대부분의 IMG는 심장학 및 감기 약리학을 알고 있습니다. 그러면 민감도와 특이도에 대한 질문이 나타나고 그 표시는 조용히 사라집니다. 이러한 질문은 예측 가능한 패턴을 따르기 때문에 실망스럽습니다. 일단 논리를 이해하면 확실한 보상을 받을 수 있습니다.
통계 질문이 실제보다 더 어렵게 느껴지는 이유
솔직한 대답은 테스트를 주문하고 결과를 읽고 결정을 내리는 수년간의 임상 훈련을 통해 의료 통계가 추상적으로 느껴진다는 것입니다. 라운드 중간에 우도 비율을 다시 계산하라고 요청한 사람은 아무도 없습니다.
하지만 PLAB 1은 임상시험을 실행할 수 있는지 여부를 테스트하지 않습니다. 이는 연구 결과를 비판적으로 읽고 증거를 적용할 수 있는지 여부를 테스트하는 것입니다. 이는 Good Medical Practice 원칙에 따른 GMC의 핵심 기대 사항입니다. 따라서 질문은 범위가 좁고 반복 가능합니다. 작은 개념 클러스터는 민감도 및 특이성, 양성 및 음성 예측 값, 치료에 필요한 수(NNT), 해를 끼치는 데 필요한 수(NNH), 절대 및 상대 위험 감소, 신뢰 구간 및 p-값 등 시험의 거의 모든 통계 및 증거 기반 의학 표시를 설명합니다. 8가지 아이디어를 익히면 해당 영역을 다 다룰 수 있습니다.
민감도와 특이도: 단어를 정확하게 이해하기
이 두 용어는 적절하게 고정될 때까지 서로 바꿔 쓸 수 있는 것처럼 들리기 때문에 사람들을 당황하게 합니다.
민감도는 질병이 있는 사람을 대상으로 측정되는 테스트 자체의 속성입니다. 매우 민감한 테스트는 실제 사례를 놓치는 경우가 거의 없습니다. 부정적인 결과는 안심할 수 있습니다("SnNout": 민감한 테스트, 부정적인 경우 제외됨). 폐색전증에 대한 D-dimer와 같은 선별 검사를 생각해 보십시오. 이 검사는 민감하게 설계되어 있어 놓칠 사례가 거의 없습니다.
특이도는 질병이 없는 사람들을 대상으로 측정되는 테스트의 속성이기도 합니다. 매우 구체적인 테스트는 거짓 양성을 거의 표시하지 않습니다. 즉, 양성 결과는 의미가 있습니다("SpPin": 양성인 경우 특정 테스트가 In을 기준으로 함). 매독에 대한 VDRL과 같은 확인 테스트는 구체적으로 설계되었습니다.
양성 예측 값(PPV) 및 **음성 예측 값(NPV)**은 유병률에 따라 달라집니다. 이는 임상 현장에서 가장 자주 테스트되는 개념입니다. 동일한 테스트는 고위험 클리닉보다 유병률이 낮은 인구 집단에서 PPV가 더 낮습니다. 질문에 따르면 해당 테스트의 민감도는 95%, 특이도는 95%이지만 1,000명 중 1명만이 질병을 앓고 있는 인구 집단에서 사용되는 경우 PPV는 여전히 낮습니다. 실수로 해당 논리를 한 번만 수행하면 계속해서 유지됩니다.
절대 위험, 상대 위험 및 NNT
PLAB 1의 증거 기반 의학 질문은 거의 항상 상대적 위험 감소와 절대적 위험 감소 사이의 차이에 중점을 둡니다. 그 차이는 임상 실습과 약물 시험 평가에서 엄청나게 중요하기 때문입니다.
- 절대 위험 감소(ARR) = 대조군의 위험 - 치료군의 위험.
- 상대 위험 감소(RRR) = ARR ¼ 대조군의 위험, 백분율로 표시됩니다.
- 치료에 필요한 수(NNT) = 1 ¼ ARR(여기서 ARR은 소수로 표시됨).
- **해로움에 필요한 수(NNH)**는 동일한 공식을 사용하지만 부작용에 적용됩니다.
실제 사례: 약물이 뇌졸중 위험을 4%에서 2%로 감소시키는 경우 ARR은 2%(0.02)이므로 NNT는 1 ¼ 0.02 = 50입니다. RRR은 50%입니다. 동일한 데이터이지만 훨씬 더 인상적으로 들리는 수치입니다. 약물 광고는 RRR을 인용하는 경향이 있습니다. PLAB 1의 평가 질문에서는 NNT를 계산해야 합니다. NNT가 낮을수록 좋습니다(한 사람이 혜택을 받으려면 더 적은 수의 환자를 치료해야 합니다).
수학 학위가 없는 P-값 및 신뢰 구간
PLAB 1에서는 p-값을 계산할 필요가 없습니다. 이를 올바르게 해석해야 합니다.
기존 임계값인 0.05보다 낮은 p-값은 결과가 통계적으로 유의미함을 의미합니다. 즉, 귀무가설이 참이라고 가정할 때 우연히 발생했을 가능성은 거의 없습니다. 이는 효과가 임상적으로 중요하거나 크거나 인과적이라는 것을 의미하지 않습니다. 대규모 시행에서는 너무 작아 실제로는 중요하지 않은 효과에 대해 p = 0.001을 반환할 수 있습니다.**신뢰 구간(CI)**은 실제 값이 있을 가능성이 있는 범위를 알려줍니다. 비율(상대 위험도, 승산비, 위험비)의 경우 1.0을 초과하는 95% CI는 결과가 통계적으로 유의하지 않으며 효과가 0일 수 있음을 의미합니다. 절대값(예: 평균 차이)의 경우 0을 교차하는 CI는 동일한 의미를 갖습니다. 질문은 일반적으로 결과가 중요한지 여부를 식별하거나 CI가 실제 효과를 제안하는 연구를 선택하도록 요구합니다.
연구 설계: 어떤 연구가 어떤 질문에 답하는지 알기
PLAB 1에서는 때때로 주어진 임상 질문에 대해 가장 적절한 연구 설계를 선택하도록 요청합니다. 짧은 참고 목록:
- 무작위 대조 시험(RCT) — 치료 효능에 가장 적합합니다. 혼란을 줄입니다.
- 코호트 연구 — 위험 요인을 전향적으로 조사하는 데 가장 적합합니다. 상대적인 위험을 줍니다.
- 사례 대조 연구 — 희귀 질환에 효율적입니다. 상대적 위험이 아닌 승산비를 제공합니다.
- 단면적 연구 — 특정 시점의 유병률; 인과관계를 확립할 수 없습니다.
- 체계적인 검토/메타 분석 — 잘 수행될 경우 임상 의사 결정에 대한 최고 수준의 증거입니다.
신약의 효과에 대한 최선의 증거에 대한 질문의 경우, 대답은 거의 항상 RCT이거나 RCT에 대한 체계적인 검토입니다. 희귀암과 직업적 노출 가능성에 대해 묻는다면 일반적으로 사례 대조 연구가 정확합니다.
시험일 전에 이러한 개념을 훈련하는 방법
이론을 이해하는 것은 작업의 절반입니다. 시간이 제한된 조건에서 적용하는 것이 나머지 절반입니다. 이러한 주제는 수동적인 다시 읽기보다 적극적인 연습을 보상합니다. 2×2 테이블을 제시하고 민감도 계산을 요청하거나 시험 데이터를 제공하고 NNT를 요청하는 단일 최고 답변 질문을 통해 작업하면 시험에 필요한 패턴 인식이 구축됩니다. Ant PLAB 문제 은행에는 제대로 된 설명이 포함된 전용 증거 및 통계 클러스터가 포함되어 있어 잘못된 옵션을 선택할 때 논리가 어디에서 잘못되었는지 정확히 확인할 수 있으며, 이 청사진 영역에서 지속적으로 표시 비용이 발생하는 경우 성능 분석에 플래그가 표시됩니다.
PLAB 1의 통계 클러스터는 작습니다. 전체 앉아서는 몇 가지 질문만 설명할 수 있습니다. 그러나 이는 명확한 정답이 있고 제한된 개념에 얽매인 질문이므로 많은 후보자가 싸우지 않고 항복합니다. 당신은 오후에 배울 수 있는 공식에 대해 점수를 남기기 위해 이 시험에 너무 많은 노력을 기울였습니다.
FAQ
간단히 말하면 민감도와 특이도의 차이는 무엇입니까? 민감도는 검사가 질병이 있는 사람을 얼마나 잘 탐지하는지(참양성률) 측정하는 반면, 특이성은 병이 없는* 사람을 얼마나 잘 식별하는지(진음성률)를 측정합니다. 매우 민감한 테스트는 진단을 배제하는 데 좋습니다. 매우 구체적인 테스트가 이를 판단하는 데 좋습니다.
PLAB 1의 임상시험 결과에서 NNT를 어떻게 계산하나요? 절대 위험 감소(ARR)를 얻으려면 대조군의 사건 발생률에서 치료군의 사건 발생률을 뺍니다. NNT = 1 ¼ ARR(ARR은 소수점 이하)입니다. 예를 들어 ARR이 5%(0.05)이면 NNT는 20이 됩니다.
0.05 미만의 p-값은 치료가 임상적으로 유용하다는 것을 의미합니까? 반드시 그런 것은 아닙니다. 통계적 유의성(p < 0.05)은 결과가 우연에 의한 것이 아닐 가능성이 높지만 효과의 크기나 임상적 중요성에 대해서는 아무 것도 나타내지 않는다는 것을 의미합니다. 매우 큰 규모의 연구에서는 개별 환자에게 도움이 되기에는 너무 작은 통계적으로 유의미한 차이를 발견할 수 있습니다.