Evidensbaseret praksis og medicinsk statistik — Bradford VTS

Bradford VTS · AKT Mastery Series

Evidensbaseret praksis og medicinsk statistik

Fordi "jeg læste noget online" ikke helt rækker i AKT.

🔥 Højtydende spidser til AKT ⚡ Effektiv læring på få minutter 💎 Skjulte perler, de glemmer at lære

Sidst opdateret: April 2026 · Også kendt som evidensbaseret medicin (EBM)

📥 Downloads

Udleverede ark, resuméer og ekstra undervisningsmateriale – klar, når du er klar.

sti: Evidensbaseret praksis er også kendt som evidensbaseret medicin eller EBM.

🌐

Webressourcer

En håndplukket blanding af officiel vejledning og praktiske træningsressourcer fra den praktiserende læge. Fordi nogle gange gemmer de bedste perler sig ikke i de officielle dokumenter.

📘 Kerne-EBM og statistik

CEBM — Oxford Centre for EBM Værktøjer, vejledninger og kritiske vurderingsressourcer Dr. Chris Cates' EBM-hjemmeside NNT-beregner og Cates-plotforklaring — fremragende GPnotebook — Statistik Kortfattet klinisk statistikreference bandolier Evidensbaseret sundhedspleje på letforståeligt sprog Cochrane Bibliotek Systematiske anmeldelser af guldstandarden

📗 AKT Revision & Eksamensforberedelse

NHS — Kliniske forsøg Enkle engelske vejledninger til forskningstyper Cambridge EBM-ressourcer Kritiske vurderingsværktøjer og vejledninger

📙 Yderligere læsning og værktøjer

NICE — Sådan bruger du evidens NICE-procesmanual til evidensgennemgang NNT forklaret — Manchester Interaktiv NNT-beregner og forklaring Sundhedsviden — Studiedesign Lærebog i folkesundhed om epidemiologi

⚡

Et-minuts tilbagekaldelse

Skal du scanne dette før klinikken – eller aftenen før en AKT-test? Det er disse ting, der giver dig point.

🧮 Risikoformler

ARR = CER − EER
NNT = 1 ÷ ARR
RRR = ARR ÷ CER
RR = EER ÷ CER
NNH = 1 ÷ ARI

🔬 Diagnostisk testning

Betydning = TP ÷ (TP+FN) → SnNout
Spec = TN ÷ (TN+FP) → SpPin
PPV = TP ÷ (TP+FP) ← falder med lav prævalens
NPV = TN ÷ (TN+FN) ← fald med høj prævalens

📊 Studiedesign

SR/Metaanalyse → højeste evidens
RCT → guldstandard for behandling
Kohorte → RR & incidens
Case-control → OR, sjældne sygdomme
Tværsnit → prævalens

📈 Grafer

Skovplot diamant krydser linje = ikke signifikant
Tragtasymmetri = publikationsbias
Cates-plot: NNT = 100 ÷ gule flader
Box plot midterlinje = median
I² >50% = betydelig heterogenitet

📉 Betydning

p < 0.05 = statistisk signifikant
CI krydser 1.0 (forhold) = ikke signifikant
CI krydser 0 (forskel) = ikke signifikant
Gennemsnit = gennemsnit; Median = midterværdi
68-95-99.7-reglen for normalfordeling

⚖️ Bias-typer

Udvælgelse → ikke-repræsentativ stikprøve
Husk → tilfælde husker mere
Publikation → kun positive studier
Leveringstid → screeningsillusion
Frafald → frafald forvrænger resultaterne

💡

Hvorfor dette er vigtigt i GP og AKT

EBM og statistik er ikke kun teoretiske. I din konsultation involverer enhver samtale om behandlingsmuligheder NNT'er, uanset om du nævner dem eller ej. Enhver blodprøve har en sensitivitet og specificitet. Enhver ny retningslinje er baseret på et studiedesign, der påvirker, hvor meget tillid du bør have til den.

I AKT-testen udgør dette emne en betydelig andel af karaktererne – cirka 10-15 % af opgaven ifølge RCGP-vejledningen. Det er et af de få områder, hvor en lille mængde målrettet repetition betaler sig. straksMange kandidater mister lette karakterer her, ikke fordi koncepterne er vanskelige, men fordi de aldrig har sat sig ned og lært dem systematisk.

Statistikspørgsmålene i AKT præsenterer ofte en tabel med forsøgsdata og beder dig om at beregne en værdi, fortolke en graf eller identificere det bedste studiedesign. De belønner metodisk tænkning, ikke medicinsk viden. Dette gør dem til de mest "lærbare" karakterer i opgaven.

Når du ved, hvordan man beregner NNT, fortolker et skovplot og forstår effekten af prævalens på PPV, bliver en hel kategori af AKT-spørgsmål ligetil snarere end skræmmende.

????

Evidensbaseret medicin (EBM)

"Da jeg var under uddannelse i midten af 1980'erne, gav jeg en intravenøs infusion af lidokain til alle patienter, der kom ind ad døren efter et hjerteanfald. Det var standarden. Alle gjorde det. Det virkede til at give perfekt mening."

— Professor Gordon Guyatt, lægen der opfandt udtrykket "evidensbaseret medicin", der beskriver sin egen uddannelse før EBM eksisterede

Han opdagede senere, at den praksis, han var blevet uddannet i – og som hundredtusindvis af læger verden over udførte – ikke blot var ubrugelig, men potentielt dræbte mennesker. Ikke på grund af uagtsomhed. Ikke på grund af inkompetence. Men fordi ingen nogensinde ordentligt havde testet, om den rent faktisk virkede.

Den historie er grunden til, at evidensbaseret medicin eksisterer – og hvorfor den er dybt vigtig for enhver patient, du nogensinde vil se.

📋 Hvad er evidensbaseret medicin?

"Den samvittighedsfulde, eksplicitte og fornuftige brug af den nuværende bedste evidens i forbindelse med beslutninger om pleje af individuelle patienter."

— David Sackett, BMJ 1996 — den mest citerede definition inden for medicin

Kort sagt: I stedet for at behandle patienter baseret på vane, meninger, traditioner eller hvad din professor har fortalt dig, kræver EBM, at du baserer kliniske beslutninger på den bedste tilgængelige forskning – grundigt udført, kritisk vurderet og ærligt fortolket.

Det erstatter ikke klinisk vurdering – det oplyser EBM hviler på tre uadskillelige søjler, der skal fungere sammen:

🔬

Bedste forskningsbevis

Klinisk relevant forskning af høj kvalitet — især fra RCT'er og systematiske reviews

🩺

Klinisk ekspertise

Den enkelte klinikers kompetencer og erfaring, opbygget gennem mange års praksis

🤝

Patientværdier og præferencer

Den enkelte patients omstændigheder, værdier og hvad der betyder mest for dem

🕰️ Hvordan opstod EBM? — En kort historie

EBM opstod ikke ud af ingenting. Det var kulminationen af årtiers stille revolutionær tænkning i Canada og Storbritannien.

År	Begivenhed
1938	John Paul (Yale) opfandt udtrykket "klinisk epidemiologi" - ideen om, at medicin bør studeres videnskabeligt i populationer, ikke kun observeres hos individuelle patienter.
1967	McMaster University (Hamilton, Canada) åbner sit nye medicinske fakultet med en afdeling for klinisk epidemiologi og biostatistik – radikal på det tidspunkt, dedikeret til at anvende forskningsmetoder i kliniske beslutninger
1972	Den skotske epidemiolog Archie Cochrane udgiver Effektivitet og produktivitet: Tilfældige refleksioner over sundhedsydelser — en skelsættende tekst, der argumenterer for, at medicinen skal teste sine egne behandlinger grundigt. Hans arbejde fører i sidste ende til Cochrane Collaboration, opkaldt efter ham.
1981	David Sackett og kolleger hos McMaster udgiver en artikelserie på ni artikler i Canadian Medical Association Journal, der underviser klinikere i kritisk vurdering af medicinsk litteratur. Dette er den formelle begyndelse på EBM-bevægelsen.
1990	Gordon Guyatt, en ung resident director på McMaster, designer et nyt undervisningsprogram og kalder det i første omgang "Videnskabelig Medicin". Kollegerne tøver – antydningen af, at den nuværende praksis ikke er videnskabelig, er for direkte.
1991	Guyatt omdøber tilgangen "Evidensbaseret medicin" og udgiver udtrykket i en lederartikel i ACP Journal Club. Sætningen hænger ved med det samme.
1992	Den skelsættende JAMA-artikel — "Evidensbaseret medicin: En ny tilgang til undervisning i lægepraksis" — introducerer EBM til verden. Reaktionen, husker Guyatt, var i første omgang "raseri". Kollegerne følte, at de fik at vide, at de ikke var gode læger.
1993	Cochrane Collaboration er formelt grundlagt – et internationalt netværk til at producere og formidle systematiske oversigter over sundhedsvidenskabelig evidens.
1996	David Sackett udgiver den definitive definition med tre søjler i BMJ. EBM bliver mainstream.
2000'erne – i dag	EBM bliver integreret i britisk uddannelse: NICE-retningslinjer, GMC's Good Medical Practice og RCGP-pensum kræver det alle. Det er fundamentet for, hvordan alle britiske læger nu uddannes og vurderes.

⚠️ Hvordan var medicin før EBM? Problemet den løste

Før EBM, kørte medicinen på det, som Gordon Guyatt mindeværdigt kaldte "GOBSAT" — Gode gamle drenge sidder omkring et bordKliniske retningslinjer blev skrevet af erfarne eksperter, der samlede deres personlige meninger, og hvad der skete med din patient, afhang helt af, hvilken læge der tilfældigvis så dem.

Verden før EBM

Eminensbaseret medicin: Du behandlede patienter på samme måde som din professor gjorde. Autoritet kom fra anciennitet, ikke beviser. En konsulent, der "altid havde gjort det på denne måde" i 30 år, blev henvist til – selvom "denne måde" aldrig var blevet testet.
Intuitionbaseret medicin: Hvis en behandling syntes at give fysiologisk mening, blev den anvendt. Hvis det virkede logisk at undertrykke unormale hjerterytmer, undertrykte man dem. Om det rent faktisk hjalp patienterne, blev sjældent testet.
Anekdotebaseret medicin: "Min erfaring er, at..." var bevisstandarden. Individuelle tilfælde var drivkraften bag praksis – selv når disse tilfælde var statistiske outliers.
Enorm variation: Den samme patient, der henvender sig til to forskellige hospitaler – eller endda to forskellige læger på samme hospital – kan modtage helt forskellig behandling for præcis den samme tilstand.

Ville du ønske en bro bygget baseret på "Jeg har designet broer på denne måde i 30 år, og ingen er faldet ned endnu"? Eller baseret på afprøvet konstruktionsvidenskab? Svaret er indlysende. Men i det meste af medicinens historie var brotilgangen præcis, hvad der skete.

🔴 Eksemplet der ændrede medicinen — CAST-forsøget

Dette er ikke hypotetisk. Det er en af de vigtigste sande historier i moderne medicin – og et af de stærkeste argumenter, som EBM nogensinde har haft brug for.

Opsætningen — Logikken Der Virkede Uangribelig

Hjerteanfald forårsager farlige hjerterytmeforstyrrelser (ventrikulære arytmier). Ventrikulære arytmier forårsager pludselig død. Derfor: undertrykke arytmierne → forhindre pludselig dødDette virkede så indlysende rigtigt, at antiarytmika - især lidokain, flecainid og encainid - fra 1970'erne og frem rutinemæssigt blev givet til patienter efter et hjerteinfarkt på hospitaler over hele verden. Ikke lejlighedsvis. Rutinemæssigt. Som standardbehandling.

Retssagen — Nogen testede den faktisk

I 1987 inkluderede Cardiac Arrhythmia Suppression Trial (CAST) over 1,700 patienter efter et myokardieinfarkt og randomiserede dem til enten antiarytmika (flecainid eller encainid) eller placebo. Lægemidlerne gjorde præcis, hvad de skulle – de undertrykte med succes arytmierne. Men der skete noget uventet.

Resultatet – hvad ingen forventede

Patienter på medicinen var 2.5 gange mere sandsynligt at dø end dem, der fik placebo. Forsøget måtte stoppes tidligt, fordi skaden var så tydelig. Lægemidlerne havde dræbt netop de patienter, de skulle beskytte.

NNH = 21. For hver 21 patienter behandlet med flecainid eller encainid døde én yderligere person, som ellers ville have overlevet.

The Lesson

Gordon Guyatt – dengang en ung kardiolog – havde personligt givet lidokain-infusioner til alle patienter med hjerteinfarkt, der kom gennem hans afdeling. Han fulgte bedste praksis. Han var blevet undervist korrekt. Han havde gode intentioner. Og alligevel, uden den strenge test i en RCT, havde hverken han eller hans kolleger nogen måde at vide, at behandlingen var skadelig. Denne oplevelse blev central for, hvorfor han dedikerede sin karriere til EBM. Medicinhistorien, sagde han senere, "er fuld af behandlinger, der hovedsageligt var baseret på gætværk og intuition snarere end solid evidens."

🌐 Hvordan EBM ændrede alt — Standardisering og enhed

Før EBM afhang din behandling af, hvor du boede, hvilket hospital du gik på, og hvilken læge du så. Den samme patient med den samme tilstand kunne modtage helt forskellige behandlinger i Leeds og London. Forskellige hospitaler. Forskellige lande. Vidt forskellige resultater.

EBM ændrede dette. Ved at forankre kliniske beslutninger til den samme mængde evidens – de samme forsøg, de samme systematiske reviews, de samme retningslinjer – gav det medicinen et fælles sprog og en fælles standard. I dag bør en patient, der præsenterer med et myokardieinfarkt i Bradford, og en patient, der præsenterer med et myokardieinfarkt i Bristol, stort set modtage den samme evidensbaserede behandling. Ikke fordi lægerne er identiske, men fordi behandlingen er drevet af evidensen, ikke af individuelle præferencer.

I Storbritannien implementeres dette via PÆRE retningslinjer, RCGP-pensum, QOF-indikatorer, kliniske revisionerog MRCGP-undersøgelser — som alle kræver og vurderer evidensbaseret praksis. Når du tager AKT-testen, bliver din evne til at anvende denne ramme testet.

🌍 En verden uden EBM — Det internationale billede

Storbritanniens engagement i EBM – gennem NICE, NHS og postgraduate uddannelse – er ikke universelt. I mange dele af verden afhænger det, du modtager som patient, stadig i høj grad af, hvem der ser dig, hvor du henvender dig, og hvor meget du kan betale. Forståelse af dette hjælper dig med at forstå, hvad EBM beskytter dine patienter imod.

🔴 Vigtig bemærkning før læsning

Den nedenfor beskrevne variation afspejler sundhedssystemer og -strukturer, ikke de enkelte lægers kompetence eller dedikation. Mange dygtige, hårdtarbejdende læger praktiserer i alle de anførte lande. Problemet er manglen på den standardiserende infrastruktur – retningslinjer, tilsyn, uddannelsesrammer – som EBM tilbyder. Individuelle læger kan ikke overvinde systemiske problemer alene.

Land/region	Hvordan praksis varierer uden stærke EBM-rammer
🇮🇳 Indien (privat sektor)	En 2018 Lancet Undersøgelsen viste kejsersnitsrater på 40-58% på private hospitaler sammenlignet med 10-14% på offentlige faciliteter – ofte drevet af økonomiske incitamenter snarere end klinisk behov. Overdreven undersøgelse og polyfarmaci er bredt dokumenteret i den private sektor. Den samme kræftpatient kan modtage dramatisk forskellig behandling baseret på, hvor de henvender sig, og hvad de har råd til.
🇵🇰 Pakistan	Betydelig variation i overholdelse af antibiotikaretningslinjer — en af de højeste antibiotikaordinationsrater i Sydasien. Lægemiddelresistent tuberkulose og antimikrobiel resistens er direkte konsekvenser. Adgang til specialiseret behandling og standardiserede behandlingsforløb er stærkt afhængig af geografi og indkomst.
🇳🇬 Nigeria / 🇬🇭 Ghana	Magnesiumsulfat er den WHO-anbefalede, evidensbaserede og billige behandling mod eklampsi. Undersøgelser viser, at det reducerer mødredødeligheden betydeligt. Tilgængeligheden og den faktiske anvendelse på nigerianske og ghanesiske faciliteter varierer dog enormt afhængigt af hospitalsressourcer og klinikernes uddannelse – hvilket betyder, at om en kvinde med eklampsi lever eller dør, kan afhænge af, hvilken klinik hun kommer til.
🇸🇩 Sudan / 🇮🇶 Irak	Langvarig konflikt og ustabilitet har ødelagt sundhedsinfrastrukturen. I Irak efter 2003 brød de offentlige sundhedsydelser sammen, implementeringen af retningslinjer gik i stå, og adgangen til basal medicin blev geografisk afhængig. I Sudan har konflikten forstyrret vaccinationsprogrammer, sundhedsydelser til mødre og håndtering af kroniske sygdomme. Variation i praksis i sådanne miljøer er ikke et spørgsmål om præference – det er et spørgsmål om, hvad der er tilgængeligt.
🇪🇬 Egypten / 🇮🇷 Iran	Begge lande har medicinske fakulteter, der uddanner kvalificerede læger, og har offentliggjort retningslinjer for elektronisk respons (EBM) – men implementeringen er inkonsekvent mellem den offentlige og private sektor og mellem by- og landområder. I Iran har internationale sanktioner påvirket tilgængeligheden af lægemidler og tvunget til tilpasninger, der afviger fra evidensbaserede protokoller.
🇷🇴 Rumænien	Rumænien har dokumenteret praksis med enkelt ("konvolutten") — uformelle kontantbetalinger til læger og sygeplejersker for at sikre pleje. Officielt ulovligt, udbredt. Parlamentariske undersøgelser og undersøgende journalistik har bekræftet, at kvaliteten af kirurgisk pleje kan afhænge af, hvad en patient kan betale privat, uanset deres officielle NHS-ækvivalente berettigelse. Hjerneflugt har anslået 14,000+ læger fjernet siden EU-tiltrædelsen.
🇺🇸 USA	Den dyreste sundhedspleje i verden — over 12,000 dollars pr. person om året — men resultaterne er ofte ikke bedre end i Storbritannien. Dartmouth Atlas-projektet har dokumenteret enorm geografisk variation i klinisk praksis: den samme patient i Miami kan modtage dobbelt så mange undersøgelser og procedurer som den samme patient i Minneapolis, uden forskel i resultater. En JAMA-undersøgelse fra 2019 anslog, at 935 milliarder dollars — cirka en fjerdedel af alle amerikanske sundhedsudgifter — spildes på unødvendig pleje. Opioidkrisen blev delvist drevet af, at medicinalvirksomheder påvirkede ordinationspraksis uden for EBM-rammerne.
🇫🇷 Frankrig	Frankrig har fremragende sundhedspleje – men antallet af antibiotikaudskrivninger har historisk set været blandt de højeste i Europa, delvist drevet af kulturelle forventninger om, at en konsultation altid skal afsluttes med en recept. Kampagner for at reducere dette ("Antibiotika er ikke automatiske") har hjulpet, men mønsteret illustrerer, hvordan kulturelt og kommercielt pres kan tilsidesætte evidensbaseret vejledning, selv i sofistikerede systemer.
🇮🇹 Italien	Sundhedskvaliteten i Norditalien (Milano, Bologna) er blandt de bedste i Europa. I dele af Syditalien er billedet meget anderledes — længere ventetider på kræftkirurgi, mindre konsekvent anvendelse af screeningsprogrammer, lavere overholdelse af retningslinjebaseret behandling. Geografisk oprindelse inden for samme land kan påvirke resultaterne betydeligt.
🇬🇷 Grækenland / 🇪🇸 Spanien	Grækenlands nedskæringskrise (2010-2015) førte til nedskæringer i sundhedsudgifterne på over 25 %, hvilket medførte dokumenteret mangel på medicin, personalereduktioner og kvalitetsforringelse. Over 35,000 sundhedsarbejdere emigrerede. I Spanien er der dokumenteret betydelig regional variation i kræftoverlevelsesrater – den tumor, man udvikler, kan opføre sig forskelligt afhængigt af hvilken region man bor i, ikke fordi biologien er forskellig, men fordi systemets anvendelse af evidensbaseret behandling er det.

💊 Når det, du får, afhænger af, hvad du betaler

I sundhedssystemer uden robuste EBM-rammer eller universelle rettigheder er forholdet mellem betaling og behandlingskvalitet ofte direkte og dokumenteret:

På nogle indiske privathospitaler kan en patient, der kommer med brystsmerter og kan betale for privat behandling, få øjeblikkelig kateterisation og stenting. Den samme patient i det offentlige system kan vente i timevis på et EKG.
I dele af Afrika syd for Sahara afhænger det af, hvilken klinik de henvender sig til, og hvad deres familie kan betale, om et barn med svær malaria får artemisinin-baseret kombinationsbehandling (den evidensbaserede standard) eller et ældre, mindre effektivt lægemiddel.
I lande uden universel adgang til medicin kan kræftkemoterapimidler kun være tilgængelige for dem, der kan betale af egen lomme – hvilket betyder, at identiske kræftformer har dramatisk forskellige resultater udelukkende baseret på indkomst.
I Rumænien og nogle andre østeuropæiske lande er det dokumenteret, at kvaliteten af et kirurgisk indgreb – kirurgens omhu, kvaliteten af anæstesiovervågningen og endda tilgængeligheden af postoperativ sygepleje – afhænger af uformel betaling, ikke klinisk behov.

✈️ Analogien der gør det klart

Hver gang du går ombord på et kommercielt fly, drager du fordel af et af de mest effektive sikkerhedssystemer, mennesker nogensinde har bygget. Ikke fordi individuelle piloter er exceptionelt talentfulde – selvom de er det. Men fordi luftfart er bygget op omkring standardiserede, evidensafprøvede protokollerHver pilot, hvert flyselskab, hvert land følger de samme tjeklister før flyvning, de samme landingsprocedurer, de samme nødprotokoller. Systemet beskytter dig uanset hvilken individuel pilot du får.

Medicin uden EBM er luftfart uden tjeklister. Din sikkerhed afhænger helt af, om du tilfældigvis får en god pilot, om piloten har trænet for nylig, om de har en god dag, og om de har hørt den seneste tankegang fra en person, de stoler på.

EBM erstatter held med systemer. Det erstatter "efter min erfaring" med "i 15,000 forsøg med 2 millioner patienter". Det erstatter meningen fra den, der tilfældigvis er den mest erfarne i rummet, med den akkumulerede dokumentation fra menneskehedens kollektive kliniske erfaring. Ville du ikke foretrække det for dine patienter? Ville dine patienter ikke foretrække det for sig selv?

💡 Hvorfor dette er vigtigt for dig som praktiserende læge i Storbritannien

Enhver NICE-retningslinje, du følger, er et produkt af en systematisk evidensgennemgang – nogen har gjort arbejdet med at sikre, at det, du gør, er understøttet af den bedste tilgængelige videnskab.
Hvert AKT-spørgsmål om statistik og forskningsmetoder tester din evne til kritisk at vurdere evidens – at være en aktiv forbruger af EBM, ikke en passiv følger af instruktioner.
Når du forklarer en NNT til en patient, eller diskuterer begrænsningerne ved en screeningstest, eller nægter at ordinere et antibiotikum, der ikke er indiceret, praktiserer du EBM – bevidst, eksplicit og omhyggeligt.
Og når en apoteksrepræsentant sidder overfor dig og fortæller dig, at deres nye medicin reducerer kardiovaskulære hændelser med 35%, er dit første spørgsmål – "35% relativt eller absolut?" – det spørgsmål, som EBM lærte medicinen at stille.

Studiedesign og evidenshierarki

Før du fortolker et resultat, skal du vide hvor det kom fraForskellige studiedesigns besvarer forskellige spørgsmål, genererer forskellige statistikker og har forskellige niveauer af pålidelighed.

Bevispyramiden

Stærkeste beviser øverst; svageste nederst

Systematiske anmeldelser og metaanalyser

Randomiserede kontrollerede forsøg (RCT'er)

Cohort Studies

Case-Control Studier

Tværsnitsstudier

Caserapporter og ekspertudtalelser

⬆ Stærkeste bevis | ⬇ Svageste bevis

Studere design	Lederskab	bedst til	genererer	Nøglesvaghed
Systematisk gennemgang / metaanalyse	—	Bedste samlede bevis på et spørgsmål	Størrelse på samlet effekt	Kun så god som de underliggende studier; heterogenitet
RCT (randomiseret kontrolleret forsøg)	Videresend	Virker behandling X?	RR, ARR, NNT	Dyrt, kunstigt miljø, etiske spørgsmål
Kohorteundersøgelse	Fremadrettet (prospektiv) eller bagudrettet (retrospektiv)	Forårsager eksponering udfald? Incidens?	Relativ risiko (RR), incidens	Frafald; dyrt over tid; forvirrende
Case-Control Study	Baglæns	Sjældne sygdomme; risikofaktorer	Oddsratio (OR)	Recall-bias; kan ikke beregne incidensen direkte
Tværsnitsstudie	Enkelt øjebliksbillede	Hvor almindelig er X lige nu? (prævalens)	Forekomst	Kan ikke fastslå årsagssammenhæng; tidsmæssig tvetydighed
Sagsrapport / Ekspertudtalelse	—	Hypotesegenerering; sjældne hændelser	Kun beskrivelse	Meget modtagelig for bias; ikke generaliserbar

📖 Kvalitativ vs. kvantitativ forskning

Kvantitativ forskning

Svarer "hvor mange" eller "hvor meget". Bruger tal, statistik og strukturerede data. Eksempler: RCT'er, kohortestudier, spørgeskemaer med numeriske resultater. Genererer p-værdier, konfidensintervaller (CI'er), ikke-nonsensible numeriske resultater (NNT'er).

Kvalitativ forskning

Svarer på "hvorfor" eller "hvordan". Bruger ord, temaer og interviews. Eksempler: fokusgrupper, etnografiske studier, grounded theory. Udforsker patienters oplevelser og overbevisninger.

I AKT: et spørgsmål om patienters holdninger, oplevelser eller forståelse af sygdom → kvalitativt. Et spørgsmål om rater, resultater eller effektivitet → kvantitativt.

🔬 Systematisk gennemgang vs. metaanalyse — Ikke det samme

Systematisk gennemgang: En grundig, struktureret litteratursøgning, der identificerer, udvælger og kritisk vurderer alle relevante studier vedrørende et spørgsmål. Resultatet er en kvalitativ opsummering af evidensen.

Meta-analyse: En systematisk gennemgang, der går et skridt videre – den matematiske puljer de kvantitative resultater fra flere studier i et enkelt kombineret estimat. Ikke alle systematiske reviews inkluderer en metaanalyse (f.eks. hvis studierne er for heterogene til at kombinere).

Tænk på en systematisk gennemgang som at læse hver eneste bog om et emne og skrive en rapport. En metaanalyse er den rapport med en formel til sidst, der gennemsnittet af alle forfatternes konklusioner til ét tal.

🔄 PICO-rammen

PICO er standardrammen for strukturering af et klinisk forskningsspørgsmål – der bruges til at søge i litteraturen og designe studier.

Brev	Står for	Eksempel
P	Befolkning / Patient	Voksne med type 2-diabetes
I	Intervention	SGLT2-hæmmere
C	Sammenligning	Metformin alene
O	Resultat	Kardiovaskulære hændelser efter 5 år

AKT'en kan præsentere et scenarie og spørge, hvilket studiedesign der bedst besvarer PICO-spørgsmålet. Match udfaldstypen med det korrekte design ved hjælp af tabellen ovenfor.

🎲 RCT-designfunktioner (almindeligt testede)

Feature	Hvad det betyder	Hvorfor det drejer sig om
Randomisering	Deltagere tilfældigt fordelt i grupper	Eliminerer udvælgelsesbias; afbalancerer konfunderende faktorer
Enkeltblind	Deltagerne kender ikke deres tildeling	Reducerer placeboeffekten og deltagerbias
Dobbelt blind	Hverken deltagere eller forskere kender tildelingen	Eliminerer observatørbias OG deltagerbias
Triple blind	Deltagere, forskere OG dataanalytikere blindet	Maksimal biasreduktion
Behandlingsintention (ITT)	Analyseret i deres oprindelige gruppe uanset overholdelse	Bevarer randomisering; afspejler brug i den virkelige verden
Pr. protokol	Kun analyseret, hvis de har gennemført protokollen	Viser biologisk effekt, men overvurderer den reelle fordel
Crossover-design	Deltagerne modtager begge behandlinger i rækkefølge	Hver person fungerer som sin egen kontrol; kræver udvaskningsperiode
Skjulning af allokering	Den person, der rekrutterer deltagere, kan ikke se, hvilken gruppe den næste deltager bliver tildelt, før efter de er blevet tilmeldt	Forhindrer rekruttereren i ubevidst (eller bevidst) at allokere sundere patienter til behandlingsgruppen – en form for udvælgelsesbias, som randomisering alene ikke forhindrer.
Klynge-RCT	Hele grupper (f.eks. praktiserende lægepraksisser, afdelinger, skoler) randomiseres i stedet for enkeltpersoner	Anvendes når individuel randomisering er upraktisk (f.eks. test af en ny konsultationsstil). Kræver større stikprøvestørrelser og statistisk justering for klyngeeffekt.

⚠️ AKT-fælde — ITT vs. pr. protokol

Intention om at behandle giver en mere konservativ (lavere) estimat af effektivitet — fordi det inkluderer ikke-adhærente deltagere. Dette er den foretrukne analyse til kliniske beslutninger. Overvurderer effektiviteten ifølge protokollen, men er nyttig til at forstå den biologiske mekanisme.

⚖️ Forsøg med overlegenhed, ikke-underlegenhed og ækvivalens

Ikke alle forsøg stiller det samme spørgsmål. AKT tester lejlighedsvis, om du forstår, hvad et forsøg rent faktisk var designet til at vise – og hvorfor det er vigtigt, når du fortolker dets resultater.

Prøvetype	Spørgsmålet der stilles	Fælles kontekst
Overlegenhedsprøve	"Er den nye behandling bedre end sammenligningsobjektet?"	De fleste standard RCT'er — afprøvning af et helt nyt lægemiddel eller en helt ny tilgang
Ikke-inferioritetsforsøg	"Er den nye behandling ikke værre end sammenligningsfaktoren med mere end en forudbestemt lille margin?"	Nyt lægemiddel med færre bivirkninger, lavere omkostninger eller lettere at administrere — målet er at vise, at det er "godt nok"
Ækvivalensprøve	"Er de to behandlinger stort set det samme?"	Biosimilære lægemidler; generiske lægemidler; forskellige administrationsveje

💡 Hvorfor ikke-inferioritetsforsøg er vigtige i praktiserende læger

Et nyt antikoagulant middel kan vise sig at være "ikke-inferiør" i forhold til warfarin til forebyggelse af slagtilfælde – ikke bedre, men heller ikke betydeligt dårligere – samtidig med at det er lettere at bruge (ingen INR-monitorering). Det er et klinisk værdifuldt fund, selvom lægemidlet ikke "slog" warfarin. AKT-testen kan bede dig om at fortolke et resultat af et ikke-inferiørt forsøg korrekt.

⚠️ AKT-fælde

Et non-inferioritetsforsøg, der viser "ingen signifikant forskel", er ikke det samme som et superioritetsforsøg, der viser "ingen signifikant forskel". I et superioritetsforsøg betyder et ikke-signifikant resultat, at du ikke kunne bevise, at det nye lægemiddel virker bedre. I et ikke-inferioritetsforsøg er en ikke-signifikant forskel præcis, hvad du håbede på.

Forskningsbias, validitet og pålidelighed

Type bias	Definition	Hvilke studiedesigns?	Sådan reducerer du det
Udvælgelse Bias	Deltagerne er ikke repræsentative for målgruppen	Alle typer	Randomisering; omhyggelig stikprøveudtagning
Husk Bias	Tilfælde (personer med sygdom) husker tidligere eksponeringer mere levende end kontrolpersoner	Case-kontrol undersøgelser	Objektive datakilder; standardiserede spørgsmål
Publikationsbias	Positive/signifikante studier publiceres oftere end negative	Metaanalyser (opdaget via tragtplot)	Registrering af forsøg; søgning i grå litteratur
Frafaldsbias	Tab af deltagere til opfølgning forvrænger resultaterne (deltagere, der frafalder, adskiller sig fra deltagere, der gennemfører)	Kohortestudier, RCT'er	Intention-to-treat-analyse; minimer frafald
Leveringstidsbias	Screening giver illusionen af forbedret overlevelse ved at opdage sygdommen tidligere	Screeningsstudier	Brug sygdomsspecifik dødelighed, ikke overlevelse fra diagnosetidspunktet
Længdebias	Screening opdager mere langsomt voksende (mindre aggressiv) sygdom	Screeningsstudier	RCT'er med sygdomsspecifikke udfald
Observatør-/vurderingsbias	Kendskab til behandlingsallokering påvirker resultatvurderingen	RCTs	Blænding (enkelt, dobbelt, tredobbelt)
Hawthorne-effekten	Deltagerne ændrer deres adfærd, fordi de ved, at de bliver observeret	Alle typer, især observationsbaserede	Kontrolgrupper; blinde observatører
Verifikationsbias	Kun patienter med et positivt testresultat får guldstandardens bekræftende test – så sensitiviteten synes falsk høj, og specificiteten falsk lav.	Diagnostiske teststudier	Sørg for, at alle patienter (positive og negative) får guldstandardtesten
Forvirrende	En tredje variabel er forbundet med både eksponering og resultat, hvilket forvrænger den tilsyneladende sammenhæng.	Observationsstudier	Randomisering (RCT'er); stratificering; multivariat analyse

Klassisk konfunderende eksempel: "Issalg er forbundet med drukning." Er is farligt? Nej - begge stiger om sommeren. Sæsonen er konfunderende faktorer. Dette illustrerer, hvorfor korrelation ≠ årsagssammenhæng, og hvorfor der skal kontrolleres for konfunderende faktorer.

🔀 Forvirrende — Når to ting ser ud til at være forbundet, men ikke er det

Konfundering er et af de vigtigste begreber inden for forskningsmetodologi – og en af de mest almindelige årsager til, at tilsyneladende overbevisende observationsresultater viser sig at være forkerte. Hovedideen er enkel: To ting kan synes at være forbundet, ikke fordi de direkte påvirker hinanden, men fordi begge er knyttet til en skjult tredje variabel.

🔴 Kernedefinitionen

A forvirrer (eller forstyrrende variabel) er en tredje variabel, der er uafhængigt forbundet med både eksponeringen og resultatet. Det skaber en falsk (ukorrekt) sammenhæng – eller maskerer en reel – mellem eksponeringen og det resultat, du studerer.

Forestil dig, at du bemærker, at folk, der bærer lightere, har større risiko for at udvikle lungekræft. Skal vi forbyde lightere? Nej - den virkelige synder er rygning. Rygning er forbundet med både at bære en lighter og udvikle lungekræft. Rygning er den forstyrrende faktor. Sammenhængen mellem lighter og kræft kan fuldt ud forklares af den.

Klassiske eksempler

Tilsyneladende forbindelse	Forvirringsmanden	Hvorfor det forklarer alt
Issalg → druknedødsfald	Varmt vejr (sommer)	Varmt vejr forårsager både mere isspisning OG mere svømning → flere drukneulykker. Is forårsager ikke drukneulykker.
Kaffeindtagelse → lungekræft	Smoking	Rygere drikker i gennemsnit mere kaffe. Tidlige undersøgelser forbandt kaffe med kræft – indtil rygning blev kontrolleret.
At bære en lighter → lungekræft	Smoking	Rygere bærer lightere. Lighteren har ingen biologisk effekt – det har rygning.
Gråt hår → hjertesygdom	Alder	Både gråt hår og hjertesygdomme stiger med alderen. Alder er den afgørende faktor – ikke hårfarve.
Skostørrelse → læseevne (hos børn)	Alder	Ældre børn har større fødder OG læser bedre. Alder forklarer begge dele.

📐 De tre kriterier for en sand confounder

En variabel er en konfounder, hvis den møder alle tre af disse:

Det er forbundet med eksponering (det du studerer)
Det er forbundet med udfald (det resultat du måler)
Det er ikke på den kausale vej mellem eksponering og resultat (det er en separat tredje variabel, ikke et trin derimellem)

💡 Sådan kontrollerer du for konfundering

Randomisering (i RCT'er) — fordeler kendte og ukendte konfoundere ligeligt mellem grupperne. Dette er den stærkeste beskyttelse.
Begrænsning — kun tilmelde deltagere, der ligner hinanden på confounder-faktoren (f.eks. kun ikke-rygere i kaffeundersøgelsen)
Matchende — parre tilfælde og kontroller på konfoundervariablen
stratificering — analyser resultaterne separat for hvert niveau af konfunderingsfaktoren
Multivariat statistisk justering — statistisk tage højde for flere konfunderende elementer samtidigt

⚠️ Hvorfor konfundering primært er et problem i observationsstudier

I et veludført RCT fordeler randomisering konfoundere (både kendte og ukendte) ligeligt mellem grupperne – hvilket eliminerer konfoundering som en forklaring på forskelle. I kohorte- og case-control-studier kan man kun justere for konfoundere, man kender til og har målt. Umålte konfoundere forbliver altid en potentiel forklaring på enhver observeret sammenhæng – hvilket er grunden til, at observationsstudier aldrig definitivt kan bevise årsagssammenhæng.

✅ Validitet og pålidelighed — Hvad er forskellen?

Intern gyldighed

Måler undersøgelsen det, den hævder at måle, inden for undersøgelsespopulationen? Er resultaterne af denne Er undersøgelsen troværdig? Truet af bias og forvirring.

Ekstern validitet (generaliserbarhed)

Kan resultaterne overføres til andre populationer eller virkelige miljøer? En strengt kontrolleret RCT på et specialiseret center afspejler muligvis ikke, hvad der sker i primærplejen.

Pålidelighed (reproducerbarhed)

Giver testen ensartede resultater, når den gentages under de samme betingelser? Målt ved interrater-reliabilitet (kappa-statistik) eller test-retest-reliabilitet.

Kappa-statistik (κ)

Måler overensstemmelse mellem to bedømmere ud over tilfældighed. κ = 1 (perfekt overensstemmelse); κ = 0 (overensstemmelse ikke bedre end tilfældighed); κ < 0 (dårligere end tilfældighed).

Måling af risiko og behandlingseffekt

Dette er den det mest testede område i AKT-statistik. Du skal kende disse formler grundigt og være i stand til at anvende dem på forsøgsdatatabeller under eksamensforhold.

Forestil dig, at du er på et casino. Lotteriet siger, at du har fordoblet dine vinderchancer – det lyder fantastisk. Men hvis du gik fra 1 til 2 på 1 million, er den relative forbedring 100 %, men den absolutte forskel er stadig stort set ingenting. Det er forskellen mellem RRR og ARR. Medicinalvirksomheder elsker at oplyse RRR. Du bør altid spørge efter ARR.

De vigtigste målinger

Absolut risikoreduktion (ARR)

ARR = CER − EER

Den faktiske forskel i hændelsesrater mellem grupperne. Den mest klinisk ærlige måleenhed.

Relativ risikoreduktion (RRR)

RRR = (CER − EER) ÷ CER

Lyder ofte mere imponerende — kan være misvisende uden at kende den grundlæggende risiko. Alternativ formel: RRR = 1 − RR (siden RR = EER÷CER, RRR = 1 − den værdi).

Relativ risiko (RR)

RR = EER ÷ CER

Anvendes i kohortestudier og RCT'er. RR på 1 = ingen effekt; <1 = reduceret risiko; >1 = øget risiko.

Antal nødvendige behandlinger (NNT)

NNT = 1 ÷ ARR

Hvor mange patienter der skal behandles for at forhindre ét dårligt udfald. Lavere = mere effektivt. Rund altid OP.

Antal nødvendige for at skade (NNH)

NNH = 1 ÷ ARI

Hvor mange patienter der skal behandles for at forårsage én yderligere bivirkning. Højere = sikrere behandling.

Absolut risikoforøgelse (ARI)

ARI = EER − CER

Den yderligere risiko, der er forbundet med en skadelig eksponering eller behandlingsbivirkning.

📊 NNT-fortolkning — Hvad betyder tallene egentlig?

⚠️ Almindelig forvirring — Lavere NNT = Bedre (ikke værre)

NNT fortæller dig, hvor mange patienter du skal behandle en at drage fordel. Så færre Jo flere patienter du skal behandle for at opnå én fordel, desto mere effektiv er behandlingen. NNT = 2 betyder, at 1 ud af hver 2 patienter oplever fordele – det er fremragende. NNT = 100 betyder kun 1 ud af 100 fordele – meget svagere.

Tænk på at uddele paraplyer på en regnvejrsdag. NNT = 2 → giv 2 paraplyer, 1 person holder sig tør — meget effektivt. NNT = 100 → giv 100 paraplyer, kun 1 person undgår at blive våd — ret skuffende.

NNT-rækkevidde	Grov fortolkning	Eksempel kontekst
<10	Meget effektiv	Antibiotika til visse infektioner; nogle akutte behandlinger
10 - 50	Moderat effekt	Mange almindelige forebyggende lægemidler
> 100	Svag effekt	Nogle forebyggende strategier på befolkningsniveau

⚠️ Disse bands er uformelle — Kontekst er alt

Disse tærskler er ikke fra NICE eller RCGP — de er kun grove undervisningsmidler. Den "rigtige" NNT er altid kontekstafhængig:

En NNT af 100 kan stadig være umagen værd hvis det forhindrede udfald er død eller alvorlig uoprettelig skade
En NNT af 5 er muligvis ikke acceptabelt hvis behandlingen har hyppige eller alvorlige bivirkninger

Regel på én linje: NNT fortæller dig, hvor mange patienter du behandler, for at én patient kan drage fordel – lavere = stærkere effekt. Men vej det altid op mod resultatets sværhedsgrad og behandlingens byrde.

🔄 Forveksl ikke NNT med % fordel

Hvis 60 ud af 100 patienter har gavn af behandlingen, er det en ARR på 60 % (= 0.6), hvilket giver NNT = 1 ÷ 0.6 ≈ 1.7 — et fremragende resultat. NNT er ikke antallet, der drager fordel; det er antallet, du behandler for at få en fordel.

📖 Odds Ratio og Hazard Ratio — Hvornår bruges disse?

Måle	Brugt i	Fortolkning
Relativ risiko (RR)	Kohortestudier, RCT'er	Sammenligner direkte risiko i to grupper. Mere intuitiv end OR.
Oddsratio (OR)	Case-kontrol undersøgelser	Sammenligner odds for eksponering i tilfælde vs. kontrolgruppe. Estimerer RR, når sygdommen er sjælden.
Hazard Ratio (HR)	Overlevelsesanalyse (tid til hændelse)	Ligesom RR, men tager højde for hvornår Hændelser forekommer over tid. HR <1 = reduceret risiko i behandlingsgruppen.

⚠️ AKT-fælde — ELLER ≠ RR

For almindelige sygdomme overvurderer OR risikoen sammenlignet med RR. For sjældne sygdomme (<10% prævalens) er de omtrent lige store. Et case-control-studie genererer en OR — du kan ikke beregn incidens eller RR direkte fra et case-control-studie.

🧮 Udarbejdet eksempel — Beregning af NNT ud fra forsøgsdata

🎯 Scenarie: Statinforsøg

Et 5-årigt RCT viser, at blandt patienter med høj kardiovaskulær risiko fik 6% i placebogruppen et hjerteanfald, sammenlignet med 4% i statingruppen.

1 CER (Kontrolhændelsesrate) = 6% = 0.06 EER (Eksperimentel hændelsesrate) = 4% = 0.04

2 ARR = CER − EER = 0.06 − 0.04 = 0.02 (2%)

3 NNT = 1 ÷ ARR = 1 ÷ 0.02 = 50
Behandle 50 patienter i 5 år for at forhindre 1 hjerteanfald

4 RRR = ARR ÷ CER = 0.02 ÷ 0.06 = 33%
Lyder imponerende! Men den absolutte fordel er kun 2%.

5 RR = EER ÷ CER = 0.04 ÷ 0.06 = 0.67
Statingruppen havde 67 % af risikoen i forhold til placebogruppen – en relativ reduktion på 33 %.

💡 Den kliniske bundlinje

Når en patient spørger "Vil dette statin hjælpe mig?", skal du bruge NNT. "Hvis 50 mennesker som dig tager denne tablet i 5 år, vil 1 hjerteanfald blive forhindret. For dig personligt er det en absolut fordel på 2%." Det er langt mere ærligt end "Det reducerer din risiko med 33%."

💬 Risikokommunikation til patienter (AKT-favorit)

AKT tester ofte, hvordan man ville forklare statistiske oplysninger til patienter. Der er fire hovedformater:

dannet	Eksempel	bedst til
Naturlig frekvens	"5 ud af hver 100 personer"	Nemmest for patienter at forstå
Procent	"5% af befolkningen"	Bredt brugt, men kan vildlede
NNT	"Behandl 20 for at forhindre 1 hændelse"	Kommunikerer den absolutte fordel tydeligt
Cates-plot	Visuelt gitter med 100 ansigter	Det bedste visuelle hjælpemiddel til fælles beslutningstagning

🚨 Brug aldrig RRR alene, når du kommunikerer risiko

At sige "dette reducerer din risiko med 33%" uden at angive den grundlæggende risiko er misvisende. En RRR på 33% fra en basislinje på 0.3% betyder, at din absolutte fordel er 0.1%. Kombiner altid RRR med basislinjerisiko, eller angiv ARR/NNT i stedet.

💊 Tricket med lægemiddelrepræsentanten — Hvordan medicinalfirmaer laver statistikker

Repræsentanter for lægemiddelvirksomheder er trænet til at præsentere forsøgsdata i det mest gunstige lys. De bruger et simpelt, men effektivt statistisk trick:

Fordele → angivet som relativ risikoreduktion (RRR) — fordi det lyder større og mere imponerende
Skader → angivet som absolut risikoforøgelse (ARI) — fordi det lyder mindre og mindre bekymrende

Udarbejdet eksempel — et fiktivt besøg hos en statinrepræsentant

Et nyt statin reducerer hjerteanfald fra 2% til 1% over 5 år, men øger myopati fra 1% til 2%.

Hvad repræsentanten siger	Hvad det egentlig betyder
"Dette lægemiddel reducerer hjerteanfald ved at 50%"	RRR = 50% — men ARR er kun 1%NNT = 100. Behandl 100 personer i 5 år for at forebygge 1 hjerteanfald.
"Risikoen for myopati stiger kun med 1%"	ARI = 1% — men det er faktisk en fordobling af myopatirisikoen (relativ risikostigning = 100%).

Den ærlige version: "Hvis 100 patienter tager denne medicin i 5 år, undgår 1 ekstra person et hjerteanfald – og 1 ekstra person udvikler myopati." Samme data. Helt anderledes indtryk.

Modgiften: spørg altid – "Hvad er den absolutte forskel?" Når en repræsentant angiver et relativt tal, skal du selv omregne det: ARR = CER − EER, så NNT = 1 ÷ ARR. Dette gælder ligeledes for ydelser. og skader.

Diagnostisk testning og screening — 2×2-tabellen

2×2-kontingenstabellen er grundlaget for al diagnostisk statistik. Hvis du kan opbygge og læse denne tabel, kan du besvare de fleste diagnostiske AKT-spørgsmål.

2×2-bordet

	FAKTISK SYGDOMSTATUS
TESTRESULTAT	Sygdom Præsenter	Sygdom Fraværende
Test positiv	Sand positiv (TP) Testen siger JA → har sygdom ✓	Falsk positiv (FP) Testen siger JA → ingen sygdom ✗
Test negativ	Falsk negativ (FN) Testen siger NEJ → har sygdom ✗	Sand negativ (TN) Testen siger NEJ → ingen sygdom ✓

Følsomhed

TP ÷ (TP + FN)

Andel af personer MED sygdom, der tester positive. "Hvor gode til at blive smittet?"

Specificitet

TN ÷ (TN + FP)

Andel af personer UDEN sygdom, der tester negativt. "Hvor gode til at udelukke sygdom?"

Positiv prædiktiv værdi (PPV)

TP ÷ (TP + FP)

Sandsynligheden for, at en positiv test virkelig betyder sygdom. Påvirket af prævalens.

Negativ prædiktiv værdi (NPV)

TN ÷ (TN + FN)

Sandsynligheden for, at en negativ test virkelig betyder ingen sygdom. Påvirket af prævalens.

🧠 SnNout & SpPin — Hukommelseshjælpemidlerne (og hvorfor de virker)

SnNout

Snud: En meget Sensitiv test, hvis Nnegativ, styrer sygdommen Out.

Hvis sensitiviteten er meget høj, betyder et negativt testresultat, at sygdommen er meget usandsynlig (lav falsk-negativ rate). Brug en sensitiv test til at screene og udelukke.

SpPin

Spi: En meget Speffektiv test, hvis Ppositiv, styrer sygdommen In.

Hvis specificiteten er meget høj, betyder et positivt testresultat, at sygdommen er meget sandsynlig (lav falsk positiv rate). Brug en specifik test til at bekræfte diagnosen.

Tænk på følsomhed som en meget følsom røgalarm – den går i gang ved alt, inklusive brændt brød. Den vil aldrig overse en rigtig brand (SnNout). Specificitet er en velkalibreret alarm, der kun udløses ved faktiske brande – hvis den går i gang, kan du være sikker på, at der virkelig er en brand (SpPin).

📊 Effekten af prævalens på PPV og NPV — Kritisk AKT-emne

Dette er et af de vigtigste og mest testede koncepter inden for diagnostisk statistik. Sensitivitet og specificitet er faste egenskaber ved testen. Men PPV og NPV ændrer sig dramatisk afhængigt af, hvor almindelig sygdommen er i den population, du tester.

Forestil dig, at du bruger den samme graviditetstest på en fertilitetsklinik (60 % af kvinderne er gravide) versus hos en tilfældig praktiserende læge (5 % af kvinderne kan være gravide). Samme test – samme sensitivitet/specificitet. Men et positivt resultat betyder noget meget forskelligt i hver situation.

Scenario	Forekomst	PPV	NPV
Screening af den generelle befolkning for en sjælden sygdom (f.eks. HIV i lavrisikogruppen)	1%	LAV (~16%)	HØJ (~99.9%)
Testning på en specialistklinik med høj risiko	50%	HØJ (~95%)	HØJ (~95%)

🔴 Vigtige regler at huske

Som prævalens ↑ → PPV ↑, NPV ↓
Som prævalens ↓ → PPV ↓, NPV ↑
I en population med lav prævalens er de fleste positive resultater falsk positive (lav PPV) – selv med en meget specifik test
En negativ test i en population med høj prævalens kan stadig overse sygdom (lavere NPV)

📐 Sandsynlighedsforhold — Når du vil gå længere

Sandsynlighedsforhold (LR'er) kombinerer sensitivitet og specificitet i et enkelt tal, der fortæller dig, hvor meget et testresultat ændrer sandsynligheden for sygdom. Mere avanceret end PPV/NPV, men nyttigt – og testes lejlighedsvis i AKT.

Positiv sandsynlighedsratio (LR+)

LR+ = Sensitivitet ÷ (1 − Specificitet)

Hvor meget mere sandsynligt er en positiv test ved sygdom vs. ingen sygdom? LR+ >10 = stærk evidens for sygdom.

Negativ sandsynlighedsratio (LR−)

LR− = (1 − Sensitivitet) ÷ Specificitet

Hvor meget mere sandsynligt er en negativ test ved sygdom vs. ingen sygdom? LR− <0.1 = stærk evidens mod sygdom.

LR+	Effekt på sandsynlighed efter testen
> 10	Stor og ofte afgørende stigning i sandsynligheden
5-10	Moderat stigning
2-5	Lille stigning
1	Ingen ændring (testen er ubrugelig)
0.1-0.5	Lille til moderat fald
<0.1	Stort fald — stærk negativ udelukkelse

Fagans nomogram bruger LR'er grafisk — du tegner en linje fra sandsynligheden før testen gennem LR'en for at aflæse sandsynligheden efter testen. Hvis du ser dette i AKT'en, skal du huske: en positiv test forskyder sandsynligheden up, en negativ test forskyder den ned.

Befolkningsstatistik og epidemiologi

forekomst

Nye tilfælde ÷ Befolkning i risiko × multiplikator

Foranstaltninger risikoTæller kun NYE tilfælde over en defineret tidsperiode.

Punktprævalens

Alle eksisterende tilfælde ÷ Samlet befolkning

Foranstaltninger sygdomsbyrdeTæller ALLE tilfælde (nye og gamle) på et bestemt tidspunkt (tidspunkt T). Skrives også som: Tilfælde på tidspunkt T ÷ Befolkning på tidspunkt T.

Incidens er antallet af nye elever, der starter på en skole i år. Prævalens er det samlede antal elever, der i øjeblikket går på skolen (nye + eksisterende). En kronisk sygdom med lav incidens kan stadig have en høj prævalens, hvis folk lever med den i årevis.

📊 Standardiseret dødelighedsratio (SMR)

SMR-formel

(Observerede dødsfald ÷ Forventede dødsfald) × 100

Justerer for alder og køn ved sammenligning af dødelighed mellem populationer.

SMR-værdi	Fortolkning
= 100	Dødelighed samme som referencepopulationen
> 100	Overdødelighed (højere end forventet)
<100	Lavere dødelighed end forventet

AKT-spørgsmålstype: "Et minesamfund har en SMR på 145. Hvad betyder det?" → Overdødelighed — 45 % flere dødsfald end forventet i en sammenlignelig generel befolkning.

🎯 Screening — Leveringstid og længdebias (vigtige AKT-fælder)

🔴 Leveringstidsbias

Screening opdager en sygdom tidligere, hvilket får det til at se ud som om, at overlevelsen er forbedret – selvom patienten dør på samme tidspunkt. "Overlevelsestiden fra diagnose" er simpelthen blevet forlænget ved tidlig opdagelse, ikke ved faktisk behandlingsfordel. Patienten lever ikke længere; de ved bare, at de lever længere.

🟠 Længdeforskydning

Screeningsprogrammer er mere tilbøjelige til at opdage langsomt voksende, indolent sygdom (som har en længere "detekterbar præklinisk fase") end aggressiv sygdom, der progredierer hurtigt. Dette får screening til at se mere effektiv ud, end den i virkeligheden er ved alvorlig sygdom.

Forholdsvis forekomst af leverancer: Forestil dig, at du ved, at du skal dø som 60-årig. Uden screening finder du ud af det som 55-årig; med screening finder du ud af det som 40-årig. Screening gav dig tilsyneladende 15 ekstra års overlevelse fra diagnosen – men du dør stadig som 60-årig.

✅ Wilson & Jungner screeningskriterier

Før et screeningsprogram introduceres, skal det opfylde Wilson & Jungner-kriterierne (oprindeligt udgivet i 1968, stadig standardrammen). AKT tester både kendskab til disse kriterier og deres anvendelse på scenarier.

#	Kriterium	Hvad det betyder i praksis
1	Vigtigt sundhedsproblem	Tilstanden har betydelig sygelighed eller dødelighed — screeningens indsats værd
2	Accepteret behandling tilgængelig	Det er nytteløst at opdage sygdomme, man ikke kan behandle
3	Faciliteter til diagnose og behandling findes	Infrastrukturen skal være på plads inden lancering
4	Genkendeligt latent eller tidligt stadie	Sygdommen skal have en påviselig præsymptomatisk fase
5	Egnet test tilgængelig	Testen skal være acceptabel for befolkningen, sikker og rimeligt nøjagtig
6	Test acceptabel for befolkningen	Folk skal være villige til at gennemgå det — invasive eller ubehagelige tests kan afskrække optagelsen
7	Naturhistorien tilstrækkeligt forstået	Skal vide, hvordan sygdommen udvikler sig, hvis den ikke behandles
8	Aftalt politik for, hvem der skal behandles	Klare protokoller nødvendige — ikke kun detektion, men også hvad der sker derefter
9	Omkostningseffektivt	Omkostningerne ved at finde hver enkelt sag skal afvejes mod fordelene
10	Kontinuerlig proces, ikke engangsforekomst	Screening skal være løbende — sygdomsforekomsten fortsætter

⚠️ AKT-ansøgning — Hvorfor PSA-screening ikke opfylder disse kriterier

PSA-screening for prostatakræft er ikke en del af NHS' nationale screeningsprogram, netop fordi det kæmper med kriterierne 5 og 7: PSA er ikke en tilstrækkelig præcis test (lav specificitet → mange falsk positive resultater), og det naturlige forløb af mange lavgradige prostatakræftformer betyder, at de aldrig ville forårsage symptomer i patientens levetid. Dette er direkte forbundet med overdiagnosticering (se nedenfor).

Hukommelseshjælp: Tænk på kriterierne som tre grupper — sygdommen (vigtig, forstået, har et latent stadie), testen (passende, acceptabel, nøjagtig) systemet (behandling findes, faciliteter findes, politik aftalt, omkostningseffektiv, kontinuerlig).

🔍 Overdiagnose — At finde problemer, der ikke ville have forårsaget problemer

Overdiagnose opstår, når en reel sygdom opdages – en der virkelig eksisterer – men som ikke ville aldrig har forårsaget symptomer, skade eller død i patientens levetid, hvis den ikke opdages. Det er ikke en falsk positiv (sygdommen er reel); det er en sand positiv, der ikke behøvede at blive fundet.

🔴 Hvorfor det er vigtigt

Overdiagnosticering forvandler raske mennesker til patienter. Det udsætter dem for angst, bivirkninger og risici ved behandling af en tilstand, der aldrig ville have skadet dem. Det er en af de vigtigste skadevirkninger ved screeningsprogrammer – og en af dem, som AKT tester direkte.

Betingelse	Eksempel på overdiagnose
Prostatakræft	Mange lavgradige kræftformer, der opdages ved PSA, ville aldrig udvikle sig eller forårsage symptomer – mænd dør med dem, ikke fra dem
Skjoldbruskkræft	Ultralyd finder små papillære skjoldbruskkirtelkræftformer, der næsten universelt er indolente - opdagelsen er steget, men dødeligheden er uændret
DCIS (bryst)	Duktal carcinoma in situ påvist ved mammografi — nogle ville aldrig blive invasiv kræft

Overdiagnosticering er som at finde en lille revne i en væg, der aldrig ville have fået huset til at styrte sammen – men nu hvor du har opdaget den, føler du dig tvunget til at reparere den. Revnen var reel; skaden ved at finde den kom fra behandlingen, ikke revnen.

Overdiagnose vs. overbehandling

Overdiagnosticering = at finde en sygdom, der ikke behøvede at blive fundet. Overbehandling = behandling af en sygdom, der ikke krævede behandling (som kan følge overdiagnosticering eller kan opstå uafhængigt). De er relaterede, men forskellige begreber.

🔢 Aldersstandardisering

Når man sammenligner sygdomsrater eller dødelighed mellem forskellige befolkningsgrupper (f.eks. forskellige lande, forskellige tidsperioder), skal man justere for, at disse befolkningsgrupper kan have forskellige aldersfordelinger. Ældre befolkningsgrupper vil naturligt have højere dødelighed, selvom deres helbred er lige så godt.

Nøglekoncept

Aldersstandardisering er en statistisk teknik, der fjerner den forvrængende effekt af forskellige aldersfordelinger, når man sammenligner sundhedsresultater mellem populationer. Den producerer en rate, der ville blive observeret, hvis begge populationer havde den samme aldersstruktur ("standardpopulationen").

🎗️ Kræftstatistik — AKT Must-Knows

AKT tester lejlighedsvis specifikke kræftstatistikker. Du behøver ikke udtømmende onkologisk viden – men disse overordnede tal dukker op og er værd at kende.

Kræft	Nøglestatistik	Hvorfor det drejer sig om
Testikelkræft	>98% 10-års overlevelse	En af de mest behandlingsbare kræftformer – vigtigt at vide for rådgivere af unge mænd
Lungekræft	Den hyppigste årsag til kræftdød (Storbritannien)	Selvom den ikke er den mest almindelige kræftform, dræber den flere mennesker end nogen anden

⚠️ Overlevelsesrate vs. dødelighed — Bland ikke disse sammen

En kræftform kan have en høj forekomst (almindelig) men lav dødelighed (behandlingsbar), som brystkræft. Eller den kan have en lavere forekomst, men meget høj dødelighed, som kræft i bugspytkirtlen. AKT-testen kan teste din evne til at fortolke kræftstatistikker korrekt – antag ikke, at den mest almindelige kræftform er den dødeligste.

⚖️ Sundhedsuligheder

Sundhedsuligheder beskriver urimelige, undgåelige forskelle i sundhed mellem forskellige grupper af mennesker. De er et væsentligt fokuspunkt i britisk folkesundhedspolitik og optræder i AKT i sammenhæng med epidemiologi og sociale sundhedsdeterminanter.

Definition

Sundhedsuligheder er urimelige, undgåelige forskelle i sundhedstilstand eller i fordelingen af sundhedsdeterminanter mellem forskellige befolkningsgrupperDe er "undgåelige", fordi de stammer fra sociale, økonomiske eller miljømæssige forhold, der i princippet kunne ændres – ikke fra tilfældigheder eller biologisk variation.

Type	Eksempler i Storbritannien
samfundsøkonomisk	Lavere forventet levealder i udsatte områder; højere forekomst af hjerte-kar-sygdomme, diabetes og psykisk sygdom i fattigere samfund
Geografisk	"Nord-Syd-kløften" — dårligere sundhedsresultater i dele af Nordengland sammenlignet med Sydengland
Etnisk	Højere forekomst af type 2-diabetes i sydasiatiske befolkningsgrupper; højere kardiovaskulær risiko i sorte befolkningsgrupper
Køn	Mænd har en lavere forventet levealder, men kvinder har flere år med dårligt helbred (sygelighed)

I AKT optræder uligheder i sundhed ofte som spørgsmål om de sociale determinanter for sundhed eller om fortolkning af befolkningsdata, der viser forskelle mellem grupper. Nøgleværktøj: Murmeldyr anmeldelse (Retfærdigt samfund, sunde liv) og konceptet om proportional universalisme — universelle tjenester leveret med større intensitet til dem med større behov.

Datafordeling og statistisk signifikans

Mål for central tendens

Måle	Definition	Bedst brugt hvornår	Pas på
Mean	Summen af alle værdier ÷ antal værdier	Data er normalfordelt	Let skævvridd af outliers
median	Midterste værdi når den er sorteret i rækkefølge. Hvis der er en lige tal af værdier, er medianen gennemsnittet af de to midterste tal.	Skæve data (f.eks. indkomst, hospitalsopholdsvarighed)	Ignorerer de faktiske værdier i ekstremer
tilstand	Oftest forekommende værdi	Kategoriske data; bimodale fordelinger	Kan være meningsløs med kontinuerlige data
Rækkevidde	Maksimum − Minimum	Hurtig fornemmelse af spredning	Helt bestemt af outliers
IQR (interkvartilinterval)	75. percentil − 25. percentil	Parret med median for skæve data	Ignorerer øvre og nedre 25%
Standardafvigelse (SD)	Gennemsnitlig spredning fra middelværdien	Normalt fordelte data	Vildledende, hvis data ikke er normalfordelt

🗂️ Datatyper — Nominel, ordinal, interval, forholdstal

Forståelse hvad typen Det samlede antal data, du har, bestemmer, hvilke opsummerende statistikker og hvilke statistiske tests der er passende. AKT tester dette – normalt ved at præsentere et datasæt og spørge, hvilken test eller måling der skal bruges.

Type	Definition	Eksempler	analogi
Nominel	Kategorier uden naturlig rækkefølge	Blodgruppe (A, B, AB, O); køn; øjenfarve; dødsårsag	En frugtskål — æbler og bananer er bare forskellige, ingen af dem er "mere"
ordenstal	Sorterede kategorier, men hullerne mellem dem er ikke nødvendigvis lige	NYHA hjertesvigtsklasse (I-IV); smerteskala (mild/moderat/svær); Likert-skalaer	Løbsplaceringer — 1., 2., 3. Vi kender rækkefølgen, men afstanden mellem 1. og 2. kan være meget forskellig fra afstanden mellem 2. og 3.
Interval	Sorteret med lige store mellemrum mellem værdierne, men intet sandt nul	Temperatur i °C; kalenderdatoer; IQ-score	Et termometer — 0°C betyder ikke "ingen temperatur". Man kan ikke sige, at 20°C er "dobbelt så varmt" som 10°C i nogen absolut forstand.
Ratio	Ordnede, lige store mellemrum OG en det sande absolutte nulpunkt	Højde, vægt, blodtryk, alder, indkomst, medicindosis	Penge — £0 betyder, at du virkelig ikke har noget. £40 er dobbelt så meget som £20

💡 Hvorfor det er vigtigt for AKT

Nominelle/ordinale data → brug ikke-parametriske tests, modus eller median for gennemsnit
Interval-/forholdsdata (normalfordelt) → kan bruge middelværdi, standardafvigelse og parametriske tests
Du kan ikke meningsfuldt beregne et gennemsnit for nominelle data (f.eks. er "gennemsnitlig blodgruppe" nonsens) eller lav proportionale udsagn med intervaldata (man kan ikke sige, at en person med en IQ på 120 er "dobbelt så klog" som en person med 60)

🔬 Parametriske vs. ikke-parametriske tests

Statistiske tests falder i to familier afhængigt af de antagelser, de gør om dine data. AKT tester, hvilken type test der er passende til et givet scenarie – du behøver ikke at udføre beregningerne, du ved bare, hvornår du skal bruge hvilken.

Kerneforskellen

Parametriske tests antag, at dataene er normalfordelte (eller at stikprøven er stor nok til, at dette ikke betyder så meget), og at dataene som minimum er på intervalniveau. Ikke-parametriske tests lav ingen sådanne antagelser – de arbejder med rangordninger eller kategorier og er egnede til skæve data, små stikprøver eller ordinale/nominelle data.

Parametriske tests er som en opskrift, der kun virker, hvis din ovn har den helt rigtige temperatur. Ikke-parametriske tests er mere tilgivende – de virker, selvom ovnen bliver lidt varm eller kold.

Formål	Parametrisk test	Ikke-parametrisk ækvivalent
Sammenlign gennemsnittet af 2 uafhængige grupper	Uafhængig t-test	Mann-Whitney U-test
Sammenligning betyder: samme gruppe, 2 tidspunkter	Parret t-test	Wilcoxon signed-rank test
Sammenlign gennemsnittet af 3 eller flere grupper	ANOVA (Analysis of Variance)	Kruskal-Wallis test
Korrelation mellem to kontinuerlige variabler	Pearson-korrelation	Spearman rangkorrelation
Sammenlign proportioner / kategoriske data	—	Chi-i-anden-test (χ²)

⚠️ AKT-beslutningsregler

Data er skæv or ikke normalfordelt → brug ikke-parametrisk
Lille prøvestørrelse (og normaliteten er usikker) → brug ikke-parametrisk
Data er ordinal (f.eks. smertescore, Likert) → brug ikke-parametrisk
Sammenligning proportioner eller kategorier → chi-i-anden-test
Stor stikprøve, kontinuerlig, tilnærmelsesvis normal → parametrisk test er fin

🔔 Normalfordeling — 68-95-99.7-reglen

En normalfordeling er en symmetrisk klokkeformet kurve. Middelværdien, medianen og modusen er alle lige store og ligger i centrum.

Rækkevidde	% af inkluderede værdier
Gennemsnit ± 1 SD	68%
Gennemsnit ± 2 SD	95%
Gennemsnit ± 3 SD	99.7%

AKT-anvendelse: Referenceområder for blodprøver defineres normalt som gennemsnit ± 2 SD - hvilket betyder, at 5% af normale, raske personer vil falde "uden for normalområdet". Derfor kræver et mildt unormalt resultat hos en asymptomatisk patient ofte ikke behandling.

⚠️ Skæve data

Med positivt skæve data (f.eks. indkomst, ventetider hos lægen, serumbilirubin på en afdeling) trækkes middelværdien til højre af et par høje outliers. I dette tilfælde skal du bruge median — det repræsenterer bedre den typiske værdi. AKT elsker at teste denne sondring.

📉 P-værdier og konfidensintervaller — Hvad de egentlig betyder

P-værdier

p-værdien er sandsynligheden for at observere resultater, der er mindst lige så ekstreme som de observerede hvis nulhypotesen er sand (dvs. hvis der ikke er nogen reel effekt). Det er ikke sandsynligheden for, at nulhypotesen er korrekt.

p-værdi	Fortolkning
p <0.05	Statistisk signifikant — mindre end 5% sandsynlighed for, at dette resultat opstod ved en tilfældighed
p> 0.05	Ikke statistisk signifikant — resultatet kan skyldes tilfældigheder
p = 0.01	1% chance for at få dette resultat, hvis der ikke er nogen reel effekt

Konfidensintervaller (KI'er)

Et 95% CI betyder: hvis du gentog undersøgelsen 100 gange, ville den sande populationsværdi i 95 af disse tilfælde falde inden for dette interval.

Et CI er ligesom en vejrudsigt, der siger "forvent mellem 14°C og 22°C i morgen." Det betyder ikke, at temperaturen helt sikkert vil ligge i det interval - men du er 95% sikker på, at den vil være det.

🔴 Den mest afprøvede regel — Krydser CI det magiske tal?

For en forholdet (RR, OR, HR): hvis 95% CI inkluderer 1.0 → ikke statistisk signifikant
For en forskel (gennemsnitlig forskel, ARR): hvis 95% CI inkluderer 0 → ikke statistisk signifikant
Hvis CI er helt over 1 (for forhold) → signifikant øget risiko
Hvis CI er helt under 1 (for forhold) → signifikant reduceret risiko

❌ Type I & Type II fejl — Grædende ulv vs. Savner ulven

Type I-fejl (α — Alfa)

At forkaste nulhypotesen, når den faktisk er sand. Med andre ord: at konkludere, at en behandling virker, når den ikke gør. Den falsk positive rate. Konventionelt acceptabel ved 5% (α = 0.05, p < 0.05).

"Grædende ulv" — at slå alarm, når der ikke er nogen ulv.

Type II-fejl (β — Beta)

Manglende evne til at afvise nulhypotesen, når den faktisk er falsk. Med andre ord: manglende behandlingseffekt. Den falsk negative rate. Konventionelt acceptabel ved 20% (β = 0.2, styrke = 80%).

"Savner ulven" - at sige ingen ulv, når der er en.

Statistisk magt

Power = 1 − β. Det er sandsynligheden for korrekt at detektere en sand effekt. Højere power = mindre sandsynlighed for at overse en reel effekt. Power øges med større stikprøvestørrelser. Et veldesignet forsøg kræver ≥80% power.

⚡ Statistisk signifikans ≠ Klinisk betydning

Dette er en af de vigtigste og mest afprøvede nuancer i AKT-statistik – og en som mange praktikanter overser.

🔴 Kernereglen

Et resultat kan være statistisk signifikant (p < 0.05) mens de er klinisk meningsløsStatistisk signifikans fortæller dig kun, at resultatet sandsynligvis ikke skyldes tilfældigheder — det siger intet om effekten er stor nok til at have betydning i praksis.

Et forsøg med 50,000 patienter viser, at et nyt antihypertensivt middel reducerer systolisk blodtryk med 1 mmHg. p = 0.001. Meget signifikant - men ville du ændre din ordination for et fald på 1 mmHg? Nej. p-værdien er lille, fordi stikprøven er enorm, ikke fordi effekten er vigtig.

Scenario	Statistisk signifikant?	Klinisk vigtig?
Blodtryk falder med 1 mmHg, n=50,000, p=0.001	Ja	Ingen
Blodtryk falder med 15 mmHg, n=30, p=0.08	Ingen	Sandsynligvis ja
Blodtryk falder med 12 mmHg, n=500, p=0.02	Ja	Ja

💡 Hvad skal man bruge i stedet

Se altid på effektstørrelse (ARR, NNT, middelforskel) sammen med p-værdier og konfidensintervaller. Et smalt konfidensinterval, der udelukker nul eller en, er mere meningsfuldt end en p-værdi alene – den fortæller dig både retningen og præcisionen af effekten.

📏 Konfidensintervalbredde — Præcision i et overblik

Smal CI → præcist estimat → høj sikkerhed, den sande værdi er tæt på punktestimatet (normalt fra en stor stikprøve)
Bredt CI → usikkert estimat → den sande værdi kan ligge hvor som helst inden for et bredt interval (normalt fra en lille eller heterogen stikprøve)

Eksempel: RR = 1.5 (95% CI 1.4-1.6) → præcis, overbevisende. RR = 1.5 (95% CI 0.6-3.8) → bred, usikker — og krydser 1.0, så ikke engang signifikant.

📈 Regression til middelværdien — Den skjulte forvirringsfaktor i klinisk praksis

Regression til middelværdien er den statistiske tendens for en ekstrem måling til at være tættere på middelværdien ved en anden måling - uanset enhver indgribenDet er en af de mest underkendte kilder til vildledende konklusioner inden for medicin.

🔴 Hvorfor det er klinisk vigtigt

Patienter bliver ofte undersøgt eller behandlet netop når deres symptomer eller målinger er værst. Naturlig variation betyder, at disse målinger sandsynligvis vil forbedres alligevel ved gentestning – ikke nødvendigvis på grund af din intervention. Uden en kontrolgruppe er det umuligt at skelne mellem regression i forhold til middelværdien og en reel behandlingseffekt.

Scenario	Hvad der ser ud som behandlingseffekt	Hvad der rent faktisk kan ske
Patienten har meget højt blodtryk ved én måling → startet på medicin → Blodtryk lavere ved næste besøg	Lægemidlet virker	Første aflæsning kan have været en outlier; blodtrykket ville alligevel have været lavere ved gentagen måling
Eleven klarer sig meget dårligt i en prøve → får ekstra undervisning → klarer sig bedre næste gang	Undervisningen hjalp	Den dårlige score kan have været urepræsentativ; naturlig præstation tenderer mod deres gennemsnit
Patient med alvorligt opblussen af eksem starter med en ny creme → opblussen forbedres	Cremen er effektiv	Svære opblussen forbedres naturligt over tid uanset behandling

Forestil dig, at du kun måler en persons højde, når de står på en kasse. De ser meget høje ud. Næste gang du måler dem normalt, ser de ud til at være "krympet". Målingen ændrede sig, men personen gjorde det ikke. Det er regression til middelværdien.

💡 Sådan beskytter du dig mod det

Tag flere basislinjemålinger og brug gennemsnittet før behandlingen påbegyndes
Brug kontrolgruppe — regression til middelværdien påvirker begge grupper ligeligt, så enhver forskel mellem grupperne er mere sandsynligt en reel behandlingseffekt
Dette er et af de stærkeste argumenter for RCT'er frem for ukontrollerede før-og-efter-studier

Statistiske grafer — Hvad skal man kigge efter

AKT præsenterer regelmæssigt grafer og beder dig om at fortolke dem. Lær at få øje på nøglefunktionerne i hver graftype – prøv ikke at læse alt. Én målrettet observation er alt, hvad der behøves.

Graftype	Primær brug	Den ene ting at kigge efter
Skovgrund	Resultater af metaanalyse	Er diamant krydse den lodrette linje uden effekt?
Tragt plot	Publikationsbias-detektion / GP outlier-overvågning	Er plottet asymmetrisk? (Mangel på upublicerede studier)
Cates-plottet	Visuel kommunikation af NNT til patienter	Tæl de farvede "fordels"-flader; NNT = 100 ÷ disse flader
L'Abbé-grunden	Udforskning af heterogenitet i metaanalyser	Prik på den diagonale linje = nul behandlingseffekt
Box-and-Whisker-plot	Datadistribution og spredning	Midterste linje = median (ikke ondskabsfuld); prikker ud over knurhår = outliers
Fagans nomogram	Prætest → sandsynlighed eftertest	Tegn en linje fra sandsynligheden før testen til sandsynligheden efter testen
Stilk-og-blad-plot	Fordeling — bevarer oprindelige værdier	Som et histogram, men viser individuelle datapunkter
Kaplan-Meier-kurven	Overlevelsesanalyse — tid til hændelse	Trin falder, når hændelser indtræffer; kurver, der divergerer tidligt og forbliver adskilte, tyder på vedvarende behandlingsfordel
Histogram	Fordeling af kontinuerlige data	Kurvens form: symmetrisk = normalfordeling; skævfordeling = brug median, ikke middelværdi

🌲 Skovgrunde — I detaljer

Sådan læser du et skovplot

Hver firkant = én undersøgelse. Kvadratets størrelse = undersøgelsens vægtning (normalt drevet af stikprøvestørrelse)
Horisontale linjer = 95% konfidensinterval for den pågældende undersøgelse
Diamanten nederst = det samlede estimat. Dets bredde = det samlede 95% CI
Lodret linje ved 1.0 = "linje uden effekt" (for forhold). Hvis en CI-linje eller diamanten krydser denne linje, det resultat er ikke statistisk signifikant

Heterogenitet — I²-statistikken

I² måler, hvor meget variation mellem studier skyldes reel heterogenitet (reel forskelle) snarere end tilfældighed.
I² < 25% = lav heterogenitet ✓
I² = 25–50% = moderat heterogenitet
I² > 50% = betydelig heterogenitet — det samlede resultat er mindre pålideligt ⚠️

Tænk på diamanten som juryens endelige dom. Hvis diamanten krydser den lodrette "linje uden effekt", bliver juryen hængt - ingen endelig konklusion. I²-statistikken fortæller dig, om jurymedlemmerne overhovedet var enige i den samme sag.

📯 Funnel plots — Publikationsbias og GP Outlier-overvågning

Tragtplot optræder i to helt forskellige kontekster i AKT – sørg for at du genkender begge.

I metaanalyse (publikationsbias)

Plotter effektstørrelse (x-akse) mod studiets præcision eller størrelse (y-akse). En symmetrisk inverteret tragt = ingen bias. En asymmetrisk tragt med et mellemrum nederst til venstre = manglende små negative studier → publikationsbias.

I praksis præstationsovervågning

Sammenligner praktiserende lægepraksis på målinger (f.eks. henvisningsrater, dødelighed). Datapunkter uden for tragtlinjerne er statistiske outliers berettiger til undersøgelse — ikke nødvendigvis bevis for dårlig præstation.

😊 Cates-plot — Sådan udtrækkes NNT visuelt

Et Cates-plot (undertiden kaldet et "smiley face plot") bruger et gitter med 100 ansigter til at hjælpe patienter med at visualisere absolut fordel og skade.

Hvert af de 100 ansigter repræsenterer én person pr. 100 behandlede
Gule/grønne ansigter = personer, der havde gavn af det (hændelser forhindret)
Røde ansigter = personer, der har oplevet skade
Grå/enkle ansigter = ingen effekt i begge retninger

NNT fra Cates-plottet

NNT = 100 ÷ antal fordelsflader

Eksempel: 4 gule sider → NNT = 100 ÷ 4 = 25

📉 Kaplan-Meier overlevelseskurver — Sådan læses dem

Kaplan-Meier (KM)-kurver viser sandsynligheden for at overleve (eller forblive hændelsesfri) over tid. De optræder i AKT-spørgsmål om kræftforsøg, kardiovaskulære studier og al forskning, der sporer tid til en hændelse.

Feature	Hvad det betyder
Y-aksen	Sandsynlighed for overlevelse (eller hændelsesfri overlevelse) — starter ved 1.0 (100%) og falder over tid
X-aksen	Tid (dage, måneder, år)
Hvert nedadgående trin	En begivenhed er indtruffet (f.eks. død, tilbagefald). Større trin = flere begivenheder på det tidspunkt
Markeringer på linjen	Censurerede patienter — tabte til opfølgning eller studie afsluttet. Ikke hændelser.
To kurver divergerer tidligt og forbliver adskilte	Antyder vedvarende behandlingsfordel gennem hele opfølgningsperioden
Kurver der krydser	Antyder, at faren ikke er proportional over tid — komplicerer fortolkningen
Median overlevelse	Det tidspunkt, hvor overlevelseskurven krydser 50 % — det punkt, hvor halvdelen af patienterne har haft hændelsen

Link til hazard ratio

log-rank-test sammenligner to KM-kurver statistisk. hazard ratio (HR) opsummerer den samlede forskel mellem kurverne. HR < 1 = behandlingsgruppen har færre hændelser over tid. Hvis kurverne overlapper hinanden væsentligt, vil HR være tæt på 1 (ingen fordel).

Tænk på en KM-kurve som en trappe, der går ned. Hvert trin ned er en person, der oplever begivenheden. En behandling, der virker, holder folk på de højere trin i længere tid – den behandlede gruppes trappe går langsommere ned.

📊 Histogrammer — Overblik over fordeling

Et histogram viser fordelingen af en kontinuerlig variabel (f.eks. alder, blodtryk, BMI) ved at gruppere værdier i intervaller (bins) og vise, hvor mange observationer der falder i hvert intervall. I modsætning til et søjlediagram berører søjlerne hinanden – fordi dataene er kontinuerlige.

Shape	Betydning	Brug middelværdi eller median?
Symmetrisk klokkeform	Normalfordeling — middelværdi, median, modus alle ens	Enten — men konventionelt gennemsnit ± SD
Højre (positiv) skævhed	Lang hale til højre — et par meget høje værdier trækker middelværdien op	Median (mere repræsentativ)
Venstre (negativ) skævhed	Lang hale til venstre — et par meget lave værdier trækker gennemsnittet ned	Median (mere repræsentativ)
Bimodal (to toppe)	To forskellige undergrupper i dataene	Rapportér begge toppe separat

AKT-tip: Hvis et histogram viser positiv skævhed, er det korrekte mål for central tendens til at citere medianHvis den viser en normalfordeling, betyde er passende.

Kvalitetsforbedring og klinisk revision

Værktøj	Formål	Nøglefunktioner
Klinisk Audit	Mål praksis i forhold til eksplicitte standarder; identificer og luk huller	Kræver en defineret standard. Bruger PDSA-cyklus. Involverer lukning af kredsløbet (re-audit). Ikke forskning — ingen hypotese, ingen ny viden genereret.
Analyse af væsentlige hændelser (SEA)	Systematisk tværfaglig gennemgang af en enkelt væsentlig begivenhed	Skyldfri. Fokuserer på systemlæring, ikke individuelle fejl. Deles inden for teamet. Dokumenterer læring og handling.
Grundårsagsanalyse (RCA)	Dybdegående undersøgelse af alvorlige hændelser	Mere struktureret end SEA. Bruger "5 Whys"-teknikken. Identificerer medvirkende og grundlæggende årsager. Ofte til aldrig-hændelser eller alvorlig skade.
QOF-undtagelsesrapportering	Passende udelukkelse af patienter fra QOF-indikatorer	Klinisk egnet til: maksimal tolereret behandling, informeret patientuenighed, ekstrem skrøbelighed eller klinisk kontraindikation.

🔄 Klinisk revision vs. forskning — Vigtigste forskelle

Feature	Klinisk Audit	Forskning
Formål	Forbedr plejen ved at sammenligne med standarder	Skab ny viden
Hypotese	Ingen — sammenlignes med eksisterende standard	Har altid en hypotese
Etikgodkendelse	Normalt ikke påkrævet	Normalt påkrævet
Samtykke	Normalt ikke påkrævet	Normalt påkrævet
Randomisering	Aldrig	Kan omfatte RCT'er
Slutresultat	Serviceforbedring; handlingsplan	Nye beviser; offentliggørelse

AKT-fælde: "En praktiserende læge ønsker at undersøge, om et nyt antibiotikum opnår bedre helbredelsesrater end standardbehandling i hans praksis." → Dette er forskning (genererer ny viden, har en hypotese, har brug for etik). "En praktiserende læge måler, om hans praksis' astmavurderingsrate opfylder NICE-standarden på 80 %." → Dette er revision.

🔁 PDSA-cyklus

Plan-Do-Study-Act (PDSA)-cyklussen er den ramme for løbende forbedringer, der anvendes i klinisk revision og kvalitetsforbedring.

Stage	Hvad der sker
Plan	Definer spørgsmålet, sæt standarden, planlæg dataindsamlingen
Do	Implementer ændringen eller mål den nuværende praksis
Studere	Analyser resultater; sammenlign med standarden; identificer mangler
Lov	Implementer forbedringer; planlæg en ny revision for at lukke kredsløbet

Kliniske beregninger (AKT Formelbank)

Disse formler dukker op i AKT-beregningsspørgsmål. Lær hver enkelt, og kend de kliniske grænseværdier, der udløser handling.

Body Mass Index (BMI)

Vægt (kg) ÷ Højde² (m²)

Undervægt <18.5 | Normal 18.5–24.9 | Overvægt 25–29.9 | Fedme ≥30 | Sygeligt fedme ≥40

Ankel-brakialtrykindeks (ABPI)

Højeste ankelsystolisk ÷ Højeste brachialissystolisk

Normal: 1.0–1.3 | PAD: <0.9 | Svær PAD: <0.5 | Ikke-kompressibel (forkalket): >1.3

Alkoholenheder

(Volumen i ml × ABV%) ÷ 1000

f.eks. 750 ml × 12 % ÷ 1000 = 9 enheder. Lav risiko: ≤14 enheder/uge for begge køn. Intet sikkert niveau under graviditet.

Ikke-HDL-kolesterol

Total kolesterol − HDL-kolesterol

Mål: <2.5 mmol/L hos dem i statinbehandling (NICE-vejledning). Omfatter alle aterogene lipoproteiner.

Dosisvolumen for pædiatrisk lægemiddel

(Ønsket dosis ÷ Tilgængelig styrke) × Volumen

f.eks. har et barn brug for 250 mg, suspensionen er 125 mg/5 ml: (250 ÷ 125) × 5 ml = 10 ml

Procentvis vægttab (nyfødte)

[(Fødselsvægt − Nuværende vægt) ÷ Fødselsvægt] × 100

>10% tab i de første 5 dage kræver gennemgang. Normalt tab op til 10%; bør være genoprettet inden for dag 10-14.

Cockcroft-Gault (CrCl)

[(140−Alder) × Vægt (kg)] ÷ Kreatinin (µmol/L) × K

K = 1.23 (mænd), 1.04 (kvinder). Estimerer kreatininclearance — anvendes til dosering af lægemidler ved nedsat nyrefunktion.

🧮 ABPI-eksempel

🎯 Scenarie: Fru T, 72, med smerter i benene ved gang

1 Ankeltryk (højeste af DP/PT): 90 mmHg | Brachialt tryk (højeste arm): 130 mmHg

2 ABPI = 90 ÷ 130 = 0.69

3 ABPI 0.69 = Perifer arteriel sygdom bekræftet (grænseværdi <0.9)

4 Kompressionsbandager er KONTRAINDICERET — henvise til karkirurgi

🍷 Eksempler på bearbejdningsenheder for alkohol

Drikke	Volumen (ml)	Alkoholprocent	Calculation (Beregning)	Enheder
Stort glas vin	250ml	13%	250 × 13 ÷ 1000	3.25
En flaske vin	750ml	12%	750 × 12 ÷ 1000	9.0
Pint lager (stærk)	568ml	5%	568 × 5 ÷ 1000	2.84
Enkelt spiritusmål	25ml	40%	25 × 40 ÷ 1000	1.0

Vejledning for lav risiko: ≤14 enheder/uge (mænd og kvinder), fordelt over 3+ dage, med 2-3 alkoholfri dage om ugen. Dette er, hvad I ville diskutere i en konsultation om alkoholreduktion.

🧮

Udarbejdede eksempler

🎯 Eksempel 1: Beregning af alle risikomålinger fra en forsøgstabel

Et randomiseret kontrolleret forsøg randomiserer patienter til at modtage enten lægemiddel X eller placebo. Efter 3 år: 80 ud af 500 placebopatienter havde et slagtilfælde; 40 ud af 500 lægemiddel X-patienter havde et slagtilfælde.

1CER = 80/500 = 0.16 (16%) EER = 40/500 = 0.08 (8%)

2ARR = 0.16 − 0.08 = 0.08 (8%)

3NNT = 1 ÷ 0.08 = 12.5 → rund op til 13

4RRR = 0.08 ÷ 0.16 = 0.5 = 50 %

5RR = 0.08 ÷ 0.16 = 0.5 (Lægemiddel X halverer risikoen for slagtilfælde)

🎯 Eksempel 2: Konstruktion af en 2×2-tabel og beregning af følsomhed og specificitet

En ny test anvendes på 200 patienter, hvoraf 100 har sygdommen. Testen identificerer korrekt 85 ud af de 100 med sygdom, og identificerer korrekt 80 ud af de 100 uden sygdom.

1TP = 85 | FN = 15 | TN = 80 | FP = 20

2Følsomhed = TP ÷ (TP+FN) = 85 ÷ (85+15) = 85/100 = 85%

3Specificitet = TN ÷ (TN+FP) = 80 ÷ (80+20) = 80/100 = 80%

4PPV = TP ÷ (TP+FP) = 85 ÷ (85+20) = 85/105 = 81%

5NPV = TN ÷ (TN+FN) = 80 ÷ (80+15) = 80/95 = 84%

🎯 Eksempel 3: Beregning af pædiatrisk dosis

Et barn har brug for 300 mg amoxicillin. Den tilgængelige suspension er 250 mg/5 ml. Hvilken mængde skal gives?

1Formel: (Ønsket dosis ÷ Tilgængelig styrke) × Volumen

2(300 ÷ 250) × 5 = 1.2 × 5 = 6ml

????

Formler snydeark og hukommelseshjælpemidler

Risiko- og behandlingsformler

ARR = CER − EER RRR = ARR ÷ CER RR = EER ÷ CER NNT = 1 ÷ ARR NNH = 1 ÷ ARI

Diagnostisk test

Følsomhed = TP ÷ (TP+FN) Specificitet = TN ÷ (TN+FP) PPV = TP ÷ (TP+FP) NPV = TN ÷ (TN+FN)

Population og kliniske formler

SMR = (Observationer ÷ Eksp) × 100 BMI = Vægt(kg) ÷ Ht²(m) ABPI = Ankel SBP ÷ Brachialis SBP Procenter = (Vol. × ABV%) ÷ 1000

🧠 Mester hukommelseshjælpemidler

SnNout: Sensitiv test — Negativ udelukker sygdom (screening)
SpPin: Specifik test — Positive regler IN sygdom (bekræftelse)
CI krydser 1.0 (forhold) eller 0 (forskel) → ikke signifikant
Skovplot diamant krydser linje → ikke signifikant
Tragt asymmetri → publikationsbias (eller GP-outlier i performancekontekst)
Boksplot midterlinje → MEDIAN (ikke middelværdi)
68-95-99.7 → ±1SD, ±2SD, ±3SD i normalfordeling
I² >50% → betydelig heterogenitet
ELLER fra case-control | RR fra kohorte | Prævalens fra tværsnit
Revision ≠ Forskning (revisionsforanstaltninger vs. standard; forskning genererer ny viden)

📊 Studiedesign-mnemonik: "For cases, ELLER — For kohorter, RR"

Case-control → ELLER (Odds Ratio) — et tilbageblik på eksponeringer
kohorte → RR (Relativ Risiko) — fremadrettet fra eksponering
Tværsnit → Prævalens — ØJEBLIKSPIL i tid
RCT / SR → Guldstandard for behandlingsspørgsmål

🎓

Træner- og undervisningsperler

Almindelige blinde vinkler for praktikanter i dette emne

Praktikanterne lærer ofte NNT som en formel uden at forstå, hvad det rent faktisk betyder klinisk — sørg for, at de kan forklare det i en sætning, som en patient ville forstå
Sondringen mellem sensitivitet/specificitet (testegenskaber) og PPV/NPV (påvirket af prævalens) er dårligt forstået — graviditetstest-analogien fungerer godt.
Mange praktikanter ved, hvordan et skovområde ser ud, men kan ikke forklare det det at se på — fokuser på diamanten og om den krydser grænsen for ingen effekt
Leveringstidsbias forveksles ofte med længdebias – brug diagrammer eller tidslinjer til at illustrere forskellen.
Praktikanterne forveksler rutinemæssigt klinisk revision med forskning – brug RCGP's egne eksempler fra vurderinger

Idéer til vejledning og diskussionsstartere

"Her er en oversigtstabell fra et lægemiddelforsøg — kan du fortælle mig, hvilket NNT der er, og om du ville ordinere det til denne patient?"
"Se på dette skovområde. Er interventionen effektiv? Hvor sikker er du på det svar?"
"Din patient har en positiv FIT-test. PPV i en lavrisikopopulation er omkring 3%. Hvordan forklarer du dette for ham?"
"Vi ser mange høje PSA-resultater. Hvad er problemet med at bruge PSA som screeningstest?"
"En kollega vil gerne sammenligne vores sepsisresultater med Finanstilsynets. Er det revision eller forskning? Skal der tages hensyn til etik?"
"Hvordan ville du forklare en risiko på 1 ud af 50 for en bivirkning til en patient, der spørger 'Er det sikkert?'"

Reflekterende spørgsmål til vejledninger

Hvordan forklarer du i øjeblikket risiko for patienter? Bruger du absolutte eller relative tal?
Kan du huske en nylig klinisk retningslinje, der citerede en betydelig NNT – hvad var det, og hvordan påvirkede det din praksis?
Har du nogensinde bestilt en test uden at kende dens sensitivitet/specificitet? Hvordan fortolkede du resultatet?
Hvorfor kan et lægemiddelfirma vælge at præsentere sine forsøgsresultater som RRR i stedet for ARR?

🔥 AKT højtydende spidser

Dette er de mønstre, der gentagne gange optræder i AKT-opgaver. Lær disse udenad, og du vil få point.

🎯 NNT-beregning

Omregn altid procenttal til decimaltal først. ARR = 5% → NNT = 1 ÷ 0.05 = 20. Altid afrundet up til nærmeste hele tal. En lavere NNT = mere effektiv behandling.

🎯 CI krydser det magiske tal

For forhold (RR, OR, HR): CI krydser 1.0 = ikke signifikant. For forskelle: CI-kryds 0 = ikke signifikant. Dette optræder i næsten alle spørgsmål om skovplot.

🎯 Matching af studiedesign

Sjælden sygdom → case-control → ELLER. Ny eksponering fremadrettet → kohorte → RR. Prævalensøjebliksbillede → tværsnitBedste evidens for behandling → RCT or SR/metaanalyse.

🎯 Sensitivitet vs. specificitet — Hvilken skal bruges hvornår

Screeningstest → ønsker høj følsomhed (ønsker ikke at gå glip af cases → SnNout). Bekræftende test → ønsker høj specificitet (ønsker ikke falske positiver → SpPin).

🎯 PPV falder i populationer med lav prævalens

Selv en meget specifik test (99%) giver en dårlig PPV i et miljø med lav prævalens. De fleste positive resultater i befolkningsscreening er falsk positive. Derfor screener vi ikke alle for alt.

🎯 Skovgrund Diamant

Hvis diamant (samlet estimat) krydser den lodrette linje uden effekt → det samlede resultat er IKKE statistisk signifikant. Hvis I² > 50% → betydelig heterogenitet → er det samlede resultat mindre pålideligt.

🎯 Asymmetri i tragtplot

Et hul i nederste venstre hjørne af et tragtplot = publikationsbias — små negative studier blev ikke publiceret. Dette forstærker den tilsyneladende effekt af en behandling i metaanalysen.

🎯 Box-and-Whisker — Altid Median, Ikke Slem

Linjen indvendig kassen er den medianBoksen = IQR (midterste 50%). Prikker eller cirkler bag knurhårene = outliers.

🎯 RRR lyder mere imponerende end ARR

Farmaceutiske virksomheder elsker at citere RRR, fordi det lyder større. En RRR på 50 % lyder fantastisk – indtil du ved, at baseline-risikoen kun var 2 % (→ ARR = 1 %, NNT = 100). Spørg altid: hvad var baseline-risikoen?

🎯 Median — Bruges til skæve data

Skæve fordelinger (indkomst, hospitalsophold, serumbilirubin) → forbrug median ikke middelværdi. Middelværdien trækkes af outliers; medianen gør ikke.

🎯 Revision vs. forskning

Revision: foranstaltninger mod en eksisterende standard; ingen etik nødvendig; ingen hypotese. Forskning: genererer ny viden; kræver etisk godkendelse; har en hypotese. En vigtig forskel som AKT tester gentagne gange.

🎯 Behandlingsintention (ITT)

ITT-analysen inkluderer alle randomiserede deltagere uanset overholdelse. Dette giver en konservativ estimat af effektivitet — mere realistisk for klinisk praksis. Analyse pr. protokol overvurderer effekten.

🎯 ABPI-grænseværdi

ABPI < 0.9 = perifer arteriel sygdom. ABPI > 1.3 = ikke-kompressible (forkalkede) kar — upålidelig resultat. Kompressionsbandager er kontraindiceret, hvis ABPI < 0.8 (tjek med dine kompressionsretningslinjer).

🎯 Cates-plot NNT

Tæl fordelsfladerne (normalt gule eller grønne). NNT = 100 ÷ (antal fordelsflader). 5 gule flader → NNT = 20.

⚠️

Almindelige fejl og praktikantfælder

Det er disse fejl, der optræder gentagne gange i AKT's karakterskemaer. Hver og en af disse er en reel karakter, som rigtige kandidater har mistet.

Glemmer at konvertere procenter til decimaler før beregning af NNT (f.eks. ARR = 5% → skal bruge 0.05, ikke 5, for at få NNT = 20, ikke 0.2)
Afrunding NNT ned snarere end up (NNT = 12.5 → svaret er 13, ikke 12)
Forveksler RRR med ARR og citerer det mere imponerende relative tal som den kliniske fordel
At sige, at et resultat er "signifikant", når CI lige akkurat rører 1.0 — det skal ikke medtage 1.0 for at være signifikant
At angive boks-og-whisker-plottets midterlinje er middelværdien — det er altid median
Forveksling af sensitivitet og PPV — sensitivitet er en fast egenskab ved testen; PPV afhænger af prævalens
At tro, at en meget specifik test i en population med lav prævalens vil give et pålideligt positivt resultat – det vil den ikke (lav PPV)
Forveksling af en OR med en RR — OR'er kan ikke bruges direkte som RR'er, undtagen når sygdommen er sjælden.
At sige, at et case-control-studie genererer RR - det genererer OR, fordi man starter med cases og kontroller, ikke en eksponeret kohorte
At forveksle klinisk revision med forskning – at hævde, at en revision kræver etisk godkendelse
Fejlfortolkning af bias i leveringstid som et screeningsprogram reelt forbedrer overlevelsen
At glemme, at I² >50% i et skovplot giver anledning til bekymring om gyldigheden af det samlede resultat
Brug af middelværdien til at beskrive skæve data (f.eks. indkomst, hospitalsopholdsvarighed) — brug medianen

🏁 Endelige point at tage med hjem

NNT = 1 ÷ ARR. Omregn altid procenter til decimaler. Rund altid op. Lavere NNT = bedre behandling.
ARR er klinisk ærlig. RRR lyder imponerende, men kan være vildledende. Kombiner altid RRR med baseline risiko.
Sensitivitet og specificitet er faste egenskaber ved en test. PPV og NPV ændrer sig med sygdomsprævalensen.
SnNout: følsomme test udelukker UD, når de er negative. SpPin: specifikke test udelukker IN, når de er positive.
Skovplotdiamant krydser linjen uden effekt → resultat ikke statistisk signifikant. I² >50% → bekymringer om heterogenitet.
Asymmetri i tragtplot → publikationsbias. Punkter uden for tragtgrænser i performanceovervågning → outlier-praksisser.
KI for et forhold der inkluderer 1.0 → ikke signifikant. KI for en forskel der inkluderer 0 → ikke signifikant.
Case-control → OR. Kohorte → RR. Tværsnit → prævalens. RCT/SR → guldstandarden for behandling.
Skæve data → brug median, ikke middelværdi. Box plots midterlinje = median. Prikker ud over whiskers = outliers.
Klinisk revision måler i forhold til standarder — ingen etik nødvendig, ingen hypotese. Forskning genererer ny viden — etik kræves.

Statistikspørgsmål i AKT er blandt de mest pålidelige karakterer i opgaven. Et par timer med denne side og en håndfuld øvelsesspørgsmål vil give udbytte langt ud over deres investering.