చాలా IMGలకు వారి కార్డియాలజీ మరియు వారి ఫార్మకాలజీ జలుబు తెలుసు. అప్పుడు సున్నితత్వం మరియు విశిష్టత గురించి ఒక ప్రశ్న కనిపిస్తుంది మరియు గుర్తులు నిశ్శబ్దంగా అదృశ్యమవుతాయి. ఇది నిరాశపరిచింది, ఎందుకంటే ఈ ప్రశ్నలు ఊహాజనిత నమూనాలను అనుసరిస్తాయి - మరియు మీరు తర్కాన్ని అర్థం చేసుకున్న తర్వాత, అవి మీకు విశ్వసనీయంగా ప్రతిఫలాన్ని అందిస్తాయి.
ఎందుకు స్టాటిస్టిక్స్ ప్రశ్నలు వాటి కంటే కష్టంగా అనిపిస్తాయి
నిజాయితీగా సమాధానం చెప్పాలంటే, మీరు పరీక్షను ఆదేశించి, ఫలితాన్ని చదివి, నిర్ణయం తీసుకున్న సంవత్సరాల క్లినికల్ శిక్షణ తర్వాత వైద్య గణాంకాలు వియుక్తంగా అనిపిస్తాయి. మిడ్-వార్డ్ రౌండ్ సంభావ్యత నిష్పత్తిని మళ్లీ లెక్కించమని ఎవరూ మిమ్మల్ని అడగలేదు.
కానీ మీరు క్లినికల్ ట్రయల్ని అమలు చేయగలరో లేదో PLAB 1 పరీక్షించడం లేదు. ఇది మీరు పరిశోధనను విమర్శనాత్మకంగా చదవగలరా మరియు సాక్ష్యాలను వర్తింపజేయగలరా అని పరీక్షిస్తోంది - మంచి వైద్య అభ్యాసం సూత్రాల క్రింద ఒక ప్రధాన GMC నిరీక్షణ. కాబట్టి ప్రశ్నలు ఇరుకైనవి మరియు పునరావృతమయ్యేవి. పరీక్షలో దాదాపు అన్ని గణాంకాలు మరియు సాక్ష్యం-ఆధారిత ఔషధం మార్కుల కోసం ఒక చిన్న క్లస్టర్ కాన్సెప్ట్ ఖాతాలు: సున్నితత్వం మరియు నిర్దిష్టత, సానుకూల మరియు ప్రతికూల అంచనా విలువలు, చికిత్సకు అవసరమైన సంఖ్య (NNT), హాని చేయడానికి అవసరమైన సంఖ్య (NNH), సంపూర్ణ మరియు సాపేక్ష ప్రమాద తగ్గింపు, విశ్వాస అంతరాలు మరియు p-విలువలు. ఆ ఎనిమిది ఆలోచనలను నేర్చుకోండి మరియు మీరు భూభాగాన్ని కవర్ చేసారు.
సున్నితత్వం మరియు విశిష్టత: పదాలను సరిగ్గా పొందండి
ఈ రెండు పదాలు వ్యక్తులను ట్రిప్ చేస్తాయి ఎందుకంటే మీరు వాటిని సరిగ్గా ఎంకరేజ్ చేసే వరకు అవి పరస్పరం మార్చుకోగలవు.
సున్నితత్వం అనేది పరీక్ష యొక్క లక్షణం, వ్యాధి ఉన్న వ్యక్తులలో కొలుస్తారు. అత్యంత సున్నితమైన పరీక్ష చాలా అరుదుగా నిజమైన కేసులను కోల్పోతుంది - ప్రతికూల ఫలితం భరోసానిస్తుంది ("SnNout": సున్నితమైన పరీక్ష, ప్రతికూలంగా ఉన్నప్పుడు, రూల్స్ అవుట్). పల్మోనరీ ఎంబోలిజం కోసం D-డైమర్ వంటి స్క్రీనింగ్ పరీక్ష గురించి ఆలోచించండి: ఇది కొన్ని కేసులు మిస్ అయ్యేలా సున్నితంగా రూపొందించబడింది.
నిర్దిష్టత అనేది పరీక్ష యొక్క ఆస్తి, వ్యాధి లేని వ్యక్తులలో కొలుస్తారు. అత్యంత నిర్దిష్టమైన పరీక్ష చాలా అరుదుగా తప్పుడు పాజిటివ్లను ఫ్లాగ్ చేస్తుంది - సానుకూల ఫలితం అర్థవంతంగా ఉంటుంది ("SpPin": ఒక నిర్దిష్ట పరీక్ష, పాజిటివ్గా ఉన్నప్పుడు, రూల్స్ ఇన్). సిఫిలిస్ కోసం VDRL వంటి నిర్ధారణ పరీక్ష నిర్దిష్టంగా రూపొందించబడింది.
పాజిటివ్ ప్రిడిక్టివ్ వాల్యూ (PPV) మరియు నెగటివ్ ప్రిడిక్టివ్ వాల్యూ (NPV) ప్రాబల్యం మీద ఆధారపడి ఉంటుంది. ఇది చాలా తరచుగా క్లినికల్ విగ్నేట్లో పరీక్షించబడే కాన్సెప్ట్: అదే పరీక్ష అధిక-రిస్క్ క్లినిక్లో కంటే తక్కువ-ప్రాబల్యం ఉన్న జనాభాలో తక్కువ PPVని కలిగి ఉంటుంది. పరీక్షలో 95% సున్నితత్వం మరియు 95% నిర్దిష్టత ఉందని ఒక ప్రశ్న మీకు చెబితే, 1,000 మందిలో 1 మందికి మాత్రమే వ్యాధి ఉన్న జనాభాలో దీనిని ఉపయోగిస్తే, PPV ఇప్పటికీ తక్కువగా ఉంటుంది. వాస్తవ సంఖ్యలతో ఒకసారి ఆ తర్కం ద్వారా పని చేయండి మరియు అది మీతోనే ఉంటుంది.
సంపూర్ణ ప్రమాదం, సాపేక్ష ప్రమాదం మరియు NNT
PLAB 1లోని ఎవిడెన్స్-ఆధారిత మెడిసిన్ ప్రశ్నలు దాదాపు ఎల్లప్పుడూ సాపేక్ష మరియు సంపూర్ణ రిస్క్ తగ్గింపు మధ్య వ్యత్యాసంపై దృష్టి సారిస్తాయి, ఎందుకంటే ఆ వ్యత్యాసం క్లినికల్ ప్రాక్టీస్లో మరియు డ్రగ్ ట్రయల్స్ను అంచనా వేయడంలో చాలా ముఖ్యమైనది.
- సంపూర్ణ ప్రమాద తగ్గింపు (ARR) = నియంత్రణ సమూహంలో ప్రమాదం - చికిత్స సమూహంలో ప్రమాదం.
- ** రిలేటివ్ రిస్క్ రిడక్షన్ (RRR)** = నియంత్రణ సమూహంలో ARR ÷ రిస్క్, శాతంగా వ్యక్తీకరించబడింది.
- ** చికిత్సకు అవసరమైన సంఖ్య (NNT)** = 1 ÷ ARR (ఇక్కడ ARR దశాంశంగా వ్యక్తీకరించబడుతుంది).
- హాని చేయడానికి అవసరమైన సంఖ్య (NNH) అదే సూత్రాన్ని ఉపయోగిస్తుంది కానీ ప్రతికూల సంఘటనలకు వర్తించబడుతుంది.
ఒక పని ఉదాహరణ: ఒక ఔషధం స్ట్రోక్ ప్రమాదాన్ని 4% నుండి 2%కి తగ్గిస్తే, ARR 2% (0.02), కాబట్టి NNT 1 ÷ 0.02 = 50. RRR 50% - అదే డేటా, కానీ చాలా ఆకర్షణీయంగా ధ్వనించే సంఖ్య. ఔషధ ప్రకటనలు RRRని కోట్ చేస్తాయి; PLAB 1లోని మదింపు ప్రశ్నలు మీరు NNTని లెక్కించాలని ఆశిస్తారు. తక్కువ NNT ఉత్తమం (ఒక ప్రయోజనం కోసం మీరు తక్కువ మంది రోగులకు చికిత్స చేయాలి).
మ్యాథ్స్ డిగ్రీ లేకుండా పి-విలువలు మరియు విశ్వాస విరామాలు
మీరు PLAB 1లో p-విలువను లెక్కించాల్సిన అవసరం లేదు. మీరు దానిని సరిగ్గా అర్థం చేసుకోవాలి.
0.05 యొక్క సాంప్రదాయిక థ్రెషోల్డ్ కంటే తక్కువ p-విలువ అంటే ఫలితం గణాంకంగా ముఖ్యమైనది - అంటే, శూన్య పరికల్పన నిజమని ఊహిస్తూ, యాదృచ్ఛికంగా మాత్రమే సంభవించే అవకాశం లేదు. దీని అర్థం కాదు ప్రభావం వైద్యపరంగా ముఖ్యమైనది, పెద్దది లేదా కారణమైనది. ఒక భారీ ట్రయల్ ఆచరణలో పట్టింపులేని చాలా చిన్న ప్రభావం కోసం p = 0.001ని అందిస్తుంది.ఒక కాన్ఫిడెన్స్ ఇంటర్వెల్ (CI) మీకు నిజమైన విలువ ఉండే పరిధిని తెలియజేస్తుంది. నిష్పత్తికి (సాపేక్ష ప్రమాదం, అసమానత నిష్పత్తి, ప్రమాద నిష్పత్తి), 1.0ని దాటిన 95% CI అంటే ఫలితం గణాంకపరంగా ముఖ్యమైనది కాదు - ప్రభావం సున్నా కావచ్చు. సంపూర్ణ విలువ కోసం (సగటు వ్యత్యాసం వంటిది), CI క్రాసింగ్ సున్నాకి అదే అర్థం ఉంటుంది. ఫలితం ముఖ్యమైనదో కాదో గుర్తించమని లేదా CI నిజమైన ప్రభావాన్ని సూచించే అధ్యయనాన్ని ఎంచుకోవడానికి ప్రశ్న సాధారణంగా మిమ్మల్ని అడుగుతుంది.
స్టడీ డిజైన్: ఏ అధ్యయనం ఏ ప్రశ్నకు సమాధానమిస్తుందో తెలుసుకోవడం
PLAB 1 అప్పుడప్పుడు ఇచ్చిన క్లినికల్ ప్రశ్నకు తగిన స్టడీ డిజైన్ను ఎంచుకోమని అడుగుతుంది. చిన్న సూచన జాబితా:
- రాండమైజ్డ్ కంట్రోల్డ్ ట్రయల్ (RCT) — చికిత్స సమర్థతకు ఉత్తమమైనది; గందరగోళాన్ని తగ్గిస్తుంది.
- కోహోర్ట్ స్టడీ - ప్రమాద కారకాలను అంచనా వేయడానికి ఉత్తమమైనది; సంబంధిత ప్రమాదాన్ని ఇస్తుంది.
- కేస్-కంట్రోల్ స్టడీ - అరుదైన వ్యాధులకు సమర్థవంతమైనది; అసమానత నిష్పత్తిని ఇస్తుంది, సాపేక్ష రిస్క్ కాదు.
- క్రాస్ సెక్షనల్ స్టడీ - ఒక సమయంలో ప్రాబల్యం; కారణాన్ని స్థాపించలేరు.
- సిస్టమాటిక్ రివ్యూ / మెటా-విశ్లేషణ — బాగా నిర్వహించబడినప్పుడు, క్లినికల్ నిర్ణయం తీసుకోవడానికి అత్యధిక స్థాయి సాక్ష్యం.
కొత్త ఔషధం యొక్క ప్రభావానికి ఉత్తమమైన సాక్ష్యం గురించి ఒక ప్రశ్న అడిగితే, సమాధానం దాదాపు ఎల్లప్పుడూ RCT లేదా RCTల యొక్క క్రమబద్ధమైన సమీక్ష. ఇది అరుదైన క్యాన్సర్ మరియు దాని సంభావ్య వృత్తిపరమైన బహిర్గతం గురించి అడిగితే, కేస్-కంట్రోల్ అధ్యయనం సాధారణంగా సరైనది.
పరీక్ష రోజు ముందు ఈ కాన్సెప్ట్లను ఎలా డ్రిల్ చేయాలి
థియరీని అర్థం చేసుకోవడం సగం పని; సమయానుకూల పరిస్థితులలో దీనిని వర్తింపజేయడం మిగిలిన సగం. ఈ అంశాలు నిష్క్రియ రీ-రీడింగ్పై సక్రియ అభ్యాసానికి ప్రతిఫలాన్ని అందిస్తాయి. 2×2 పట్టికను ప్రదర్శించే మరియు సున్నితత్వాన్ని లెక్కించమని మిమ్మల్ని అడిగే ఏకైక-ఉత్తమ-జవాబు ప్రశ్నల ద్వారా పని చేయడం లేదా మీకు ట్రయల్ డేటాను అందించడం మరియు NNT కోసం అడగడం, పరీక్షకు అవసరమైన నమూనా గుర్తింపును రూపొందిస్తుంది. యాంట్ PLAB క్వశ్చన్ బ్యాంక్ పని వివరణలతో కూడిన ప్రత్యేక సాక్ష్యం మరియు గణాంకాల క్లస్టర్ను కలిగి ఉంటుంది, తద్వారా మీరు తప్పు ఎంపికను ఎంచుకున్నప్పుడు తర్కం ఎక్కడ తప్పు అవుతుందో మీరు ఖచ్చితంగా చూడవచ్చు - మరియు ఈ బ్లూప్రింట్ ప్రాంతం మీకు స్థిరంగా మార్కులను ఖర్చు చేస్తున్నట్లయితే పనితీరు విశ్లేషణలు ఫ్లాగ్ చేయబడతాయి.
PLAB 1లోని గణాంకాల క్లస్టర్ చిన్నది. పూర్తి సిట్టింగ్లో ఇది కొన్ని ప్రశ్నలకు మాత్రమే కారణం కావచ్చు. కానీ అవి స్పష్టమైన సరైన సమాధానాలతో కూడిన ప్రశ్నలు, పరిమిత కాన్సెప్ట్లతో కట్టుబడి ఉంటాయి, చాలా మంది అభ్యర్థులు పోరాటం లేకుండా లొంగిపోతారు. మీరు మధ్యాహ్నం నేర్చుకోగలిగే ఫార్ములాపై మార్కులను టేబుల్పై ఉంచడానికి ఈ పరీక్షలో చాలా ఎక్కువ పని చేసారు.
తరచుగా అడిగే ప్రశ్నలు
సున్నితత్వం మరియు సాధారణ పరంగా నిర్దిష్టత మధ్య తేడా ఏమిటి? సున్నితత్వం ఒక వ్యాధి * ఉన్న వ్యక్తులను (నిజమైన సానుకూల రేటు) ఎంత బాగా గుర్తించిందో కొలుస్తుంది, అయితే నిర్దిష్టత అది * లేని వ్యక్తులను (నిజమైన ప్రతికూల రేటు) ఎంత బాగా గుర్తిస్తుందో కొలుస్తుంది. రోగనిర్ధారణను తోసిపుచ్చడానికి అత్యంత సున్నితమైన పరీక్ష మంచిది; దానిని పాలించడానికి అత్యంత నిర్దిష్టమైన పరీక్ష మంచిది.
PLAB 1లో క్లినికల్ ట్రయల్ ఫలితం నుండి నేను NNTని ఎలా లెక్కించాలి? సంపూర్ణ ప్రమాద తగ్గింపు (ARR) పొందడానికి నియంత్రణ సమూహంలోని ఈవెంట్ రేటు నుండి చికిత్స సమూహంలోని ఈవెంట్ రేటును తీసివేయండి. NNT = 1 ÷ ARR (ARRతో దశాంశంగా). ఉదాహరణకు, 5% (0.05) యొక్క ARR 20 యొక్క NNTని ఇస్తుంది.
** 0.05 కంటే తక్కువ p-విలువ అంటే చికిత్స వైద్యపరంగా ఉపయోగపడుతుందా?** అవసరం లేదు. గణాంక ప్రాముఖ్యత (p <0.05) అంటే ఫలితం అవకాశం వల్ల వచ్చే అవకాశం లేదు, కానీ అది ప్రభావం యొక్క పరిమాణం లేదా వైద్యపరమైన ప్రాముఖ్యత గురించి ఏమీ చెప్పదు. చాలా పెద్ద అధ్యయనం గణాంకపరంగా ముఖ్యమైన వ్యత్యాసాన్ని గుర్తించగలదు, అది ఏ ఒక్క రోగికి ప్రయోజనం చేకూర్చలేనంత చిన్నది.