बऱ्याच IMG ला त्यांचे कार्डिओलॉजी आणि त्यांचे फार्माकोलॉजी थंड आहे. मग संवेदनशीलता आणि विशिष्टतेबद्दल एक प्रश्न दिसून येतो आणि गुण शांतपणे अदृश्य होतात. ते निराशाजनक आहे, कारण हे प्रश्न अंदाज लावता येण्याजोग्या नमुन्यांचे अनुसरण करतात — आणि एकदा तुम्ही तर्क समजून घेतल्यानंतर ते तुम्हाला विश्वासार्हतेने बक्षीस देतात.
सांख्यिकी प्रश्न त्यांच्यापेक्षा कठीण का वाटतात
प्रामाणिक उत्तर असे आहे की वैद्यकीय आकडेवारी अनेक वर्षांच्या क्लिनिकल प्रशिक्षणानंतर अमूर्त वाटते जिथे तुम्ही चाचणीचे आदेश दिले, निकाल वाचला आणि निर्णय घेतला. तुम्हाला कोणीही मध्य-वॉर्ड फेरीच्या संभाव्यतेचे गुणोत्तर पुन्हा मोजण्यास सांगितले नाही.
परंतु PLAB 1 तुम्ही क्लिनिकल चाचणी चालवू शकता की नाही याची चाचणी करत नाही. तुम्ही संशोधन गंभीरपणे वाचू शकता आणि पुरावे लागू करू शकता की नाही हे तपासत आहे - चांगल्या वैद्यकीय सरावाच्या तत्त्वांनुसार जीएमसीची मुख्य अपेक्षा. त्यामुळे प्रश्न अरुंद आणि पुनरावृत्ती करण्यायोग्य आहेत. संकल्पनांचा एक छोटा क्लस्टर परीक्षेतील जवळजवळ सर्व आकडेवारी आणि पुरावा-आधारित औषध गुणांसाठी जबाबदार आहे: संवेदनशीलता आणि विशिष्टता, सकारात्मक आणि नकारात्मक भविष्यसूचक मूल्ये, उपचारासाठी आवश्यक संख्या (NNT), हानीसाठी आवश्यक संख्या (NNH), परिपूर्ण आणि सापेक्ष जोखीम कमी, आत्मविश्वास मध्यांतर आणि p-मूल्ये. त्या आठ कल्पनांवर प्रभुत्व मिळवा आणि तुम्ही प्रदेश व्यापला आहे.
संवेदनशीलता आणि विशिष्टता: शब्द अगदी बरोबर मिळवा
या दोन अटी लोकांपर्यंत पोहोचवतात कारण तुम्ही त्यांना योग्यरित्या अँकर करेपर्यंत त्या परस्पर बदलण्यायोग्य वाटतात.
संवेदनशीलता ही चाचणीचाच गुणधर्म आहे, ज्यांना हा आजार आहे* अशा लोकांमध्ये मोजले जाते. अतिसंवेदनशील चाचणी क्वचितच सत्य प्रकरणे चुकवते — नकारात्मक परिणाम आश्वासक असतो ("SnNout": एक संवेदनशील चाचणी, जेव्हा नकारात्मक असेल, तेव्हा नियमबाह्य). फुफ्फुसीय एम्बोलिझमसाठी डी-डायमर सारख्या स्क्रीनिंग चाचणीचा विचार करा: ते संवेदनशील असण्यासाठी डिझाइन केले आहे जेणेकरून काही प्रकरणे चुकतील.
विशिष्टता हा देखील चाचणीचा गुणधर्म आहे, ज्यांना हा आजार नाही* अशा लोकांमध्ये मोजले जाते. अत्यंत विशिष्ट चाचणी क्वचितच खोट्या सकारात्मकतेला ध्वजांकित करते — सकारात्मक परिणाम अर्थपूर्ण असतो ("SpPin": एक विशिष्ट चाचणी, जेव्हा सकारात्मक, नियमांमध्ये). सिफिलीससाठी व्हीडीआरएल सारखी पुष्टी करणारी चाचणी विशिष्ट असण्यासाठी डिझाइन केलेली आहे.
सकारात्मक भविष्यसूचक मूल्य (PPV) आणि नकारात्मक भविष्यसूचक मूल्य (NPV) प्रचलिततेवर अवलंबून असतात. ही संकल्पना बहुतेकदा क्लिनिकल विग्नेटमध्ये चाचणी केली जाते: उच्च-जोखीम असलेल्या क्लिनिकच्या तुलनेत कमी-प्रचलित लोकसंख्येमध्ये समान चाचणीमध्ये कमी PPV असते. जर एखाद्या प्रश्नाने तुम्हाला सांगितले की चाचणीमध्ये 95% संवेदनशीलता आणि 95% विशिष्टता आहे परंतु ती लोकसंख्येमध्ये वापरली जाते जेथे 1,000 पैकी फक्त 1 लोकांना हा आजार आहे, तरीही PPV कमी असेल. वास्तविक संख्यांसह एकदा त्या तर्कानुसार कार्य करा आणि ते तुमच्याबरोबर राहील.
संपूर्ण जोखीम, सापेक्ष जोखीम आणि NNT
PLAB 1 मधील पुरावा-आधारित औषध प्रश्न जवळजवळ नेहमीच सापेक्ष आणि संपूर्ण जोखीम कमी करण्याच्या फरकावर आधारित असतात, कारण हा फरक क्लिनिकल प्रॅक्टिसमध्ये आणि औषधांच्या चाचण्यांचे मूल्यांकन करण्यासाठी खूप महत्त्वाचा असतो.
- संपूर्ण जोखीम कमी करणे (ARR) = नियंत्रण गटातील जोखीम - उपचार गटातील जोखीम.
- सापेक्ष जोखीम कमी करणे (RRR) = ARR ÷ नियंत्रण गटातील जोखीम, टक्केवारी म्हणून व्यक्त.
- उपचार करण्यासाठी आवश्यक संख्या (NNT) = 1 ÷ ARR (जेथे ARR दशांश म्हणून व्यक्त केला जातो).
- हानी करण्यासाठी आवश्यक संख्या (NNH) समान सूत्र वापरते परंतु प्रतिकूल घटनांवर लागू होते.
कार्य केलेले उदाहरण: जर एखाद्या औषधाने स्ट्रोकचा धोका 4% वरून 2% पर्यंत कमी केला, तर ARR 2% (0.02) आहे, म्हणून NNT 1 ÷ 0.02 = 50 आहे. RRR 50% आहे — समान डेटा, परंतु एक आकृती जी जास्त प्रभावी वाटते. औषधांच्या जाहिराती RRR उद्धृत करतात; PLAB 1 मधील मूल्यांकन प्रश्न तुम्हाला NNT ची गणना करण्याची अपेक्षा करतात. कमी एनएनटी चांगले आहे (आपल्याला फायद्यासाठी कमी रुग्णांवर उपचार करणे आवश्यक आहे).
गणित पदवीशिवाय P-मूल्ये आणि आत्मविश्वास अंतराल
तुम्हाला PLAB 1 मध्ये p-मूल्याची गणना करण्याची आवश्यकता नाही. तुम्हाला एक योग्य अर्थ लावणे आवश्यक आहे.
0.05 च्या पारंपारिक थ्रेशोल्डच्या खाली असलेले p-मूल्य म्हणजे परिणाम सांख्यिकीयदृष्ट्या महत्त्वपूर्ण आहे — म्हणजे, शून्य गृहितक सत्य आहे असे गृहीत धरून, एकट्या योगायोगाने घडण्याची शक्यता नाही. याचा अर्थ नाही की परिणाम वैद्यकीयदृष्ट्या महत्त्वाचा, मोठा किंवा कारणात्मक आहे. मोठ्या प्रमाणावर चाचणी p = 0.001 अशा प्रभावासाठी परत येऊ शकते जो व्यवहारात महत्त्वाचा नाही.एक आत्मविश्वास मध्यांतर (CI) तुम्हाला खरे मूल्य बहुधा कोणत्या श्रेणीमध्ये आहे ते सांगते. गुणोत्तरासाठी (सापेक्ष जोखीम, विषमतेचे प्रमाण, धोक्याचे प्रमाण), 95% CI जे 1.0 ओलांडते याचा अर्थ निकाल सांख्यिकीयदृष्ट्या महत्त्वपूर्ण नाही — परिणाम शून्य असू शकतो. निरपेक्ष मूल्यासाठी (मध्य फरकाप्रमाणे), CI क्रॉसिंग शून्याचा समान अर्थ आहे. प्रश्न सामान्यत: तुम्हाला निकाल महत्त्वाचा आहे की नाही हे ओळखण्यासाठी किंवा ज्याचा CI खरा परिणाम सुचवतो तो अभ्यास निवडण्यासाठी विचारेल.
अभ्यासाची रचना: कोणता अभ्यास कोणत्या प्रश्नाची उत्तरे देतो हे जाणून घेणे
PLAB 1 अधूनमधून तुम्हाला दिलेल्या क्लिनिकल प्रश्नासाठी सर्वात योग्य अभ्यास डिझाइन निवडण्यास सांगते. लहान संदर्भ यादी:
- यादृच्छिक नियंत्रित चाचणी (RCT) — उपचारांच्या प्रभावीतेसाठी सर्वोत्तम; गोंधळ कमी करते.
- समूहाचा अभ्यास — जोखीम घटकांचे संभाव्य परीक्षण करण्यासाठी सर्वोत्तम; सापेक्ष धोका देते.
- केस-नियंत्रण अभ्यास — दुर्मिळ रोगांसाठी कार्यक्षम; शक्यता प्रमाण देते, सापेक्ष धोका नाही.
- क्रॉस-सेक्शनल स्टडी — वेळेच्या एका टप्प्यावर प्रसार; कार्यकारणभाव स्थापित करू शकत नाही.
- सिस्टेमॅटिक रिव्ह्यू / मेटा-विश्लेषण — चांगल्या प्रकारे आयोजित केल्यावर, नैदानिक निर्णय घेण्याचा सर्वोच्च स्तरीय पुरावा.
जर एखादा प्रश्न नवीन औषधाच्या प्रभावीतेसाठी सर्वोत्तम पुराव्यांबद्दल विचारत असेल, तर उत्तर जवळजवळ नेहमीच RCT किंवा RCT चे पद्धतशीर पुनरावलोकन असते. दुर्मिळ कर्करोग आणि त्याच्या संभाव्य व्यावसायिक प्रदर्शनाबद्दल विचारल्यास, केस-नियंत्रण अभ्यास सहसा योग्य असतो.
परीक्षेच्या दिवसापूर्वी या संकल्पना कशा ड्रिल करायच्या
सिद्धांत समजून घेणे अर्धे काम आहे; कालबद्ध परिस्थितीत ते लागू करणे हा दुसरा अर्धा भाग आहे. हे विषय निष्क्रिय पुनर्वाचनापेक्षा सक्रिय सरावाचे प्रतिफळ देतात. एकल-सर्वोत्तम-उत्तर प्रश्नांद्वारे कार्य करणे जे 2×2 सारणी सादर करतात आणि तुम्हाला संवेदनशीलतेची गणना करण्यास सांगतात किंवा जे तुम्हाला चाचणी डेटा देतात आणि NNT साठी विचारतात, परीक्षेसाठी आवश्यक असलेली नमुना ओळख तयार करते. Ant PLAB प्रश्न बँकेमध्ये कार्य केलेल्या स्पष्टीकरणांसह एक समर्पित पुरावे आणि आकडेवारी क्लस्टर समाविष्ट आहे जेणेकरून तुम्ही चुकीचा पर्याय निवडता तेव्हा तर्कशास्त्र नेमके कुठे चुकते ते तुम्ही पाहू शकता — आणि या ब्लूप्रिंट क्षेत्रामुळे तुम्हाला सतत गुण लागत असल्यास कार्यप्रदर्शन विश्लेषण ध्वजांकित करेल.
PLAB 1 मधील आकडेवारी क्लस्टर लहान आहे. संपूर्ण बैठकीमध्ये केवळ काही प्रश्न असू शकतात. परंतु हे स्पष्टपणे अचूक उत्तरे असलेले प्रश्न आहेत, मर्यादित संकल्पनांनी बांधलेले आहेत, की अनेक उमेदवार लढा न देता आत्मसमर्पण करतात. एका दुपारी शिकता येईल अशा सूत्रावर टेबलवर गुण ठेवण्यासाठी तुम्ही या परीक्षेत खूप काम केले आहे.
वारंवार विचारले जाणारे प्रश्न
सोप्या भाषेत संवेदनशीलता आणि विशिष्टता यात काय फरक आहे? संवेदनशीलता मोजते की चाचणी ज्या लोकांना रोग आहे (खरा सकारात्मक दर) किती चांगल्या प्रकारे ओळखतो, तर विशिष्टता ज्यांना नाही अशा लोकांना किती चांगल्या प्रकारे ओळखते (खरा नकारात्मक दर) मोजते. निदान नाकारण्यासाठी अत्यंत संवेदनशील चाचणी चांगली असते; त्यावर राज्य करण्यासाठी एक अत्यंत विशिष्ट चाचणी चांगली आहे.
पीएलएबी १ मधील क्लिनिकल चाचणीच्या निकालावरून मी एनएनटीची गणना कशी करू? परिपूर्ण जोखीम कमी (ARR) मिळविण्यासाठी नियंत्रण गटातील घटना दरातून उपचार गटातील घटना दर वजा करा. NNT = 1 ÷ ARR (दशांश म्हणून ARR सह). उदाहरणार्थ, 5% (0.05) चा ARR 20 चा NNT देतो.
0.05 पेक्षा कमी p-मूल्याचा अर्थ उपचार वैद्यकीयदृष्ट्या उपयुक्त आहे का? आवश्यक नाही. सांख्यिकीय महत्त्व (p <0.05) म्हणजे परिणाम संयोगामुळे असण्याची शक्यता नाही, परंतु ते परिणामाच्या आकाराबद्दल किंवा नैदानिक महत्त्वाबद्दल काहीही सांगत नाही. एक खूप मोठा अभ्यास सांख्यिकीयदृष्ट्या महत्त्वपूर्ण फरक शोधू शकतो जो कोणत्याही वैयक्तिक रुग्णाच्या फायद्यासाठी खूप लहान आहे.