IMG ส่วนใหญ่รู้จักโรคหัวใจและเภสัชวิทยาของตนเป็นอย่างดี จากนั้นคำถามเกี่ยวกับความอ่อนไหวและความจำเพาะก็ปรากฏขึ้น และเครื่องหมายต่างๆ ก็หายไปอย่างเงียบๆ เป็นเรื่องที่น่าหงุดหงิด เนื่องจากคำถามเหล่านี้เป็นไปตามรูปแบบที่คาดเดาได้ และเมื่อคุณเข้าใจตรรกะแล้ว คำถามเหล่านี้จะตอบแทนคุณอย่างน่าเชื่อถือ
เหตุใดคำถามเกี่ยวกับสถิติจึงรู้สึกยากกว่าที่เป็นอยู่
คำตอบที่ตรงไปตรงมาก็คือ สถิติทางการแพทย์ให้ความรู้สึกเป็นนามธรรมหลังจากหลายปีของการฝึกอบรมทางคลินิก โดยที่คุณสั่งการทดสอบ อ่านผล และตัดสินใจ ไม่มีใครขอให้คุณคำนวณอัตราส่วนความน่าจะเป็นใหม่ในช่วงกลางวอร์ด
แต่ PLAB 1 ไม่ได้ทดสอบว่าคุณสามารถทำการทดลองทางคลินิกได้หรือไม่ เป็นการทดสอบว่าคุณสามารถอ่านงานวิจัยอย่างมีวิจารณญาณและใช้หลักฐานได้หรือไม่ ซึ่งเป็นความคาดหวังหลักของ GMC ภายใต้หลักการ Good Medical Practice คำถามจึงแคบและทำซ้ำได้ แนวคิดกลุ่มเล็กๆ แสดงถึงสถิติและเครื่องหมายทางการแพทย์ตามหลักฐานเชิงประจักษ์เกือบทั้งหมดในการสอบ ได้แก่ ความอ่อนไหวและความจำเพาะ ค่าพยากรณ์เชิงบวกและเชิงลบ จำนวนที่ต้องรักษา (NNT) จำนวนที่ต้องทำให้เกิดอันตราย (NNH) การลดความเสี่ยงสัมบูรณ์และสัมพัทธ์ ช่วงความเชื่อมั่น และค่า p ฝึกฝนแนวคิดทั้งแปดข้อนี้ให้เชี่ยวชาญและคุณได้ครอบคลุมอาณาเขตแล้ว
ความละเอียดอ่อนและความเฉพาะเจาะจง: ได้คำที่ถูกต้องทุกประการ
คำสองคำนี้ทำให้ผู้คนสับสนเพราะฟังดูใช้แทนกันได้จนกว่าคุณจะยึดพวกเขาอย่างเหมาะสม
ความไว เป็นคุณสมบัติของการทดสอบ ซึ่งวัดในผู้ที่ เป็นโรค การทดสอบที่มีความละเอียดอ่อนสูงแทบจะไม่พลาดกรณีที่แท้จริง — ผลลัพธ์ที่เป็นลบจะทำให้มั่นใจได้ ("SnNout": การทดสอบที่มีความละเอียดอ่อน เมื่อเป็นลบ จะถือว่าหมด) ลองนึกถึงการตรวจคัดกรอง เช่น D-dimer สำหรับเส้นเลือดอุดตันที่ปอด ซึ่งได้รับการออกแบบมาให้มีความละเอียดอ่อนเพื่อไม่ให้พลาดบางกรณี
ความเฉพาะเจาะจง ยังเป็นคุณสมบัติของการทดสอบ ซึ่งวัดในผู้ที่ ไม่มีโรค การทดสอบที่มีความเฉพาะเจาะจงสูงมักไม่ค่อยทำเครื่องหมายผลบวกลวง - ผลลัพธ์ที่เป็นบวกนั้นมีความหมาย ("SpPin": การทดสอบเฉพาะเจาะจง เมื่อเป็นบวก จะกฎเข้า) การทดสอบเพื่อยืนยัน เช่น VDRL สำหรับซิฟิลิสได้รับการออกแบบมาให้มีความเฉพาะเจาะจง
ค่าทำนายเชิงบวก (PPV) และ ค่าทำนายเชิงลบ (NPV) ขึ้นอยู่กับความชุก นี่เป็นแนวคิดที่มักทดสอบในบทความทางคลินิก: การทดสอบเดียวกันนี้มี PPV ต่ำกว่าในประชากรที่มีความชุกต่ำมากกว่าในคลินิกที่มีความเสี่ยงสูง หากคำถามบอกคุณว่าการทดสอบมีความไว 95% และความจำเพาะ 95% แต่ใช้ในประชากรที่มีโรคนี้เพียง 1 ใน 1,000 คน PPV ก็จะยังคงอยู่ในระดับต่ำ ทำงานผ่านตรรกะนั้นครั้งหนึ่งด้วยจำนวนจริง แล้วมันจะอยู่กับคุณ
ความเสี่ยงสัมบูรณ์ ความเสี่ยงสัมพัทธ์ และ NNT
คำถามด้านการแพทย์ตามหลักฐานใน PLAB 1 มักจะเน้นไปที่ความแตกต่างระหว่างการลดความเสี่ยงแบบ ญาติ และ แบบสัมบูรณ์ เสมอ เนื่องจากความแตกต่างดังกล่าวมีความสำคัญอย่างมากในการปฏิบัติงานทางคลินิกและในการประเมินการทดลองยา
- Absolute Risk Reduction (ARR) = ความเสี่ยงในกลุ่มควบคุม − ความเสี่ยงในกลุ่มบำบัด
- การลดความเสี่ยงสัมพัทธ์ (RRR) = ARR ۞ ความเสี่ยงในกลุ่มควบคุม แสดงเป็นเปอร์เซ็นต์
- จำนวนที่ต้องรักษา (NNT) = 1 ÷ ARR (โดยที่ ARR แสดงเป็นทศนิยม)
- ตัวเลขที่ต้องทำให้เกิดอันตราย (NNH) ใช้สูตรเดียวกันแต่ใช้กับเหตุการณ์ไม่พึงประสงค์
ตัวอย่างที่ใช้ได้ผล: หากยาลดความเสี่ยงของโรคหลอดเลือดสมองจาก 4% เหลือ 2% ARR จะเป็น 2% (0.02) ดังนั้น NNT จะเป็น 1 ۞ 0.02 = 50 RRR คือ 50% ซึ่งเป็นข้อมูลเดียวกัน แต่เป็นตัวเลขที่ฟังดูน่าประทับใจกว่ามาก โฆษณายามีแนวโน้มที่จะอ้างอิงถึง RRR; คำถามประเมินใน PLAB 1 คาดหวังให้คุณคำนวณ NNT NNT ที่ต่ำกว่าจะดีกว่า (คุณต้องรักษาผู้ป่วยน้อยลงเพื่อให้ได้รับประโยชน์)
ค่า P และช่วงความเชื่อมั่นที่ไม่มีวุฒิการศึกษาทางคณิตศาสตร์
คุณไม่จำเป็นต้องคำนวณค่า p ใน PLAB 1 คุณต้องตีความค่าดังกล่าวให้ถูกต้อง
ค่า p ต่ำกว่าเกณฑ์ทั่วไปที่ 0.05 หมายความว่าผลลัพธ์มี นัยสำคัญทางสถิติ ซึ่งไม่น่าจะเกิดขึ้นโดยบังเอิญเพียงอย่างเดียว โดยถือว่าสมมติฐานว่างเป็นจริง ไม่ได้หมายความว่าผลกระทบมีความสำคัญทางคลินิก ใหญ่ หรือเป็นเหตุ การทดลองครั้งใหญ่สามารถให้ค่า p = 0.001 สำหรับเอฟเฟกต์ที่น้อยเกินกว่าจะสำคัญในทางปฏิบัติช่วงความเชื่อมั่น (CI) จะบอกคุณถึงช่วงที่มูลค่าที่แท้จริงอาจอยู่ สำหรับอัตราส่วน (ความเสี่ยงสัมพัทธ์ อัตราต่อรอง อัตราส่วนอันตราย) 95% CI ที่ข้าม 1.0 หมายความว่าผลลัพธ์ไม่มีนัยสำคัญทางสถิติ - ผลกระทบอาจเป็นศูนย์ สำหรับค่าสัมบูรณ์ (เช่น ผลต่างค่าเฉลี่ย) การข้าม CI ของศูนย์จะมีความหมายเหมือนกัน คำถามมักจะขอให้คุณระบุว่าผลลัพธ์มีนัยสำคัญหรือไม่ หรือเลือกการศึกษาที่ CI ชี้ให้เห็นถึงผลลัพธ์ที่แท้จริง
การออกแบบการศึกษา: การรู้ว่าการศึกษาใดตอบคำถามใด
PLAB 1 ขอให้คุณเลือกรูปแบบการศึกษาที่เหมาะสมที่สุดสำหรับคำถามทางคลินิกที่กำหนดเป็นครั้งคราว รายการอ้างอิงสั้น ๆ :
- การทดลองแบบสุ่มที่มีกลุ่มควบคุม (RCT) — ดีที่สุดสำหรับประสิทธิภาพการรักษา ช่วยลดความสับสน
- การศึกษาตามรุ่น — เหมาะสำหรับการตรวจสอบปัจจัยเสี่ยงในอนาคต ให้ความเสี่ยงสัมพัทธ์
- การศึกษาเฉพาะกรณี — มีประสิทธิภาพสำหรับโรคหายาก ให้อัตราต่อรอง ไม่ใช่ความเสี่ยงสัมพัทธ์
- การศึกษาภาคตัดขวาง — ความชุก ณ จุดใดจุดหนึ่ง ไม่สามารถกำหนดเหตุได้
- การทบทวนอย่างเป็นระบบ / การวิเคราะห์เมตา — หลักฐานระดับสูงสุดสำหรับการตัดสินใจทางคลินิก เมื่อดำเนินการอย่างดี
หากคำถามถามเกี่ยวกับหลักฐานที่ดีที่สุดเกี่ยวกับประสิทธิผลของยาตัวใหม่ คำตอบมักจะเป็น RCT หรือการทบทวน RCT อย่างเป็นระบบเกือบทุกครั้ง หากถามเกี่ยวกับมะเร็งที่พบได้ยากและโอกาสเสี่ยงต่อการประกอบอาชีพ การศึกษาแบบมีกลุ่มควบคุมมักจะถูกต้อง
วิธีเจาะลึกแนวคิดเหล่านี้ก่อนวันสอบ
การทำความเข้าใจทฤษฎีมีงานเพียงครึ่งเดียว การใช้ภายใต้เงื่อนไขที่กำหนดคืออีกครึ่งหนึ่ง หัวข้อเหล่านี้ให้รางวัลแก่การฝึกฝนเชิงรุกมากกว่าการอ่านซ้ำแบบพาสซีฟ การทำงานผ่านคำถามที่มีคำตอบดีที่สุดเพียงข้อเดียวที่นำเสนอตาราง 2×2 และขอให้คุณคำนวณความไว หรือที่ให้ข้อมูลทดลองและขอ NNT จะสร้างการจดจำรูปแบบที่ข้อสอบต้องการ คลังคำถามของ Ant PLAB มีคลัสเตอร์หลักฐานและสถิติเฉพาะพร้อมคำอธิบายที่ใช้งานได้ เพื่อให้คุณสามารถดูได้อย่างชัดเจนว่าตรรกะผิดพลาดตรงไหนเมื่อคุณเลือกตัวเลือกที่ไม่ถูกต้อง และการวิเคราะห์ประสิทธิภาพจะทำเครื่องหมายหากพื้นที่พิมพ์เขียวนี้ทำให้คุณเสียคะแนนอย่างสม่ำเสมอ
คลัสเตอร์สถิติใน PLAB 1 มีขนาดเล็ก ตลอดทั้งการนั่งฟัง อาจมีคำถามเพียงไม่กี่ข้อเท่านั้น แต่คำถามเหล่านั้นเป็นคำถามที่มีคำตอบที่ถูกต้องชัดเจน โดยมีขอบเขตแนวคิดจำกัด ซึ่งผู้สมัครจำนวนมากยอมจำนนโดยไม่มีการต่อสู้ คุณทำงานหนักเกินไปในการสอบนี้จนเหลือคะแนนไว้บนโต๊ะสำหรับสูตรที่คุณสามารถเรียนรู้ได้ในช่วงบ่าย
คำถามที่พบบ่อย
ความแตกต่างระหว่างความไวและความจำเพาะในแง่ง่ายๆ คืออะไร ความไวจะวัดว่าการทดสอบตรวจพบผู้ที่ เป็นโรค ได้ดีเพียงใด (อัตราผลบวกที่แท้จริง) ในขณะที่ความจำเพาะจะวัดว่าการทดสอบสามารถระบุบุคคลที่ ไม่มี โรคได้ดีเพียงใด (อัตราผลลบที่แท้จริง) การทดสอบที่มีความไวสูงนั้นดีสำหรับการวินิจฉัย การทดสอบที่เฉพาะเจาะจงมากนั้นดีสำหรับการพิจารณา
ฉันจะคำนวณ NNT จากผลการทดลองทางคลินิกใน PLAB 1 ได้อย่างไร ลบอัตราเหตุการณ์ในกลุ่มการรักษาออกจากอัตราเหตุการณ์ในกลุ่มควบคุมเพื่อให้ได้ค่าการลดความเสี่ยงสัมบูรณ์ (ARR) NNT = 1 ÷ ARR (โดย ARR เป็นทศนิยม) ตัวอย่างเช่น ARR 5% (0.05) ให้ NNT เท่ากับ 20
ค่า p ต่ำกว่า 0.05 หมายความว่าการรักษามีประโยชน์ทางคลินิกหรือไม่ ไม่จำเป็น. นัยสำคัญทางสถิติ (p < 0.05) หมายความว่าผลลัพธ์ไม่น่าจะเกิดจากโอกาส แต่ไม่ได้กล่าวถึงขนาดหรือความสำคัญทางคลินิกของผลกระทบ การศึกษาขนาดใหญ่มากสามารถตรวจพบความแตกต่างที่มีนัยสำคัญทางสถิติซึ่งน้อยเกินไปที่จะเป็นประโยชน์ต่อผู้ป่วยแต่ละราย