dopo anni di formazione clinica in cui hai ordinato il test, letto il risultato e preso una decisione. Nessuno ti ha chiesto di ricalcolare il rapporto di verosimiglianza a metà turno.
Ma PLAB 1 non sta verificando se è possibile eseguire una sperimentazione clinica. Sta testando se puoi leggere la ricerca in modo critico e applicare le prove: un'aspettativa fondamentale del GMC secondo i principi della buona pratica medica. Le domande sono quindi ristrette e ripetibili. Un piccolo gruppo di concetti rappresenta quasi tutte le statistiche e i voti dei medicinali basati sull'evidenza nell'esame: sensibilità e specificità, valori predittivi positivi e negativi, numero necessario da trattare (NNT), numero necessario per nuocere (NNH), riduzione del rischio assoluto e relativo, intervalli di confidenza e valori p. Padroneggia queste otto idee e avrai coperto il territorio.
Sensibilità e specificità: usa le parole esattamente giuste
Questi due termini fanno inciampare le persone perché sembrano intercambiabili finché non li ancori correttamente.
La sensibilità è una proprietà del test stesso, misurata nelle persone che hanno la malattia. Un test altamente sensibile raramente non rileva casi reali: un risultato negativo è rassicurante ("SnNout": un test sensibile, quando negativo, esclude). Pensa a un test di screening come il D-dimero per l’embolia polmonare: è progettato per essere sensibile in modo da non rilevare pochi casi.
Anche la Specificità è una proprietà del test, misurata in persone che non hanno la malattia. Un test altamente specifico raramente segnala falsi positivi: un risultato positivo è significativo ("SpPin": un test specifico, quando Positivo, prevale). Un test di conferma come il VDRL per la sifilide è progettato per essere specifico.
Il valore predittivo positivo (VPP) e il valore predittivo negativo (NPV) dipendono dalla prevalenza. Questo è il concetto più spesso testato in un caso clinico: lo stesso test ha un PPV inferiore in una popolazione a bassa prevalenza rispetto a una clinica ad alto rischio. Se una domanda ti dice che il test ha una sensibilità del 95% e una specificità del 95%, ma viene utilizzato in una popolazione in cui solo 1 persona su 1.000 è affetta dalla malattia, il PPV sarà comunque basso. Elabora quella logica una volta con i numeri reali e rimarrà con te.
Rischio assoluto, rischio relativo e NNT
Le domande di medicina basata sull’evidenza nel PLAB 1 ruotano quasi sempre sulla differenza tra riduzione del rischio relativo e assoluto, perché tale differenza conta enormemente nella pratica clinica e nella valutazione degli studi farmacologici.
- Riduzione assoluta del rischio (ARR) = rischio nel gruppo di controllo − rischio nel gruppo di trattamento.
- Riduzione del rischio relativo (RRR) = ARR ÷ rischio nel gruppo di controllo, espresso in percentuale.
- Numero necessario da trattare (NNT) = 1 ÷ ARR (dove ARR è espresso in formato decimale).
- Numero necessario per nuocere (NNH) utilizza la stessa formula ma applicata agli eventi avversi.
Un esempio pratico: se un farmaco riduce il rischio di ictus dal 4% al 2%, l’ARR è del 2% (0,02), quindi l’NNT è 1 ÷ 0,02 = 50. L’RRR è del 50%: gli stessi dati, ma una cifra che sembra molto più impressionante. Le pubblicità dei farmaci tendono a citare RRR; le domande di valutazione in PLAB 1 prevedono che tu calcoli NNT. Un NNT più basso è migliore (è necessario trattare meno pazienti affinché uno possa trarne beneficio).
Valori P e intervalli di confidenza senza la laurea in matematica
Non è necessario calcolare un valore p in PLAB 1. È necessario interpretarne uno correttamente.
Un valore p inferiore alla soglia convenzionale di 0,05 significa che il risultato è statisticamente significativo, ovvero è improbabile che si sia verificato solo per caso, assumendo che l'ipotesi nulla fosse vera. Ciò non significa che l'effetto è clinicamente importante, ampio o causale. Una prova massiccia può restituire p = 0,001 per un effetto che è troppo piccolo per avere importanza nella pratica.Un intervallo di confidenza (CI) indica l'intervallo entro il quale probabilmente si trova il valore reale. Per un rapporto (rischio relativo, odds ratio, rapporto di rischio), un CI del 95% che supera 1,0 significa che il risultato non è statisticamente significativo: l'effetto potrebbe essere zero. Per un valore assoluto (come una differenza media), un CI che attraversa lo zero ha lo stesso significato. La domanda di solito ti chiederà di identificare se un risultato è significativo o di scegliere lo studio il cui CI suggerisce un effetto reale.
Progettazione dello studio: sapere quale studio risponde a quale domanda
PLAB 1 ti chiede occasionalmente di scegliere il disegno dello studio più appropriato per un dato quesito clinico. La breve lista di riferimento:
- Studio randomizzato e controllato (RCT): migliore per l'efficacia del trattamento; riduce la confusione.
- Studio di coorte: ideale per esaminare i fattori di rischio in modo prospettico; dà un rischio relativo.
- Studio caso-controllo: efficace per le malattie rare; fornisce il rapporto odd, non il rischio relativo.
- Studio trasversale: prevalenza in un dato momento; non è possibile stabilire la causalità.
- Revisione sistematica/meta-analisi: livello di evidenza più elevato per il processo decisionale clinico, se ben condotto.
Se una domanda riguarda le migliori prove dell'efficacia di un nuovo farmaco, la risposta è quasi sempre un RCT o una revisione sistematica di RCT. Se si chiede informazioni su un cancro raro e sulla sua potenziale esposizione professionale, uno studio caso-controllo è solitamente corretto.
Come approfondire questi concetti prima del giorno dell'esame
Comprendere la teoria è metà del lavoro; applicarlo in condizioni temporizzate è l'altra metà. Questi argomenti premiano la pratica attiva rispetto alla rilettura passiva. Lavorare attraverso domande con la migliore risposta singola che presentano una tabella 2×2 e chiedono di calcolare la sensibilità, o che forniscono dati di prova e richiedono NNT, costruisce il riconoscimento del modello richiesto dall'esame. La banca di domande di Ant PLAB include un cluster di prove e statistiche dedicato con spiegazioni efficaci in modo da poter vedere esattamente dove la logica va storta quando si sceglie l'opzione sbagliata e l'analisi delle prestazioni segnalerà se quest'area del progetto ti costa costantemente punti.
Il cluster statistico in PLAB 1 è piccolo. Nel corso di un'intera seduta può rappresentare solo una manciata di domande. Ma si tratta di domande con risposte chiaramente corrette, limitate da un insieme limitato di concetti, a cui molti candidati si arrendono senza combattere. Hai dedicato troppo impegno a questo esame per lasciare dei segni sul tavolo su una formula che puoi imparare in un pomeriggio.
Domande frequenti
Qual è la differenza tra sensibilità e specificità in termini semplici? La sensibilità misura quanto bene un test rileva le persone che hanno una malattia (tasso di veri positivi), mentre la specificità misura quanto bene identifica le persone che non ce l'hanno (tasso di veri negativi). Un test altamente sensibile è utile per escludere una diagnosi; un test altamente specifico è utile per stabilirlo.
Come posso calcolare l'NNT dal risultato di uno studio clinico in PLAB 1? Sottrarre il tasso di eventi nel gruppo di trattamento dal tasso di eventi nel gruppo di controllo per ottenere la riduzione del rischio assoluto (ARR). NNT = 1 ÷ ARR (con ARR come decimale). Ad esempio, un ARR del 5% (0,05) dà un NNT di 20.
Un valore p inferiore a 0,05 significa che un trattamento è clinicamente utile? Non necessariamente. La significatività statistica (p < 0,05) significa che è improbabile che il risultato sia dovuto al caso, ma non dice nulla sulla dimensione o sull'importanza clinica dell'effetto. Uno studio molto ampio può rilevare una differenza statisticamente significativa che è troppo piccola per apportare benefici a qualsiasi singolo paziente.