برادفورد VTS - طرح هدر 06
آمار پزشکی و عملکرد مبتنی بر شواهد — دانشگاه برادفورد (VTS)
سری مستری برادفورد VTS · AKT

آمار پزشکی و طبابت مبتنی بر شواهد

چون «من چیزی را آنلاین خواندم» در AKT کاملاً مناسب نیست.

🔥 نکات پربازده برای AKT ⚡ یادگیری با تأثیر بالا در عرض چند دقیقه 💎 گوهرهای پنهانی که فراموش می‌کنند آموزش دهند

آخرین به‌روزرسانی: آوریل ۲۰۲۶ · همچنین به عنوان پزشکی مبتنی بر شواهد (EBM) شناخته می‌شود

📥 دانلودها

جزوه‌ها، خلاصه‌ها و مطالب آموزشی اضافی - هر زمان که بخواهید آماده هستند.

مسیر: عمل مبتنی بر شواهد، همچنین به عنوان پزشکی مبتنی بر شواهد یا به اختصار EBM شناخته می‌شود. / چگونه یک مقاله بخوانیم

🌐

منابع وب

ترکیبی گلچین‌شده از راهنمایی‌های رسمی و منابع آموزشی پزشکی عمومی در دنیای واقعی. زیرا گاهی اوقات بهترین مرواریدها در اسناد رسمی پنهان نیستند.

📘 پایگاه داده مبتنی بر شواهد و آمار اصلی
📗 مرور و آمادگی برای امتحان AKT
📙 مطالعه بیشتر و ابزارها
⚡

یادآوری یک دقیقه‌ای

اسکن کردن این قبل از کلینیک - یا شب قبل از برگه AKT؟ اینها چیزهایی هستند که به شما نمره می‌دهند.

🧮 فرمول‌های ریسک

  • ARR = CER − EER
  • NNT = ۱ ÷ نرخ بازگشت سرمایه
  • Rrr = ARR ÷ CER
  • RR = EER ÷ CER
  • ان ان اچ = ۱ ÷ ARI

🔬 آزمایش‌های تشخیصی

  • معنی = TP ÷ (TP+FN) → SnNout
  • تنظیمات = TN ÷ (TN+FP) → SpPin
  • PPV = TP ÷ (TP+FP) ← با شیوع کم سقوط می‌کند
  • NPV = TN ÷ (TN+FN) ← سقوط با شیوع بالا

📊 طرح‌های مطالعاتی

  • SR/متاآنالیز → بالاترین شواهد
  • RCT → استاندارد طلایی برای درمان
  • گروه → RR و میزان بروز
  • مورد-شاهدی → OR، بیماری‌های نادر
  • مقطعی ← شیوع

📈 نمودارها

  • قطع خط توسط الماس در نمودار فارست = معنی‌دار نیست
  • عدم تقارن قیف = سوگیری انتشار
  • نمودار کیتس: NNT = ۱۰۰ ÷ وجه‌های زرد
  • نمودار جعبه‌ای، خط وسط = میانه
  • I² >50% = ناهمگونی قابل توجه

📉 اهمیت

  • p < 0.05 = از نظر آماری معنی‌دار است
  • CI از ۱.۰ عبور می‌کند (نسبت) = معنی‌دار نیست
  • CI از صفر عبور می‌کند (اختلاف) = معنی‌دار نیست
  • میانگین = میانگین؛ میانه = مقدار متوسط
  • قانون ۶۸-۹۵-۹۹.۷ برای توزیع نرمال

⚖️ انواع سوگیری

  • انتخاب → نمونه غیرنماینده
  • یادآوری → موارد بیشتر به خاطر می‌سپارند
  • انتشار → فقط مطالعات مثبت
  • زمان سرب → خطای دید غربالگری
  • ریزش → ترک تحصیل نتایج را تحریف می‌کند
💡

چرا این موضوع در GP و AKT اهمیت دارد؟

پزشکی مبتنی بر شواهد و آمار فقط تئوری نیستند. در اتاق مشاوره شما، هر مکالمه‌ای در مورد گزینه‌های درمانی شامل NNTها می‌شود، چه آنها را نام ببرید چه نبرید. هر آزمایش خون حساسیت و ویژگی خاص خود را دارد. هر دستورالعمل جدید مبتنی بر یک طراحی مطالعه است که بر میزان اعتماد شما به آن تأثیر می‌گذارد.

در آزمون AKT، این موضوع بخش قابل توجهی از نمرات را به خود اختصاص می‌دهد - تقریباً 10 تا 15 درصد از برگه طبق راهنمای RCGP. این یکی از معدود حوزه‌هایی است که مقدار کمی مرور هدفمند، بلافاصله نتیجه می‌دهد . بسیاری از داوطلبان در اینجا نمره آسان را از دست می‌دهند، نه به این دلیل که مفاهیم دشوار هستند، بلکه به این دلیل که هرگز ننشسته‌اند و آنها را به طور سیستماتیک یاد نگرفته‌اند.

سوالات آمار در AKT اغلب جدولی از داده‌های آزمایش را ارائه می‌دهند و از شما می‌خواهند که یک مقدار را محاسبه کنید، یک نمودار را تفسیر کنید یا بهترین طرح مطالعه را شناسایی کنید. آنها به تفکر روشمند پاداش می‌دهند، نه دانش پزشکی. این باعث می‌شود که آنها "قابل یادگیری‌ترین" نمره در برگه باشند.

وقتی بدانید چگونه NNT را محاسبه کنید، نمودار جنگل را تفسیر کنید و تأثیر شیوع بر PPV را درک کنید، کل دسته از سوالات AKT به جای ترسناک بودن، ساده می‌شوند.
؟؟؟؟

پزشکی مبتنی بر شواهد (EBM)

«وقتی در اواسط دهه ۱۹۸۰ مشغول آموزش بودم، به هر بیماری که پس از حمله قلبی از در وارد می‌شد، لیدوکائین داخل وریدی تزریق می‌کردم. این روش، روش استانداردی بود. همه این کار را می‌کردند. به نظر می‌رسید که کاملاً منطقی است.»

— پروفسور گوردون گایات، پزشکی که اصطلاح «پزشکی مبتنی بر شواهد» را ابداع کرد، در توصیف آموزش خود قبل از وجود EBM

او بعداً کشف کرد که روشی که او در آن آموزش دیده بود - و صدها هزار پزشک در سراسر جهان آن را انجام می‌دادند - نه تنها بی‌فایده بود، بلکه به طور بالقوه باعث مرگ افراد می‌شد. نه از روی سهل‌انگاری. نه از روی بی‌کفایتی. بلکه به این دلیل که هیچ‌کس تا به حال به درستی آزمایش نکرده بود که آیا واقعاً مؤثر است یا خیر.

این داستان دلیل وجود پزشکی مبتنی بر شواهد است - و اینکه چرا برای هر بیماری که تا به حال خواهید دید، عمیقاً اهمیت دارد.

📋 پزشکی مبتنی بر شواهد چیست؟

«استفاده‌ی آگاهانه، صریح و خردمندانه از بهترین شواهد موجود در تصمیم‌گیری در مورد مراقبت از بیماران خاص.»

— دیوید ساکت، BMJ 1996 — تعریفی که بیشترین استناد را در پزشکی دارد

به زبان ساده: به جای درمان بیماران بر اساس عادت، عقیده، سنت یا آنچه استادتان به شما گفته است، پزشکی مبتنی بر شواهد از شما می‌خواهد که تصمیمات بالینی خود را بر اساس بهترین تحقیقات موجود - که به طور دقیق انجام شده، به طور انتقادی ارزیابی شده و صادقانه تفسیر شده‌اند - بنا کنید.

این جایگزین قضاوت بالینی نمی‌شود - بلکه به آن آگاهی می‌دهد . پزشکی مبتنی بر شواهد بر سه ستون جدایی‌ناپذیر استوار است که باید با هم کار کنند:

🔬
بهترین شواهد تحقیقاتی
تحقیقات بالینی مرتبط و با کیفیت بالا - به ویژه از RCTها و مرورهای سیستماتیک
🩺
تخصص بالینی
مهارت و تجربه پزشک متخصص، که در طول سال‌ها طبابت به دست آمده است
🤝
ارزش‌ها و ترجیحات بیمار
شرایط، ارزش‌ها و آنچه برای هر بیمار بیشترین اهمیت را دارد
🕰️ چگونه EBM به وجود آمد؟ — تاریخچه مختصر

پزشکی مبتنی بر شواهد (EBM) از ناکجاآباد ظاهر نشد. این اوج دهه‌ها تفکر انقلابی بی‌سروصدا در کانادا و بریتانیا بود.

سالواقعه
1938 جان پاول (دانشگاه ییل) اصطلاح «اپیدمیولوژی بالینی» را ابداع کرد - این ایده که پزشکی باید به صورت علمی در جمعیت‌ها مورد مطالعه قرار گیرد، نه فقط در بیماران به صورت انفرادی مشاهده شود.
1967 دانشگاه مک مستر (همیلتون، کانادا) دانشکده پزشکی جدید خود را با دپارتمان اپیدمیولوژی بالینی و آمار زیستی افتتاح کرد - که در آن زمان بسیار رادیکال بود و به کاربرد روش‌های تحقیق در تصمیم‌گیری‌های بالینی اختصاص داشت.
1972 آرچی کاکرین، اپیدمیولوژیست اسکاتلندی، منتشر می‌کند اثربخشی و کارایی: تأملات تصادفی در مورد خدمات بهداشتی — متنی برجسته که استدلال می‌کند علم پزشکی باید درمان‌های خود را به طور دقیق آزمایش کند. کار او در نهایت منجر به ایجاد «سازمان همکاری کاکرین» شد که به افتخار او نامگذاری شده است.
1981 دیوید ساکت و همکارانش در مک‌مستر مجموعه‌ای نه مقاله‌ای را در مجله انجمن پزشکی کانادا منتشر کردند که به پزشکان آموزش می‌دهد چگونه متون پزشکی را به طور انتقادی ارزیابی کنند. این آغاز رسمی جنبش پزشکی مبتنی بر شواهد است.
1990 گوردون گایات، مدیر جوان مقیم در مک مستر، یک برنامه آموزشی جدید طراحی می‌کند و در ابتدا آن را «پزشکی علمی» می‌نامد. همکارانش از این پیشنهاد استقبال نمی‌کنند - این برداشت که شیوه‌های فعلی علمی نیستند، بیش از حد صریح است.
1991 گایات نام این رویکرد را تغییر می‌دهد «پزشکی مبتنی بر شواهد» و این اصطلاح را در سرمقاله‌ای در باشگاه ژورنال ACP منتشر می‌کند. این عبارت فوراً در ذهن می‌ماند.
1992 مقاله برجسته JAMA - «پزشکی مبتنی بر شواهد: رویکردی نوین در آموزش طبابت» — پزشکی مبتنی بر شواهد را به جهان معرفی می‌کند. گایات به یاد می‌آورد که واکنش در ابتدا «خشم» بود. همکاران احساس می‌کردند که به آنها گفته می‌شود پزشکان خوبی نیستند.
1993 سازمان همکاری کاکرین رسماً تأسیس شد - یک شبکه بین‌المللی برای تولید و انتشار مرورهای سیستماتیک از شواهد مراقبت‌های بهداشتی.
1996 دیوید ساکت تعریف قطعی سه رکنی را در BMJ منتشر کرد. پزشکی مبتنی بر شواهد به جریان اصلی تبدیل شد.
دهه 2000 - امروز پزشکی مبتنی بر شواهد در آموزش بریتانیا گنجانده می‌شود: دستورالعمل‌های NICE، GMC’s Good Medical Practice و برنامه درسی RCGP همگی آن را الزامی می‌دانند. این اساس نحوه آموزش و ارزیابی هر پزشک بریتانیایی است.
⚠️ پزشکی قبل از EBM چگونه بود؟ مشکلی که حل کرد

قبل از ظهور پزشکی مبتنی بر شواهد، پزشکی بر اساس چیزی اداره می‌شد که گوردون گایات به طرز خاطره‌انگیزی آن را «GOBSAT» نامید - پسران خوب قدیمی که دور یک میز نشسته‌اند . دستورالعمل‌های بالینی توسط متخصصان ارشدی نوشته می‌شدند که نظرات شخصی خود را با هم جمع می‌کردند و آنچه برای بیمار شما اتفاق می‌افتاد کاملاً به این بستگی داشت که کدام پزشک اتفاقاً او را ویزیت می‌کرد.

دنیای پیش از EBM
  • پزشکی مبتنی بر تعالی: شما با بیماران همانطور که استادتان رفتار می‌کرد، رفتار می‌کردید. اقتدار از ارشدیت ناشی می‌شد، نه از مدرک. به مشاوری که 30 سال «همیشه به این روش کار کرده بود» احترام گذاشته شد - حتی اگر «این روش» هرگز آزمایش نشده بود.
  • پزشکی مبتنی بر شهود: اگر درمانی از نظر فیزیولوژیکی منطقی به نظر می‌رسید، از آن استفاده می‌شد. اگر سرکوب ریتم‌های غیرطبیعی قلب منطقی به نظر می‌رسید، آنها را سرکوب می‌کردید. اینکه آیا واقعاً به بیماران کمک می‌کرد یا خیر، به ندرت مورد آزمایش قرار می‌گرفت.
  • پزشکی مبتنی بر حکایت: «طبق تجربه من، دریافته‌ام که...» معیار شواهد بود. موارد فردی، حتی زمانی که از نظر آماری، موارد پرت بودند، رویه را هدایت می‌کردند.
  • تنوع بسیار زیاد: یک بیمار که به دو بیمارستان مختلف - یا حتی دو پزشک مختلف در یک بیمارستان - مراجعه می‌کند، ممکن است برای یک بیماری کاملاً یکسان، درمان‌های کاملاً متفاوتی دریافت کند.
آیا می‌خواهید پلی ساخته شود که بر اساس این جمله ساخته شده باشد: «من 30 سال است که به این روش پل طراحی می‌کنم و هیچ کدام هنوز فرو نریخته‌اند»؟ یا بر اساس علم مهندسی سازه آزمایش‌شده؟ پاسخ واضح است. اما در بیشتر تاریخ پزشکی، رویکرد پل دقیقاً همان چیزی بود که اتفاق افتاد.

🔴 مثالی که پزشکی را تغییر داد - آزمایش CAST

این یک فرضیه نیست. این یکی از مهم‌ترین داستان‌های واقعی در پزشکی مدرن است - و یکی از قوی‌ترین استدلال‌هایی که پزشکی مبتنی بر شواهد (EBM) تاکنون به آن نیاز داشته است.

مقدمات - منطقی که به نظر غیرقابل انکار می‌آمد

حملات قلبی باعث ناهنجاری‌های خطرناک ریتم قلب (آریتمی‌های بطنی) می‌شوند. آریتمی‌های بطنی باعث مرگ ناگهانی می‌شوند. بنابراین: آریتمی‌ها را سرکوب کنید → از مرگ ناگهانی جلوگیری کنید . این موضوع آنقدر واضح و درست به نظر می‌رسید که از دهه 1970 به بعد، داروهای ضد آریتمی - به ویژه لیدوکائین، فلکاینید و انکائینید - به طور معمول به بیماران پس از سکته قلبی در بیمارستان‌های سراسر جهان داده می‌شد. نه گاهی اوقات. به طور معمول. به عنوان مراقبت استاندارد.

محاکمه - کسی واقعاً آن را آزمایش کرد

در سال ۱۹۸۷، کارآزمایی سرکوب آریتمی قلبی (CAST) بیش از ۱۷۰۰ بیمار پس از سکته قلبی را ثبت‌نام کرد و آنها را به صورت تصادفی به دو گروه داروهای ضد آریتمی (فلکاینید یا انکاینید) یا دارونما تقسیم کرد. داروها دقیقاً همان کاری را که قرار بود انجام دهند، انجام دادند - آنها با موفقیت آریتمی‌ها را سرکوب کردند. اما اتفاق غیرمنتظره‌ای رخ داد.

نتیجه - چیزی که هیچ کس انتظار نداشت

بیمارانی که این داروها را مصرف می‌کردند، ۲.۵ برابر بیشتر از بیمارانی که دارونما مصرف می‌کردند، در معرض مرگ بودند. آزمایش باید خیلی زود متوقف می‌شد زیرا آسیب آن بسیار واضح بود. این داروها دقیقاً همان بیمارانی را که قرار بود از آنها محافظت کنند، کشته بودند.

NNH = 21. به ازای هر 21 بیماری که با فلکاینید یا انکااینید درمان شدند، یک نفر دیگر که در غیر این صورت زنده می‌ماند، فوت کرد.

درس

گوردون گایات - که در آن زمان یک متخصص قلب جوان بود - شخصاً به هر بیمار پس از سکته قلبی که به بخش او مراجعه می‌کرد، لیدوکائین تزریق می‌کرد. او از بهترین روش‌ها پیروی می‌کرد. به او به درستی آموزش داده شده بود. او نیت خیر داشت. با این حال، بدون آزمایش دقیق یک RCT، نه او و نه همکارانش هیچ راهی برای دانستن مضر بودن درمان نداشتند. این تجربه دلیل اصلی اختصاص حرفه او به EBM شد. او بعداً گفت که تاریخ پزشکی "پر از درمان‌هایی است که بیشتر بر اساس حدس و شهود بوده است تا شواهد محکم."

🌐 چگونه EBM همه چیز را تغییر داد - استانداردسازی و وحدت

قبل از EBM، آنچه دریافت می‌کردید به محل زندگی‌تان، بیمارستانی که به آن مراجعه می‌کردید و پزشکی که شما را معاینه می‌کرد، بستگی داشت. یک بیمار با شرایط یکسان ممکن بود درمان‌های کاملاً متفاوتی را در لیدز و لندن دریافت کند. بیمارستان‌های مختلف. کشورهای مختلف. نتایج بسیار متفاوت.

پزشکی مبتنی بر شواهد این وضعیت را تغییر داد. با پیوند دادن تصمیمات بالینی به شواهد یکسان - کارآزمایی‌های یکسان، بررسی‌های سیستماتیک یکسان، دستورالعمل‌های یکسان - به پزشکی یک زبان مشترک و یک استاندارد مشترک بخشید. امروزه، بیماری که با سکته قلبی در برادفورد مراجعه می‌کند و بیماری که با سکته قلبی در بریستول مراجعه می‌کند، اساساً باید مراقبت مبتنی بر شواهد یکسانی دریافت کنند. نه به این دلیل که پزشکان یکسان هستند، بلکه به این دلیل که درمان بر اساس شواهد انجام می‌شود، نه بر اساس ترجیحات فردی.

در بریتانیا، این امر از طریق دستورالعمل‌های NICE ، برنامه درسی RCGP ، شاخص‌های QOF ، ممیزی‌های بالینی و آزمون‌های MRCGP عملیاتی می‌شود - که همگی مستلزم عملکرد مبتنی بر شواهد هستند و آن را ارزیابی می‌کنند. وقتی در آزمون AKT شرکت می‌کنید، توانایی شما در به‌کارگیری این چارچوب سنجیده می‌شود.

🌍 جهانی بدون EBM — The International Picture

تعهد بریتانیا به پزشکی مبتنی بر شواهد - از طریق NICE، NHS و آموزش‌های تکمیلی - جهانی نیست. در بسیاری از نقاط جهان، آنچه شما به عنوان بیمار دریافت می‌کنید هنوز به شدت به این بستگی دارد که چه کسی شما را می‌بیند، کجا مراجعه می‌کنید و چقدر می‌توانید پرداخت کنید. درک این موضوع به شما کمک می‌کند تا درک کنید که پزشکی مبتنی بر شواهد از بیماران شما در برابر چه چیزی محافظت می‌کند.

🔴 نکته مهم قبل از مطالعه

تنوع شرح داده شده در زیر، منعکس کننده سیستم‌ها و ساختارهای مراقبت‌های بهداشتی است ، نه شایستگی یا فداکاری پزشکان به صورت انفرادی. بسیاری از پزشکان درخشان و سخت‌کوش در هر کشور ذکر شده طبابت می‌کنند. مشکل، فقدان زیرساخت‌های استاندارد - دستورالعمل‌ها، نظارت، چارچوب‌های آموزشی - است که پزشکی مبتنی بر شواهد ارائه می‌دهد. پزشکان به صورت انفرادی نمی‌توانند به تنهایی بر مشکلات سیستمی غلبه کنند.

کشور / منطقه چگونه بدون چارچوب‌های قوی EBM، شیوه‌های درمانی تغییر می‌کنند؟
🇮🇳 هند (بخش خصوصی) 2018 نیشتر یک مطالعه نشان داد که میزان سزارین در بیمارستان‌های خصوصی ۴۰ تا ۵۸ درصد در مقایسه با ۱۰ تا ۱۴ درصد در مراکز دولتی است - که اغلب به دلیل انگیزه‌های مالی و نه نیاز بالینی انجام می‌شود. تحقیقات بیش از حد و چند دارویی به طور گسترده در بخش خصوصی مستند شده است. یک بیمار سرطانی ممکن است بسته به محل مراجعه و توانایی مالی خود، درمان‌های بسیار متفاوتی دریافت کند.
پاکستان تنوع قابل توجه در پایبندی به دستورالعمل‌های مصرف آنتی‌بیوتیک - یکی از بالاترین میزان تجویز آنتی‌بیوتیک در جنوب آسیا. سل مقاوم به دارو و مقاومت ضدمیکروبی از پیامدهای مستقیم آن هستند. دسترسی به مراقبت‌های تخصصی و مسیرهای مدیریت استاندارد به شدت به جغرافیا و درآمد وابسته است.
🇳🇬 نیجریه / 🇬🇭 غنا سولفات منیزیم درمان توصیه‌شده توسط سازمان بهداشت جهانی، مبتنی بر شواهد و ارزان برای اکلامپسی است. مطالعات نشان می‌دهد که این دارو مرگ و میر مادران را به میزان قابل توجهی کاهش می‌دهد. با این حال، در دسترس بودن و استفاده واقعی از آن در مراکز نیجریه و غنا بسته به منابع بیمارستانی و آموزش پزشکان بسیار متفاوت است - به این معنی که آیا یک زن مبتلا به اکلامپسی زنده می‌ماند یا می‌میرد، ممکن است به این بستگی داشته باشد که به کدام مرکز درمانی مراجعه می‌کند.
🇸🇩 سودان / 🇮🇶 عراق درگیری و بی‌ثباتی طولانی‌مدت، زیرساخت‌های مراقبت‌های بهداشتی را ویران کرده است. در عراق پس از سال ۲۰۰۳، خدمات بهداشت عمومی فروپاشید، اجرای دستورالعمل‌ها متوقف شد و دسترسی به داروهای اساسی به جغرافیا وابسته شد. در سودان، درگیری برنامه‌های واکسیناسیون، خدمات سلامت مادران و مدیریت بیماری‌های مزمن را مختل کرده است. تنوع در عمل در چنین محیط‌هایی موضوع ترجیح نیست - بلکه موضوع امکانات موجود است.
🇪🇬 مصر / 🇮🇷 ایران هر دو کشور دارای دانشکده‌های پزشکی هستند که پزشکان ماهری تربیت می‌کنند و دستورالعمل‌های پزشکی مبتنی بر شواهد (EBM) را منتشر کرده‌اند - اما اجرای آنها بین بخش‌های دولتی و خصوصی و بین مناطق شهری و روستایی متناقض است. در ایران، تحریم‌های بین‌المللی بر دسترسی به دارو تأثیر گذاشته و باعث ایجاد تغییراتی شده است که با پروتکل‌های مبتنی بر شواهد متفاوت است.
رومانی رومانی در حال مستندسازی این رویه بوده است پلیکول ("پاکت") - پرداخت‌های نقدی غیررسمی به پزشکان و پرستاران برای تضمین مراقبت. رسماً غیرقانونی، اما به طور گسترده انجام می‌شود. تحقیقات پارلمانی و روزنامه‌نگاری تحقیقی تأیید کرده‌اند که کیفیت مراقبت‌های جراحی می‌تواند به میزان پرداخت خصوصی بیمار، صرف نظر از حق بیمه معادل رسمی NHS او، بستگی داشته باشد. فرار مغزها از زمان پیوستن به اتحادیه اروپا، تخمین زده می‌شود که بیش از ۱۴۰۰۰ پزشک را از کشور خارج کرده است.
ایالات متحده گران‌ترین مراقبت‌های بهداشتی در جهان - بیش از ۱۲۰۰۰ دلار برای هر نفر در سال - با این حال نتایج اغلب بهتر از بریتانیا نیست. پروژه اطلس دارتموث، تنوع جغرافیایی عظیمی را در عملکرد بالینی مستند کرده است: یک بیمار در میامی ممکن است دو برابر همان بیمار در مینیاپولیس تحت بررسی و عمل جراحی قرار گیرد، بدون اینکه تفاوتی در نتایج حاصل شود. یک مطالعه JAMA در سال ۲۰۱۹ تخمین زد که ۹۳۵ میلیارد دلار - تقریباً یک چهارم کل هزینه‌های مراقبت‌های بهداشتی ایالات متحده - صرف مراقبت‌های غیرضروری می‌شود. بحران مواد افیونی تا حدودی توسط شرکت‌های داروسازی که در خارج از چارچوب‌های EBM بر شیوه‌های تجویز دارو تأثیر می‌گذارند، دامن زده شد.
فرانسه فرانسه از نظر مراقبت‌های بهداشتی عالی است - اما میزان تجویز آنتی‌بیوتیک از نظر تاریخی جزو بالاترین‌ها در اروپا بوده است، که تا حدودی به دلیل انتظارات فرهنگی مبنی بر اینکه مشاوره همیشه باید با تجویز دارو به پایان برسد، بوده است. کمپین‌هایی برای کاهش این امر ("آنتی‌بیوتیک‌ها خودکار نیستند") کمک کرده‌اند، اما این الگو نشان می‌دهد که چگونه فشارهای فرهنگی و تجاری می‌توانند حتی در سیستم‌های پیشرفته، راهنمایی‌های مبتنی بر شواهد را نادیده بگیرند.
ایتالیا کیفیت مراقبت‌های بهداشتی در شمال ایتالیا (میلان، بولونیا) جزو بهترین‌ها در اروپا است. در بخش‌هایی از جنوب ایتالیا، تصویر بسیار متفاوت است - زمان انتظار طولانی‌تر برای جراحی سرطان، اجرای کمتر برنامه‌های غربالگری، پایبندی کمتر به مراقبت‌های مبتنی بر دستورالعمل. منشأ جغرافیایی در همان کشور می‌تواند به طور قابل توجهی بر نتایج تأثیر بگذارد.
🇬🇷 یونان / 🇪🇸 اسپانیا بحران ریاضت اقتصادی یونان (۲۰۱۰-۲۰۱۵) منجر به کاهش بیش از ۲۵ درصدی هزینه‌های مراقبت‌های بهداشتی شد که طبق گزارش‌ها، کمبود دارو، کاهش کارکنان و افت کیفیت را به همراه داشت. بیش از ۳۵۰۰۰ نفر از کارکنان مراقبت‌های بهداشتی مهاجرت کردند. در اسپانیا، تفاوت‌های منطقه‌ای قابل توجهی در میزان بقای سرطان ثبت شده است - توموری که در آن رشد می‌کنید ممکن است بسته به منطقه‌ای که در آن زندگی می‌کنید، رفتار متفاوتی داشته باشد، نه به این دلیل که زیست‌شناسی متفاوت است، بلکه به این دلیل که کاربرد سیستم درمان مبتنی بر شواهد متفاوت است.
💊 وقتی چیزی که به دست می‌آورید به پولی که پرداخت می‌کنید بستگی دارد

در سیستم‌های مراقبت‌های بهداشتی بدون چارچوب‌های قوی EBM یا حقوق جهانی، رابطه بین پرداخت و کیفیت درمان اغلب مستقیم و مستند است:

  • در برخی بیمارستان‌های خصوصی هند، بیماری که با درد قفسه سینه مراجعه می‌کند و توانایی پرداخت هزینه مراقبت‌های خصوصی را دارد، ممکن است فوراً کاتتریزاسیون و استنت‌گذاری دریافت کند. همین بیمار در بیمارستان‌های دولتی ممکن است ساعت‌ها برای گرفتن نوار قلب منتظر بماند.
  • در بخش‌هایی از کشورهای جنوب صحرای آفریقا، اینکه کودکی مبتلا به مالاریای شدید، درمان ترکیبی مبتنی بر آرتمیسینین (استاندارد مبتنی بر شواهد) یا داروی قدیمی‌تر و کم‌اثرتر دریافت کند، بستگی به این دارد که به کدام مرکز درمانی دسترسی پیدا کند و خانواده‌اش چقدر می‌تواند هزینه کند.
  • در کشورهایی که دسترسی جهانی به دارو وجود ندارد، داروهای شیمی‌درمانی سرطان ممکن است فقط در دسترس کسانی باشد که می‌توانند از جیب خود هزینه کنند - به این معنی که سرطان‌های یکسان، صرفاً بر اساس درآمد، پیامدهای بسیار متفاوتی دارند.
  • در رومانی و برخی دیگر از کشورهای اروپای شرقی، کیفیت یک عمل جراحی - دقت جراح، کیفیت نظارت بر بیهوشی، حتی در دسترس بودن پرستاری پس از عمل - به پرداخت غیررسمی بستگی دارد، نه نیاز بالینی.
✈️ تشبیهی که موضوع را روشن می‌کند

هر بار که سوار یک پرواز تجاری می‌شوید، از یکی از مؤثرترین سیستم‌های ایمنی که بشر تا به حال ساخته است، بهره‌مند می‌شوید. نه به این دلیل که خلبانان به طور انفرادی استعداد فوق‌العاده‌ای دارند - هرچند که دارند. بلکه به این دلیل که هوانوردی بر اساس پروتکل‌های استاندارد و آزمایش‌شده ساخته شده است . هر خلبان، هر شرکت هواپیمایی، هر کشوری از چک‌لیست‌های قبل از پرواز یکسانی، رویه‌های فرود یکسانی و پروتکل‌های اضطراری یکسانی پیروی می‌کند. این سیستم صرف نظر از اینکه کدام خلبان را انتخاب می‌کنید، از شما محافظت می‌کند.

پزشکی بدون EBM مانند هوانوردی بدون چک لیست است. ایمنی شما کاملاً به این بستگی دارد که آیا خلبان خوبی پیدا می‌کنید، آیا آن خلبان به تازگی آموزش دیده است، آیا روز خوبی را سپری می‌کند و آیا آخرین نظرات را از کسی که به او اعتماد دارد شنیده است یا خیر.

پزشکی مبتنی بر شواهد، شانس را با سیستم‌ها جایگزین می‌کند. عبارت «طبق تجربه من» را با عبارت «در ۱۵۰۰۰ آزمایش شامل ۲ میلیون بیمار» جایگزین می‌کند. این پزشکی نظر هر کسی را که اتفاقاً ارشدترین فرد حاضر در اتاق است، با شواهد انباشته شده از تجربه بالینی جمعی بشریت جایگزین می‌کند. آیا شما این را برای بیماران خود ترجیح نمی‌دهید؟ آیا بیماران شما آن را برای خودشان ترجیح نمی‌دهند؟

💡 چرا این موضوع برای شما به عنوان یک کارآموز پزشک عمومی در بریتانیا اهمیت دارد؟
  • هر دستورالعمل NICE که دنبال می‌کنید، محصول بررسی سیستماتیک شواهد است - کسی کار اطمینان از این را انجام داده است که آنچه انجام می‌دهید توسط بهترین علم موجود پشتیبانی می‌شود.
  • هر سوال AKT در مورد آمار و روش‌های تحقیق، توانایی شما را در ارزیابی انتقادی شواهد می‌سنجد - اینکه یک مصرف‌کننده فعال EBM باشید، نه یک پیرو منفعل دستورالعمل‌ها.
  • وقتی شما یک NNT را برای بیمار توضیح می‌دهید، یا محدودیت‌های یک آزمایش غربالگری را مورد بحث قرار می‌دهید، یا از تجویز آنتی‌بیوتیکی که تجویز آن ضروری نیست خودداری می‌کنید، شما در حال انجام EBM هستید - آگاهانه، صریح و سنجیده.
  • و وقتی یک نماینده دارو روبروی شما می‌نشیند و به شما می‌گوید که داروی جدیدشان حوادث قلبی عروقی را تا ۳۵٪ کاهش می‌دهد، اولین سوال شما - «۳۵٪ نسبی یا مطلق؟» - سوالی است که پزشکی مبتنی بر شواهد به شما آموخته است که بپرسید.
1

طرح‌های مطالعه و سلسله مراتب شواهد

قبل از اینکه هر نتیجه‌ای را تفسیر کنید، باید بدانید که از کجا آمده است . طرح‌های مطالعاتی مختلف به سوالات متفاوتی پاسخ می‌دهند، آمارهای متفاوتی تولید می‌کنند و سطوح مختلفی از اعتبار را به همراه دارند.

هرم شواهد

قوی‌ترین شواهد در بالا؛ ضعیف‌ترین شواهد در پایین

مرورهای سیستماتیک و متاآنالیزها
کارآزمایی‌های تصادفی کنترل‌شده (RCT)
مطالعات کوهورت
مطالعات مورد- شاهدی
مطالعات مقطعی
گزارش‌های موردی و نظر کارشناسی

⬆ قوی‌ترین شواهد | ⬇ ضعیف‌ترین شواهد

طراحی مطالعه جهت بهترین برای تولید می کند ضعف کلیدی
مرور سیستماتیک / متاآنالیز - بهترین شواهد کلی در مورد یک سوال اندازه اثر تجمیعی فقط به اندازه مطالعات زمینه‌ای خوب است؛ ناهمگونی
RCT (کارآزمایی تصادفی کنترل‌شده) به جلو آیا درمان X مؤثر است؟ RR، ARR، NNT گران، محیط مصنوعی، مسائل اخلاقی
مطالعه کوهورت رو به جلو (آینده نگر) یا رو به عقب (گذشته نگر) آیا مواجهه باعث نتیجه می‌شود؟ میزان بروز؟ خطر نسبی (RR)، میزان بروز فرسایش؛ پرهزینه در طول زمان؛ گیج‌کننده
مطالعه موردی-شاهدی به عقب بیماری‌های نادر؛ عوامل خطر نسبت شانس (OR) سوگیری یادآوری؛ نمی‌توان میزان بروز را مستقیماً محاسبه کرد
مطالعه مقطعی عکس فوری تکی در حال حاضر X چقدر رایج است؟ (شیوع) شیوع نمی‌توان علیت را اثبات کرد؛ ابهام زمانی
گزارش مورد / نظر کارشناسی - تولید فرضیه؛ رویدادهای نادر فقط توضیحات بسیار مستعد سوگیری است؛ قابل تعمیم نیست
📖 تحقیق کیفی در مقابل تحقیق کمی
تحقیقات کمی

به «چند» یا «چه مقدار» پاسخ می‌دهد. از اعداد، آمار و داده‌های ساختاریافته استفاده می‌کند. مثال‌ها: RCTها، مطالعات هم‌گروهی، نظرسنجی‌هایی با نتایج عددی. مقادیر p، CIها و NNTها را تولید می‌کند.

تحقیق کیفی

به «چرا» یا «چگونه» پاسخ می‌دهد. از کلمات، مضامین و مصاحبه‌ها استفاده می‌کند. مثال‌ها: گروه‌های کانونی، مطالعات قوم‌نگاری، نظریه زمینه‌ای. تجربیات و باورهای بیمار را بررسی می‌کند.

در AKT: سوالی در مورد نگرش، تجربیات یا درک بیمار از بیماری → کیفی. سوالی در مورد میزان، پیامدها یا اثربخشی → کمی.
🔬 مرور سیستماتیک در مقابل متاآنالیز - یکسان نیستند

مرور سیستماتیک: جستجوی دقیق و ساختاریافته متون که تمام مطالعات مرتبط با یک سوال را شناسایی، انتخاب و به صورت انتقادی ارزیابی می‌کند. نتیجه، خلاصه‌ای کیفی از شواهد است.

متاآنالیز: یک مرور سیستماتیک که یک قدم فراتر می‌رود - از نظر ریاضی نتایج کمی حاصل از مطالعات متعدد را در یک تخمین ترکیبی واحد جمع می‌کند . همه مرورهای سیستماتیک شامل متاآنالیز نمی‌شوند (مثلاً اگر مطالعات برای ترکیب بیش از حد ناهمگن باشند).

یک مرور سیستماتیک را به عنوان خواندن تمام کتاب‌های مربوط به یک موضوع و نوشتن گزارش در نظر بگیرید. یک متاآنالیز، گزارشی است که در انتها فرمولی دارد که میانگین تمام نتیجه‌گیری‌های نویسندگان را در یک عدد نشان می‌دهد.
🔄 چارچوب PICO

PICO چارچوب استانداردی برای ساختاردهی یک سوال تحقیق بالینی است که برای جستجوی متون و طراحی مطالعات استفاده می‌شود.

نامهمخففمثال
Pجمعیت / بیماربزرگسالان مبتلا به دیابت نوع ۲
Iمداخلهبازدارنده های SGLT2
Cمقایسهمتفورمین به تنهایی
Oنتیجهحوادث قلبی عروقی در ۵ سالگی
AKT ممکن است سناریویی ارائه دهد و بپرسد کدام طرح مطالعه به بهترین وجه به سوال PICO پاسخ می‌دهد. نوع پیامد را با استفاده از جدول بالا به طرح صحیح مطابقت دهید.
🎲 ویژگی‌های طراحی RCT (معمولاً آزمایش شده)
ویژگیمعنیش چیهچرا مهم است
تصادف شرکت‌کنندگان به صورت تصادفی به گروه‌ها اختصاص داده شدند سوگیری انتخاب را از بین می‌برد؛ عوامل مخدوش‌کننده را متعادل می‌کند
تک پرده شرکت‌کنندگان از سهمیه خود اطلاعی ندارند اثر دارونما و سوگیری شرکت‌کنندگان را کاهش می‌دهد
دو کور نه شرکت‌کنندگان و نه محققان از تخصیص اطلاعی ندارند سوگیری ناظر و سوگیری شرکت‌کننده را از بین می‌برد
سه‌گانه کور شرکت‌کنندگان، محققان، و تحلیلگران داده‌ها کورسازی شده‌اند حداکثر کاهش بایاس
قصد درمان (ITT) صرف نظر از پایبندی، در گروه اصلی خود تجزیه و تحلیل شدند تصادفی‌سازی را حفظ می‌کند؛ استفاده در دنیای واقعی را منعکس می‌کند
طبق پروتکل فقط در صورتی که پروتکل را تکمیل کرده باشند، تجزیه و تحلیل می‌شوند اثربخشی بیولوژیکی را نشان می‌دهد اما مزایای دنیای واقعی را بیش از حد تخمین می‌زند
طراحی کراس‌اوور شرکت‌کنندگان هر دو درمان را به ترتیب دریافت می‌کنند هر فرد به عنوان کنترل خود عمل می‌کند؛ به دوره‌ی شست‌وشو نیاز دارد.
پنهان‌سازی تخصیص فردی که شرکت‌کنندگان را جذب می‌کند، نمی‌تواند ببیند که شرکت‌کننده بعدی تا چه زمانی به کدام گروه اختصاص داده خواهد شد. بعد از آنها ثبت نام کرده اند مانع از آن می‌شود که مسئول گزینش، بیماران سالم‌تر را به طور ناخودآگاه (یا عمدی) به گروه درمان اختصاص دهد - نوعی سوگیری انتخاب که تصادفی‌سازی به تنهایی از آن جلوگیری نمی‌کند.
RCT خوشه‌ای کل گروه‌ها (مثلاً مطب‌های پزشکان عمومی، بخش‌ها، مدارس) به جای افراد، تصادفی‌سازی می‌شوند. زمانی استفاده می‌شود که تصادفی‌سازی فردی عملی نباشد (مثلاً آزمایش یک سبک مشاوره جدید). به حجم نمونه بزرگتر و تنظیم آماری برای اثر خوشه‌بندی نیاز دارد.
⚠️ AKT Trap — ITT در مقابل Per Protocol

قصد درمان، تخمین محافظه‌کارانه‌تر (پایین‌تری) از اثربخشی ارائه می‌دهد - زیرا شامل شرکت‌کنندگان غیر پایبند به درمان می‌شود. این تحلیل ترجیحی برای تصمیم‌گیری‌های بالینی است. پروتکل Per اثربخشی را بیش از حد تخمین می‌زند اما برای درک مکانیسم بیولوژیکی مفید است.

⚖️ آزمون‌های برتری، عدم کهتری و برابری

همه آزمایش‌ها سوال یکسانی نمی‌پرسند. AKT گهگاه می‌آزماید که آیا شما متوجه هستید که یک آزمایش واقعاً برای نشان دادن چه چیزی طراحی شده است - و چرا این موضوع هنگام تفسیر نتایج آن اهمیت دارد.

نوع آزمایشیسوالی که پرسیده می‌شودزمینه مشترک
محاکمه برتری «آیا درمان جدید بهتر از مقایسه کننده؟" اکثر RCT های استاندارد - آزمایش یک دارو یا رویکرد واقعاً جدید
محاکمه عدم حقارت «آیا درمان جدید بدتر از این نیست مقایسه‌کننده را با اختلافی بیش از یک حاشیه کوچک از پیش تعیین‌شده؟» داروی جدید با عوارض جانبی کمتر، هزینه کمتر یا تجویز آسان‌تر - هدف این است که نشان دهد "به اندازه کافی خوب" است
محاکمه معادل‌سازی «آیا این دو روش درمانی اساساً یکسان است?" داروهای بیوسیمیلار؛ داروهای ژنریک؛ مسیرهای مختلف تجویز
💡 چرا آزمایش‌های عدم حقارت در پزشک عمومی اهمیت دارد؟

ممکن است نشان داده شود که یک داروی ضد انعقاد جدید برای پیشگیری از سکته مغزی "نسبت به وارفارین" "پایین‌تر" نیست - نه بهتر، بلکه به طور معناداری بدتر هم نیست - در حالی که استفاده از آن آسان‌تر است (بدون نظارت بر INR). این یک یافته بالینی ارزشمند است، حتی اگر دارو "وارفارین را شکست ندهد". AKT ممکن است از شما بخواهد نتیجه آزمایش عدم پایین‌تر بودن را به درستی تفسیر کنید.

⚠️ تله AKT

یک آزمایش غیر-ناپایین‌تر که «هیچ تفاوت معناداری» را نشان نمی‌دهد، با یک آزمایش برتری که «هیچ تفاوت معناداری» را نشان نمی‌دهد، یکسان نیست . در یک آزمایش برتری، نتیجه‌ی غیر-معنادار به این معنی است که شما نتوانسته‌اید ثابت کنید که داروی جدید بهتر عمل می‌کند. در یک آزمایش غیر-پایین‌تر، تفاوت غیر-معنادار دقیقاً همان چیزی است که شما به آن امیدوار بودید.

2

سوگیری تحقیق، اعتبار و پایایی

نوع تعصبتعریفکدام طرح‌های مطالعه؟چگونه آن را کاهش دهیم
سوگیری انتخاب شرکت‌کنندگان نماینده جمعیت هدف نیستند همه انواع تصادفی‌سازی؛ نمونه‌گیری دقیق
تعصب را به یاد بیاورید موارد (افراد مبتلا به بیماری) مواجهه‌های گذشته را واضح‌تر از گروه کنترل به یاد می‌آورند مطالعات مورد-شاهدی منابع داده‌های عینی؛ پرسش‌های استاندارد
تعصب انتشار مطالعات مثبت/معنی‌دار بیشتر از مطالعات منفی منتشر می‌شوند متاآنالیزها (از طریق نمودار قیفی شناسایی می‌شوند) ثبت کارآزمایی؛ جستجوی متون خاکستری
سوگیری فرسایشی عدم شرکت شرکت‌کنندگان در پیگیری، نتایج را مخدوش می‌کند (ترک‌کنندگان با تکمیل‌کنندگان متفاوت هستند) مطالعات کوهورت، RCTها تحلیل قصد درمان؛ به حداقل رساندن میزان انصراف از مطالعه
سوگیری زمان تحویل غربالگری با تشخیص زودهنگام بیماری، این توهم را ایجاد می‌کند که بقای افراد بهبود یافته است. مطالعات غربالگری از مرگ و میر ناشی از بیماری استفاده کنید، نه از میزان بقا از زمان تشخیص
بایاس طول غربالگری، بیماری‌های با رشد آهسته‌تر (کمتر تهاجمی) را تشخیص می‌دهد. مطالعات غربالگری RCTهایی با پیامدهای خاص بیماری
سوگیری ناظر/ارزیابی آگاهی از تخصیص درمان، ارزیابی پیامد را تحت تأثیر قرار می‌دهد RCTs کورسازی (یک، دو، سه)
اثر هاثورن شرکت‌کنندگان رفتار خود را تغییر می‌دهند زیرا می‌دانند که مشاهده می‌شوند همه انواع، به ویژه انواع مشاهده‌ای گروه‌های کنترل؛ ناظران کور
سوگیری تأیید فقط بیمارانی که نتیجه آزمایش آنها مثبت است، آزمایش تأییدی استاندارد طلایی را دریافت می‌کنند - بنابراین حساسیت به طور کاذب بالا و ویژگی به طور کاذب پایین به نظر می‌رسد. مطالعات آزمایش تشخیصی اطمینان حاصل کنید که همه بیماران (مثبت و منفی) آزمایش استاندارد طلایی را دریافت می‌کنند
گیج کننده متغیر سومی هم با میزان مواجهه و هم با پیامد مرتبط است که رابطه ظاهری را مخدوش می‌کند. مطالعات مشاهده ای تصادفی‌سازی (RCTs)؛ طبقه‌بندی؛ تحلیل چند متغیره
مثال کلاسیک گیج‌کننده: «فروش بستنی با غرق شدن مرتبط است.» آیا بستنی خطرناک است؟ خیر - هر دو در تابستان گران می‌شوند. فصل، گیج‌کننده است. این نشان می‌دهد که چرا همبستگی ≠ علیت است و چرا باید عوامل گیج‌کننده را کنترل کرد.
🔀 گیج‌کننده - وقتی دو چیز به نظر مرتبط می‌آیند اما نیستند

مخدوش‌سازی یکی از مهم‌ترین مفاهیم در روش‌شناسی تحقیق است - و یکی از رایج‌ترین دلایلی که چرا یافته‌های مشاهده‌ای ظاهراً قانع‌کننده اشتباه از آب در می‌آیند. ایده اصلی ساده است: دو چیز می‌توانند به هم مرتبط به نظر برسند، نه به این دلیل که مستقیماً بر یکدیگر تأثیر می‌گذارند، بلکه به این دلیل که هر دو به یک متغیر سوم پنهان مرتبط هستند.

🔴 تعریف اصلی

یک متغیر مخدوش‌کننده (یا متغیر مزاحم) متغیر سومی است که به طور مستقل با هر دو عامل مواجهه و پیامد مرتبط است. این متغیر یک ارتباط کاذب (نادرست) - یا یک ارتباط واقعی - بین مواجهه و پیامدی که شما مطالعه می‌کنید، ایجاد می‌کند.

تصور کنید متوجه می‌شوید افرادی که فندک حمل می‌کنند، بیشتر در معرض ابتلا به سرطان ریه هستند. آیا باید فندک را ممنوع کنیم؟ خیر - مقصر اصلی سیگار کشیدن است. سیگار کشیدن هم با حمل فندک و هم با ابتلا به سرطان ریه مرتبط است. سیگار کشیدن عامل مخدوش‌کننده است. ارتباط فندک و سرطان کاملاً با آن توضیح داده می‌شود.

نمونه های کلاسیک

پیوند آشکارمخدوش کنندهچرا همه چیز را توضیح می‌دهد
فروش بستنی → مرگ و میر ناشی از غرق شدن هوای گرم (تابستان) هوای گرم هم باعث خوردن بستنی بیشتر و هم باعث شنا بیشتر می‌شود → غرق شدن بیشتر. بستنی باعث غرق شدن نمی‌شود.
نوشیدن قهوه → سرطان ریه سیگار کشیدن سیگاری‌ها به طور متوسط ​​قهوه بیشتری می‌نوشند. مطالعات اولیه قهوه را با سرطان مرتبط می‌دانستند - تا زمانی که سیگار کشیدن کنترل شد.
حمل فندک → سرطان ریه سیگار کشیدن سیگاری‌ها فندک حمل می‌کنند. فندک هیچ اثر بیولوژیکی ندارد - سیگار کشیدن دارد.
موهای خاکستری → بیماری قلبی سن هم موهای خاکستری و هم بیماری قلبی با افزایش سن افزایش می‌یابند. سن عامل مخدوش‌کننده است - نه رنگ مو.
اندازه کفش → توانایی خواندن (در کودکان) سن بچه‌های بزرگتر پاهای بزرگتری دارند و بهتر می‌توانند بخوانند. سن هر دو را توضیح می‌دهد.
📐 سه معیار برای یک مخدوش‌کننده واقعی

یک متغیر در صورتی مخدوش‌کننده است که هر سه مورد زیر را داشته باشد:

  1. با آن مرتبط است قرار گرفتن در معرض (چیزی که داری در موردش مطالعه می‌کنی)
  2. با آن مرتبط است نتیجه (نتیجه‌ای که اندازه‌گیری می‌کنید)
  3. است نیستم در مسیر علّی بین مواجهه و پیامد (این یک متغیر سوم جداگانه است، نه یک گام در این بین)
💡 چگونه عوامل مخدوش‌کننده را کنترل کنیم
  • تصادف (در کارآزمایی‌های تصادفی کنترل‌شده تصادفی) - عوامل مخدوش‌کننده شناخته‌شده و ناشناخته را به طور مساوی بین گروه‌ها توزیع می‌کند. این قوی‌ترین محافظت است.
  • محدودیت — فقط شرکت‌کنندگانی را ثبت‌نام کنید که از نظر عامل مخدوش‌کننده مشابه هستند (مثلاً فقط افراد غیرسیگاری در مطالعه قهوه)
  • تطابق - موارد و کنترل‌ها را بر اساس متغیر مخدوش‌کننده جفت کنید
  • طبقه بندی - نتایج را برای هر سطح از عوامل مخدوش‌کننده به‌طور جداگانه تجزیه و تحلیل کنید
  • تعدیل آماری چند متغیره - از نظر آماری چندین عامل مخدوش‌کننده را به طور همزمان در نظر بگیرید
⚠️ چرا مخدوش شدن داده‌ها عمدتاً یک مشکل در مطالعات مشاهده‌ای است

در یک RCT که به خوبی انجام شده باشد، تصادفی‌سازی، عوامل مخدوش‌کننده (اعم از شناخته‌شده و ناشناخته) را به طور مساوی بین گروه‌ها توزیع می‌کند - و عوامل مخدوش‌کننده را به عنوان توضیحی برای تفاوت‌ها حذف می‌کند. در مطالعات کوهورت و مورد-شاهدی، شما فقط می‌توانید عوامل مخدوش‌کننده‌ای را که در مورد آنها می‌دانید و اندازه‌گیری کرده‌اید، تنظیم کنید. عوامل مخدوش‌کننده اندازه‌گیری نشده همیشه یک توضیح بالقوه برای هرگونه ارتباط مشاهده‌شده باقی می‌مانند - به همین دلیل است که مطالعات مشاهده‌ای هرگز نمی‌توانند به طور قطعی علیت را اثبات کنند.

✅ روایی و پایایی - تفاوت چیست؟
اعتبار درونی

آیا مطالعه، آنچه را که ادعا می‌کند در جمعیت مورد مطالعه اندازه‌گیری می‌کند، اندازه‌گیری می‌کند؟ آیا نتایج این مطالعه قابل اعتماد است؟ آیا در معرض خطر سوگیری و عوامل مخدوش‌کننده قرار دارد؟

اعتبار بیرونی (تعمیم‌پذیری)

آیا می‌توان نتایج را به سایر جمعیت‌ها یا محیط‌های دنیای واقعی تعمیم داد؟ یک RCT با کنترل بالا در یک مرکز تخصصی ممکن است منعکس‌کننده آنچه در مراقبت‌های اولیه اتفاق می‌افتد، نباشد.

قابلیت اطمینان (تکرارپذیری)

آیا آزمون در صورت تکرار تحت شرایط یکسان، نتایج ثابتی ارائه می‌دهد؟ با پایایی بین ارزیابان (آمار کاپا) یا پایایی آزمون-بازآزمون اندازه‌گیری می‌شود.

آماره کاپا (κ)

توافق بین دو ارزیاب را فراتر از شانس اندازه‌گیری می‌کند. κ = 1 (توافق کامل)؛ κ = 0 (توافق بهتر از شانس نیست)؛ κ < 0 (بدتر از شانس).

3

اندازه‌گیری ریسک و اثر درمان

این بخش ، پرتستحکم‌ترین بخش در آمار AKT است . شما باید این فرمول‌ها را به‌طور کامل بدانید و بتوانید آن‌ها را در جداول داده‌های آزمایشی تحت شرایط امتحان به کار ببرید.

تصور کنید در یک کازینو هستید. لاتاری می‌گوید شانس برنده شدن شما دو برابر شده است - به نظر شگفت‌انگیز می‌رسد. اما اگر از ۱ در میلیون به ۲ در میلیون رسیده باشید، بهبود نسبی ۱۰۰٪ است اما تفاوت مطلق هنوز اساساً هیچ است. این تفاوت بین RRR و ARR است. شرکت‌های دارویی عاشق اعلام RRR هستند. شما همیشه باید ARR را درخواست کنید.

معیارهای کلیدی

کاهش ریسک مطلق (ARR)
ARR = CER − EER
تفاوت واقعی در میزان وقوع حوادث بین گروه‌ها. صادقانه‌ترین معیار بالینی.
کاهش نسبی ریسک (RRR)
RRR = (CER − EER) ÷ CER
اغلب چشمگیرتر به نظر می‌رسد - بدون دانستن ریسک پایه می‌تواند گمراه‌کننده باشد. فرمول جایگزین: RRR = 1 − RR (از آنجایی که RR = EER÷CER، RRR = 1 − آن مقدار).
خطر نسبی (RR)
RR = EER ÷ CER
در مطالعات کوهورت و RCTها استفاده شده است. RR برابر با ۱ = بدون اثر؛ کمتر از ۱ = کاهش خطر؛ بیشتر از ۱ = افزایش خطر.
تعداد مورد نیاز برای درمان (NNT)
NNT = ۱ ÷ ARR
برای جلوگیری از یک پیامد بد، چند بیمار باید درمان شوند. کمتر = موثرتر. همیشه به بالا گرد کنید.
تعداد مورد نیاز برای آسیب رساندن (NNH)
NNH = ۱ ÷ ARI
چند بیمار باید درمان شوند تا یک عارضه جانبی اضافی ایجاد شود. درمان بالاتر = ایمن‌تر.
افزایش خطر مطلق (ARI)
ARI = EER − CER
خطر اضافی ناشی از مواجهه مضر یا عارضه جانبی درمان.
📊 تفسیر NNT - اعداد واقعاً به چه معناست؟
⚠️ سردرگمی رایج - NNT کمتر = بهتر (نه بدتر)

NNT به شما می‌گوید که برای بهره‌مندی یک نفر از درمان، باید چند بیمار را درمان کنید . بنابراین هرچه تعداد بیماران کمتری برای بهره‌مندی از یک درمان نیاز داشته باشید، درمان مؤثرتر است. NNT = 2 به معنای بهره‌مندی از یک درمان از هر 2 بیمار است - این عالی است. NNT = 100 به معنای بهره‌مندی از تنها یک درمان از هر 100 بیمار است - بسیار ضعیف‌تر.

به چتر دادن در یک روز بارانی فکر کنید. NNT = 2 → دادن 2 چتر، 1 نفر خیس نمی‌ماند - بسیار موثر. NNT = 100 → دادن 100 چتر، فقط 1 نفر از خیس شدن جلوگیری می‌کند - واقعاً ناامیدکننده است.
محدوده NNTتفسیر تقریبیمتن مثال
<10بسیار موثرآنتی‌بیوتیک‌ها برای عفونت‌های خاص؛ برخی از درمان‌های حاد
10 - 50اثر متوسطبسیاری از داروهای پیشگیرانه رایج
> 100اثر ضعیفبرخی از استراتژی‌های پیشگیرانه در سطح جمعیت
⚠️ این گروه‌های موسیقی غیررسمی هستند - همه چیز به زمینه و بافت بستگی دارد

این آستانه‌ها از NICE یا RCGP نیستند - آنها فقط ابزارهای آموزشی تقریبی هستند. NNT "مناسب" همیشه وابسته به زمینه است:

  • یک NNT از ۱۰۰ هنوز هم ممکن است ارزشمند باشد اگر نتیجه‌ی پیشگیری‌شده، مرگ یا آسیب جدی و غیرقابل‌برگشت باشد
  • یک NNT از ۵ ممکن است قابل قبول نباشد اگر درمان عوارض جانبی مکرر یا جدی داشته باشد

قانون یک خطی: NNT به شما می‌گوید که برای بهره‌مندی از یک درمان، چند بیمار را درمان می‌کنید - کمتر = اثر قوی‌تر. اما همیشه آن را در برابر شدت پیامد و بار درمان بسنجید.

🔄 NNT را با درصد سود اشتباه نگیرید

اگر از هر ۱۰۰ بیمار، ۶۰ نفر سود ببرند، نرخ بازگشت سرمایه ۶۰٪ (= ۰.۶) است که NNT را برابر با ۱ ÷ ۰.۶ ≈ ۱.۷ می‌کند - نتیجه‌ای عالی. NNT تعداد افرادی که سود می‌برند نیست؛ بلکه تعدادی است که شما برای دریافت یک سود درمان می‌کنید.

📖 نسبت شانس و نسبت خطر - چه زمانی از این دو استفاده می‌شود؟
اندازه گرفتناستفاده شده درتفسیر
خطر نسبی (RR) مطالعات کوهورت، RCTها مستقیماً ریسک را در دو گروه مقایسه می‌کند. شهودی‌تر از OR است.
نسبت شانس (OR) مطالعات مورد-شاهدی احتمال مواجهه در موارد ابتلا را در مقابل گروه کنترل مقایسه می‌کند. RR را در مواردی که بیماری نادر است، تخمین می‌زند.
نسبت خطر (HR) تحلیل بقا (زمان تا وقوع حادثه) مانند RR اما شامل موارد زیر است چه زمانی رویدادها به مرور زمان رخ می‌دهند. HR <1 = کاهش خطر در گروه درمان.
⚠️ AKT Trap — یا ≠ RR

برای بیماری‌های شایع، نسبت شانس (OR) در مقایسه با نسبت شانس (RR) خطر را بیش از حد تخمین می‌زند. برای بیماری‌های نادر (شیوع کمتر از 10٪)، آنها تقریباً برابر هستند. یک مطالعه مورد-شاهدی یک نسبت شانس (OR) ایجاد می‌کند - شما نمی‌توانید مستقیماً میزان بروز یا نسبت شانس (RR) را از یک مطالعه مورد-شاهدی محاسبه کنید.

🧮 مثال عملی - محاسبه NNT از داده‌های آزمایشی

🎯 سناریو: آزمایش استاتین

یک RCT پنج ساله نشان می‌دهد که در میان بیماران با خطر بالای قلبی عروقی: ۶٪ در گروه دارونما دچار حمله قلبی شدند، در حالی که این رقم در گروه استاتین ۴٪ بود.

1 CER (نرخ رویداد کنترل) = ۶٪ = ۰.۰۶    EER (نرخ رویداد تجربی) = ۴٪ = ۰.۰۴
2 ARR = CER - EER = 0.06 - 0.04 = 0.02 (2٪)
3 NNT = ۱ ÷ ARR = ۱ ÷ ۰.۰۲ = 50
درمان ۵۰ بیمار به مدت ۵ سال برای جلوگیری از ۱ حمله قلبی
4 Rrr = ARR ÷ CER = 0.02 ÷ 0.06 = ٪۱۰۰
چشمگیر به نظر می‌رسد! اما سود مطلق فقط ۲٪ است.
5 RR = EER ÷ CER = 0.04 ÷ 0.06 = 0.67
گروه استاتین ۶۷٪ از خطر ابتلا به سرطان سینه گروه دارونما را داشت - ۳۳٪ کاهش نسبی.
💡 نکته‌ی نهایی بالینی

وقتی بیماری می‌پرسد «آیا این استاتین به من کمک می‌کند؟»، از NNT استفاده کنید. «اگر ۵۰ نفر مثل شما این قرص را به مدت ۵ سال مصرف کنند، از ۱ حمله قلبی جلوگیری می‌شود. برای شما شخصاً، این ۲٪ سود مطلق است.» این بسیار صادقانه‌تر از این است که بگویید «خطر شما را ۳۳٪ کاهش می‌دهد».

💬 انتقال خطر به بیماران (مورد علاقه AKT)

AKT اغلب نحوه توضیح اطلاعات آماری به بیماران را می‌سنجد. چهار قالب اصلی وجود دارد:

قالبمثالبهترین برای
فرکانس طبیعی«از هر ۱۰۰ نفر، ۵ نفر»آسان‌ترین روش برای درک توسط بیماران
در صد«۵٪ از مردم»به طور گسترده استفاده می‌شود اما می‌تواند گمراه‌کننده باشد
NNT«برای جلوگیری از ۱ اتفاق، ۲۰ مورد را درمان کنید»منفعت مطلق را به وضوح بیان می‌کند
طرح کیتسشبکه بصری از ۱۰۰ چهرهبهترین ابزار بصری برای تصمیم‌گیری مشترک
🚨 هرگز هنگام بیان ریسک از RRR به تنهایی استفاده نکنید

گفتن اینکه «این کار خطر شما را ۳۳٪ کاهش می‌دهد» بدون ارائه ریسک پایه، گمراه‌کننده است. نرخ بازگشت سرمایه ۳۳٪ از نرخ بازگشت سرمایه پایه ۰.۳٪ به این معنی است که سود مطلق شما ۰.۱٪ است. همیشه نرخ بازگشت سرمایه پایه را با ریسک پایه جفت کنید یا به جای آن نرخ بازگشت سرمایه/نرخ بازگشت سرمایه غیرقطعی (ARR/NNT) را ارائه دهید.

💊 ترفند نمایندگان دارویی - چگونه شرکت‌های دارویی آمار را تحریف می‌کنند

نمایندگان شرکت‌های دارویی آموزش دیده‌اند تا داده‌های آزمایش را به مطلوب‌ترین شکل ممکن ارائه دهند. آن‌ها از یک ترفند آماری ساده اما مؤثر استفاده می‌کنند:

  • مزایا → به عنوان کاهش نسبی ریسک (RRR) ذکر شده است — چون بزرگتر و چشمگیرتر به نظر می‌رسد
  • مضرات → به عنوان افزایش خطر مطلق (ARI) ذکر شده است — چون کوچک‌تر و کم‌اهمیت‌تر به نظر می‌رسد

مثال عملی - یک ویزیت فرضی نماینده فروش استاتین

یک استاتین جدید، حملات قلبی را در طول ۵ سال از ۲٪ به ۱٪ کاهش می‌دهد، اما میوپاتی را از ۱٪ به ۲٪ افزایش می‌دهد.

آنچه نماینده می‌گوید معنی واقعی آن چیست؟
این دارو حملات قلبی را کاهش می‌دهد ٪۱۰۰" نرخ بازده نسبی (RRR) = ۵۰٪ — اما نرخ بازده نهایی (ARR) فقط ... 1%. NNT = ۱۰۰. درمان ۱۰۰ نفر به مدت ۵ سال برای جلوگیری از ۱ حمله قلبی.
«خطر میوپاتی تنها به میزان ... افزایش می‌یابد» 1%" ARI = ۱٪ - اما این در واقع ... دو برابر از خطر میوپاتی (افزایش خطر نسبی = ۱۰۰٪).
نسخه صادقانه: «اگر ۱۰۰ بیمار این دارو را به مدت ۵ سال مصرف کنند، ۱ نفر بیشتر از حمله قلبی جلوگیری می‌کند - و ۱ نفر بیشتر به میوپاتی مبتلا می‌شود.» داده‌های مشابه. برداشت کاملاً متفاوت.

راه حل: همیشه بپرسید - "تفاوت مطلق چیست؟" وقتی یک نماینده یک رقم نسبی را نقل می‌کند، خودتان آن را تبدیل کنید: ARR = CER − EER، سپس NNT = 1 ÷ ARR. این به طور یکسان در مورد مزایا و معایب صدق می‌کند.

4

آزمایش تشخیصی و غربالگری - جدول 2×2

جدول احتمال ۲×۲ اساس تمام آمارهای تشخیصی است. اگر بتوانید این جدول را بسازید و بخوانید، می‌توانید به اکثر سوالات تشخیصی AKT پاسخ دهید.

میز ۲×۲

وضعیت واقعی بیماری
نتیجه آزمایش مرض در حال حاضر مرض غایب
آزمایش مثبت مثبت واقعی (TP)
آزمایش بله می‌گوید → بیماری دارد ✓
مثبت کاذب (FP)
آزمایش می‌گوید بله → بیماری وجود ندارد ✗
آزمایش منفی منفی کاذب (FN)
آزمایش می‌گوید خیر → بیماری دارد ✗
منفی واقعی (TN)
آزمایش می‌گوید خیر → بیماری وجود ندارد ✓
حساسیت
تی پی ÷ (تی پی + اف ان)
نسبت افراد مبتلا به بیماری که آزمایش آنها مثبت شده است. "چقدر در تشخیص بیماری خوب عمل می‌کنید؟"
اختصاصی
TN ÷ (TN + FP)
نسبت افراد بدون بیماری که آزمایش آنها منفی است. "چقدر در رد احتمال بیماری موفق هستند؟"
ارزش اخباری مثبت (PPV)
تی پی ÷ (تی پی + اف پی)
احتمال اینکه یک آزمایش مثبت واقعاً به معنای بیماری باشد. تحت تأثیر شیوع.
ارزش پیش‌بینی منفی (NPV)
TN ÷ (TN + FN)
احتمال اینکه یک آزمایش منفی واقعاً به معنای عدم وجود بیماری باشد. تحت تأثیر شیوع.
🧠 SnNout و SpPin — کمک‌کننده‌های حافظه (و دلیل کارایی آنها)
اس‌ان‌نات

تشخیص : یک آزمایش بسیار حساس، اگر منفی باشد ، بیماری را رد می‌کند.

اگر حساسیت بسیار بالا باشد، نتیجه منفی آزمایش به این معنی است که بیماری بسیار بعید است (میزان منفی کاذب پایین). از یک آزمایش حساس برای غربالگری و رد بیماری استفاده کنید.

اسپ‌پین

Sp در: یک آزمایش با اختصاصیت بالا ، در صورت مثبت بودن، بیماری In را تایید می‌کند.

اگر ویژگی بسیار بالا باشد، نتیجه مثبت آزمایش به معنای احتمال بسیار زیاد بیماری است (میزان مثبت کاذب پایین). از یک آزمایش خاص برای تأیید تشخیص استفاده کنید.

حساسیت را مانند یک هشداردهنده دود بسیار حساس در نظر بگیرید - برای همه چیز، از جمله نان تست سوخته، فعال می‌شود. هرگز آتش واقعی را از دست نمی‌دهد (SnNout). ویژگی، یک هشداردهنده کالیبره شده خوب است که فقط برای آتش‌سوزی‌های واقعی فعال می‌شود - اگر فعال شود، می‌توانید مطمئن باشید که واقعاً آتش‌سوزی وجود دارد (SpPin).
📊 تأثیر شیوع بر PPV و NPV — موضوع انتقادی AKT

این یکی از مهمترین و آزمایش‌شده‌ترین مفاهیم در آمار تشخیصی است. حساسیت و ویژگی از ویژگی‌های ثابت آزمایش هستند. اما PPV و NPV بسته به میزان شیوع بیماری در جمعیتی که آزمایش می‌کنید، به طرز چشمگیری تغییر می‌کنند.

تصور کنید که از یک تست بارداری یکسان در یک کلینیک باروری (۶۰٪ زنان باردار هستند) در مقایسه با یک مطب پزشک عمومی تصادفی (۵٪ زنان ممکن است باردار باشند) استفاده می‌کنید. تست یکسان - حساسیت/ویژگی یکسان. اما نتیجه مثبت در هر محیط به معنای چیزی بسیار متفاوت است.
سناریوشیوعPPVNPV
غربالگری جمعیت عمومی برای یک بیماری نادر (مثلاً HIV در افراد کم‌خطر) 1% کم (~16%) بالا (~ ۹۵٪)
آزمایش در یک کلینیک تخصصی پرخطر ٪۱۰۰ بالا (~ ۹۵٪) بالا (~ ۹۵٪)
🔴 قوانین کلیدی که باید به خاطر بسپارید
  • به عنوان شیوع ↑ → PPV ↑، NPV ↓
  • به عنوان شیوع ↓ → PPV ↓، NPV ↑
  • در جمعیتی با شیوع پایین، اکثر نتایج مثبت، مثبت کاذب (PPV پایین) هستند - حتی با یک آزمایش با اختصاصیت بالا
  • یک آزمایش منفی در جمعیتی با شیوع بالا ممکن است همچنان بیماری را تشخیص ندهد (NPV پایین‌تر)
📐 نسبت‌های احتمال - وقتی می‌خواهید فراتر بروید

نسبت‌های درستنمایی (LRs) حساسیت و ویژگی را در یک عدد واحد ترکیب می‌کنند که به شما می‌گوید یک نتیجه آزمایش چقدر احتمال بیماری را تغییر می‌دهد. پیشرفته‌تر از PPV/NPV، اما مفید - و گاهی اوقات در AKT آزمایش می‌شود.

نسبت درستنمایی مثبت (LR+)
LR+ = حساسیت ÷ (1 - ویژگی)
احتمال مثبت شدن آزمایش در حالت بیماری در مقایسه با حالت عدم بیماری چقدر بیشتر است. LR+ >10 = شواهد قوی برای بیماری.
نسبت درستنمایی منفی (LR-)
LR− = (1 − حساسیت) ÷ ویژگی
احتمال منفی شدن آزمایش در حالت بیماری در مقابل حالت عدم بیماری چقدر بیشتر است. LR− <0.1 = شواهد قوی علیه بیماری.
LR+تأثیر بر احتمال پس از آزمون
> 10افزایش زیاد و اغلب قطعی احتمال
5-10افزایش متوسط
2-5افزایش اندک
1بدون تغییر (آزمون بی‌فایده است)
0.1-0.5کاهش کم تا متوسط
<0.1کاهش زیاد - رد منفی قوی
نوموگرام فاگان از LRها به صورت گرافیکی استفاده می‌کند - شما خطی از احتمال پیش از آزمایش از طریق LR رسم می‌کنید تا احتمال پس از آزمایش را بخوانید. اگر این را در AKT مشاهده کردید، به یاد داشته باشید: یک آزمایش مثبت، احتمال را تغییر می‌دهد. up، یک آزمایش منفی آن را جابجا می‌کند پایین.
5

آمار جمعیت و اپیدمیولوژی

وقوع
موارد جدید ÷ جمعیت در معرض خطر × ضریب
معیارهای خطرفقط موارد جدید را در یک دوره زمانی مشخص شمارش می‌کند.
شیوع نقطه‌ای
تمام موارد موجود ÷ کل جمعیت
معیارهای بار بیماریتعداد کل موارد ابتلا (جدید و قدیمی) را در یک نقطه زمانی خاص (زمان T) شمارش می‌کند. همچنین به صورت زیر نوشته می‌شود: موارد ابتلا در زمان T ÷ جمعیت در زمان T.
میزان بروز، تعداد دانش‌آموزان جدیدی است که امسال به مدرسه می‌پیوندند. شیوع، تعداد کل دانش‌آموزانی است که در حال حاضر در مدرسه هستند (جدید + موجود). یک بیماری مزمن با میزان بروز کم، اگر افراد سال‌ها با آن زندگی کنند، می‌تواند همچنان شیوع بالایی داشته باشد.
📊 نسبت مرگ و میر استاندارد شده (SMR)
فرمول SMR
(مرگ‌های مشاهده‌شده ÷ مرگ‌های مورد انتظار) × ۱۰۰
هنگام مقایسه مرگ و میر بین جمعیت‌ها، سن و جنس را تعدیل می‌کند.
مقدار SMRتفسیر
= 100مرگ و میر مشابه جمعیت مرجع
> 100مرگ و میر بیش از حد (بالاتر از حد انتظار)
<100مرگ و میر کمتر از حد انتظار
نوع سوال AKT: «یک جامعه معدنی SMR برابر با ۱۴۵ دارد. این به چه معناست؟» → مرگ و میر بیش از حد - ۴۵٪ مرگ و میر بیشتر از حد انتظار در یک جمعیت عمومی مشابه.
🎯 غربالگری — سوگیری زمان و طول لید (تله‌های کلیدی AKT)
🔴 سوگیری زمان تحویل

غربالگری، بیماری را زودتر تشخیص می‌دهد و باعث می‌شود به نظر برسد که بقای بیمار بهبود یافته است - حتی اگر بیمار در همان مقطع زمانی فوت کند. «زمان بقا از زمان تشخیص» صرفاً با تشخیص زودهنگام افزایش یافته است، نه با مزایای واقعی درمان. بیمار بیشتر زنده نمی‌ماند؛ آنها فقط مدت طولانی‌تری از بیماری خود مطلع می‌شوند.

🟠 خطای طول

برنامه‌های غربالگری احتمال بیشتری دارند که بیماری‌های کند رشد و کُند رشد (که «مرحله پیش‌بالینی قابل تشخیص» طولانی‌تری دارند) را نسبت به بیماری‌های تهاجمی که به سرعت پیشرفت می‌کنند، تشخیص دهند. این امر باعث می‌شود غربالگری برای بیماری‌های شدید، مؤثرتر از آنچه واقعاً هست، به نظر برسد.

سوگیری زمان انتظار: تصور کنید می‌دانید که در ۶۰ سالگی خواهید مرد. بدون غربالگری در ۵۵ سالگی متوجه می‌شوید؛ با غربالگری در ۴۰ سالگی متوجه می‌شوید. به نظر می‌رسد غربالگری ۱۵ سال بیشتر از زمان تشخیص به شما عمر می‌دهد - اما شما همچنان در ۶۰ سالگی می‌میرید.
✅ معیارهای غربالگری Wilson & Jungner

قبل از معرفی یک برنامه غربالگری، باید معیارهای ویلسون و جانگنر (که در ابتدا در سال ۱۹۶۸ منتشر شد و هنوز هم چارچوب استاندارد است) را برآورده کند. AKT هم دانش این معیارها و هم کاربرد آنها را در سناریوها آزمایش می‌کند.

#معیاردر عمل به چه معناست
1مشکل مهم سلامتیاین بیماری عوارض یا مرگ و میر قابل توجهی دارد - که ارزش تلاش برای غربالگری را دارد.
2درمان پذیرفته شده موجود استتشخیص بیماری که نمی‌توانید درمان کنید، فایده‌ای ندارد
3امکانات تشخیص و درمان وجود داردزیرساخت‌ها باید قبل از راه‌اندازی فراهم شوند
4مرحله نهفته یا اولیه قابل تشخیصاین بیماری باید یک مرحله پیش از بروز علائم قابل تشخیص داشته باشد.
5آزمون مناسب موجود استآزمایش باید برای جمعیت قابل قبول، ایمن و از نظر منطقی دقیق باشد.
6آزمایش قابل قبول برای جمعیتمردم باید مایل به انجام آن باشند - آزمایش‌های تهاجمی یا ناراحت‌کننده ممکن است مانع از پذیرش آن شوند
7تاریخ طبیعی به اندازه کافی درک شده استباید بداند که در صورت عدم درمان، بیماری چگونه پیشرفت می‌کند
8سیاست توافق‌شده در مورد اینکه چه کسی باید درمان شودپروتکل‌های واضح مورد نیاز است - نه فقط تشخیص، بلکه آنچه در ادامه اتفاق می‌افتد
9مقرون به صرفههزینه یافتن هر مورد باید در مقابل فایده آن متعادل شود
10فرآیندی مداوم، نه مقطعیغربالگری باید مداوم باشد - شیوع بیماری همچنان ادامه دارد
⚠️ درخواست AKT - چرا غربالگری PSA این معیارها را برآورده نمی‌کند

غربالگری PSA برای سرطان پروستات دقیقاً به این دلیل جزئی از برنامه غربالگری ملی NHS نیست که با معیارهای ۵ و ۷ مشکل دارد: PSA یک آزمایش به اندازه کافی دقیق نیست (اختصاصیت پایین → موارد مثبت کاذب زیاد)، و سیر طبیعی بسیاری از سرطان‌های پروستات با درجه پایین به این معنی است که آنها هرگز در طول عمر بیمار علائمی ایجاد نمی‌کنند. این امر مستقیماً به تشخیص بیش از حد (overdiagnosis) مربوط می‌شود (به زیر مراجعه کنید).

کمک به حافظه: معیارها را به صورت سه گروه در نظر بگیرید - بیماری (مهم، قابل درک، دارای مرحله نهفته) امتحان (مناسب، قابل قبول، دقیق)، سیستم (درمان وجود دارد، امکانات وجود دارد، سیاست‌ها توافق شده، مقرون به صرفه، مداوم).
🔍 تشخیص بیش از حد — یافتن مشکلاتی که مشکلی ایجاد نمی‌کردند

تشخیص بیش از حد زمانی اتفاق می‌افتد که یک بیماری واقعی - بیماری که واقعاً وجود دارد - تشخیص داده شود، اما اگر تشخیص داده نمی‌شد، آن بیماری هرگز در طول عمر بیمار باعث علائم، آسیب یا مرگ نمی‌شد . این یک مثبت کاذب نیست (بیماری واقعی است)؛ بلکه یک مثبت واقعی است که نیازی به تشخیص آن نبوده است.

🔴 چرا مهم است

تشخیص بیش از حد، افراد سالم را به بیماران تبدیل می‌کند. این امر آنها را در معرض اضطراب، عوارض جانبی و خطرات درمان بیماری قرار می‌دهد که هرگز به آنها آسیبی نمی‌رساند. این یکی از مهمترین آسیب‌های برنامه‌های غربالگری است - و یکی از مواردی که AKT مستقیماً آزمایش می‌کند.

وضعیتمثال تشخیص بیش از حد
سرطان پروستاتبسیاری از سرطان‌های درجه پایین که توسط PSA تشخیص داده می‌شوند، هرگز پیشرفت نمی‌کنند یا علائمی ایجاد نمی‌کنند - مردان می‌میرند. با آنها، نه از جانب آنها را
سرطان تیروئیدسونوگرافی سرطان‌های کوچک پاپیلاری تیروئید را که تقریباً در همه جا کند هستند، شناسایی می‌کند - تشخیص افزایش یافته اما مرگ و میر بدون تغییر بوده است
DCIS (سینه)کارسینوم مجرایی درجا که توسط ماموگرافی تشخیص داده می‌شود - برخی از آنها هرگز به سرطان تهاجمی تبدیل نمی‌شوند
تشخیص بیش از حد مانند پیدا کردن یک ترک کوچک در دیوار است که هرگز باعث ریزش خانه نمی‌شد - اما حالا که آن را دیده‌اید، احساس می‌کنید که باید آن را تعمیر کنید. ترک واقعی بود؛ آسیب ناشی از یافتن آن از درمان ناشی می‌شد، نه از خود ترک.
تشخیص بیش از حد در مقابل درمان بیش از حد

تشخیص بیش از حد = یافتن بیماری که نیازی به یافتن آن نبوده است. درمان بیش از حد = درمان بیماری که نیازی به درمان نداشته است (که ممکن است پس از تشخیص بیش از حد یا به طور مستقل رخ دهد). این دو مفاهیم مرتبط اما متمایزی هستند.

🔢 استانداردسازی سنی

هنگام مقایسه میزان بیماری یا مرگ و میر بین جمعیت‌های مختلف (مثلاً کشورهای مختلف، دوره‌های زمانی مختلف)، باید این واقعیت را در نظر بگیرید که آن جمعیت‌ها ممکن است توزیع سنی متفاوتی داشته باشند. جمعیت‌های مسن‌تر، حتی اگر سلامتشان به یک اندازه خوب باشد، طبیعتاً مرگ و میر بالاتری خواهند داشت.

مفهوم کلیدی

استانداردسازی سنی یک تکنیک آماری است که هنگام مقایسه پیامدهای سلامت بین جمعیت‌ها، اثر تحریف‌کننده توزیع‌های سنی مختلف را حذف می‌کند. این تکنیک نرخی را تولید می‌کند که اگر هر دو جمعیت ساختار سنی یکسانی داشتند ("جمعیت استاندارد") مشاهده می‌شد.

🎗️ آمار سرطان — دانستنی‌های ضروری AKT

AKT گهگاه آمار خاص سرطان را آزمایش می‌کند. شما نیازی به دانش جامع سرطان‌شناسی ندارید - اما این ارقام مهم مطرح می‌شوند و ارزش دانستن را دارند.

سرطانآمار کلیدیچرا مهم است
سرطان بیضه >98% بقای 10 ساله یکی از قابل درمان‌ترین سرطان‌ها - دانستن آن برای مشاوره به مردان جوان مهم است
سرطان ریه علت اصلی مرگ و میر ناشی از سرطان (بریتانیا) با وجود اینکه شایع‌ترین سرطان نیست، اما بیشتر از هر سرطان دیگری باعث مرگ افراد می‌شود.
⚠️ نرخ بقا در مقابل نرخ مرگ و میر - این دو را با هم اشتباه نگیرید

یک سرطان می‌تواند شیوع بالایی (شایع) اما مرگ و میر پایینی (قابل درمان) داشته باشد، مانند سرطان سینه. یا می‌تواند شیوع کمتری اما مرگ و میر بسیار بالایی داشته باشد، مانند سرطان پانکراس. AKT ممکن است توانایی شما را در تفسیر صحیح آمار سرطان آزمایش کند - فرض نکنید که شایع‌ترین سرطان، کشنده‌ترین است.

⚖️ نابرابری‌های بهداشتی

نابرابری‌های سلامت، تفاوت‌های ناعادلانه و قابل اجتناب در سلامت بین گروه‌های مختلف مردم را توصیف می‌کنند. این نابرابری‌ها تمرکز قابل توجهی بر سیاست‌های بهداشت عمومی بریتانیا دارند و در AKT در زمینه اپیدمیولوژی و عوامل اجتماعی تعیین‌کننده سلامت ظاهر می‌شوند.

تعریف

نابرابری‌های سلامت ، تفاوت‌های ناعادلانه و قابل اجتناب در وضعیت سلامت یا توزیع عوامل تعیین‌کننده سلامت بین گروه‌های مختلف جمعیتی هستند . آنها «قابل اجتناب» هستند زیرا از شرایط اجتماعی، اقتصادی یا محیطی ناشی می‌شوند که در اصل می‌توانند تغییر کنند - نه از شانس تصادفی یا تنوع بیولوژیکی.

نوعنمونه‌هایی در بریتانیا
اجتماعی-اقتصادیامید به زندگی کمتر در مناطق محروم؛ نرخ بالاتر بیماری‌های قلبی عروقی، دیابت و بیماری‌های روانی در جوامع فقیرتر
جغرافیایی«شکاف شمال-جنوب» - وضعیت سلامت در بخش‌هایی از شمال انگلستان در مقایسه با جنوب آن، بدتر است
قومینرخ بالاتر دیابت نوع ۲ در جمعیت‌های جنوب آسیا؛ خطر بالاتر بیماری‌های قلبی عروقی در جمعیت‌های سیاه‌پوست
جنسمردان امید به زندگی کمتری دارند اما زنان سال‌های بیشتری را در بیماری (ناخوشی) سپری می‌کنند.
در AKT، نابرابری‌های سلامت اغلب به صورت سوالاتی در مورد عوامل اجتماعی تعیین‌کننده سلامت یا در مورد تفسیر داده‌های جمعیتی که تفاوت‌های بین گروه‌ها را نشان می‌دهد، ظاهر می‌شوند. ابزار کلیدی: نقد و بررسی مارموت (جامعه عادلانه، زندگی سالم) و مفهوم جهان‌شمولی تناسبی - خدمات همگانی با شدت بیشتری به افراد نیازمند ارائه می‌شود.
6

توزیع داده‌ها و اهمیت آماری

اقدامات گرایش مرکزی

اندازه گرفتنتعریفبهترین زمان استفادهمواظب باش
منظور داشتن مجموع همه مقادیر ÷ تعداد مقادیر داده‌ها به طور نرمال توزیع شده‌اند به راحتی توسط داده‌های پرت منحرف می‌شود
متوسط مقدار متوسط ​​​​هنگام مرتب سازی به ترتیب. اگر وجود داشته باشد عدد زوج از بین مقادیر، میانه میانگین دو عدد وسطی است. داده‌های نامتوازن (مثلاً درآمد، مدت بستری در بیمارستان) مقادیر واقعی را در نقاط بحرانی نادیده می‌گیرد
حالت متداول ترین مقدار رخ می دهد داده‌های دسته‌بندی‌شده؛ توزیع‌های دووجهی با داده‌های پیوسته می‌تواند بی‌معنی باشد
محدوده حداکثر − حداقل حس سریع گسترش کاملاً توسط داده‌های پرت تعیین می‌شود
IQR (دامنه بین چارکی) صدک هفتاد و پنجم − صدک بیست و پنجم برای داده‌های کج، با میانه جفت می‌شود ۲۵٪ بالا و پایین را نادیده می‌گیرد
انحراف استاندارد (SD) میانگین پراکندگی از میانگین داده‌های توزیع‌شده‌ی نرمال اگر داده‌ها توزیع نرمال نداشته باشند، گمراه‌کننده است
🗂️ انواع داده‌ها - اسمی، ترتیبی، فاصله‌ای، نسبی

درک نوع داده‌هایی که دارید، تعیین می‌کند که کدام آماره‌های خلاصه و کدام آزمون‌های آماری مناسب هستند. AKT این را آزمایش می‌کند - معمولاً با ارائه یک مجموعه داده و پرسیدن اینکه از کدام آزمون یا معیار استفاده شود.

نوعتعریفمثال هاقیاس
اسمی دسته بندی هایی که ترتیب طبیعی ندارند گروه خونی (A، B، AB، O)؛ جنسیت؛ رنگ چشم؛ علت مرگ یک کاسه میوه - سیب و موز فقط متفاوت هستند، و هیچ کدام "بیشتر" نیستند
معمولی دسته بندی های مرتب، اما شکاف بین آنها ... نیستم لزوماً برابر کلاس نارسایی قلبی NYHA (I-IV)؛ مقیاس درد (خفیف/متوسط/شدید)؛ مقیاس‌های لیکرت جایگاه‌های مسابقه - اول، دوم، سوم. ما ترتیب را می‌دانیم، اما فاصله بین اول و دوم ممکن است با فاصله بین دوم و سوم بسیار متفاوت باشد.
فاصله با فواصل مساوی بین مقادیر مرتب شده است، اما صفر واقعی ندارد دما بر حسب درجه سانتیگراد؛ تاریخ‌های تقویمی؛ نمرات ضریب هوشی دماسنج - صفر درجه سانتیگراد به معنای «بدون دما» نیست. شما نمی‌توانید به هیچ وجه مطلقاً بگویید که ۲۰ درجه سانتیگراد «دو برابر گرمتر» از ۱۰ درجه سانتیگراد است.
نسبت مرتب، فاصله‌های مساوی، و یک صفر مطلق واقعی قد، وزن، فشار خون، سن، درآمد، دوز دارو پول - 0 پوند یعنی شما واقعاً هیچ چیزی ندارید. 40 پوند دو برابر 20 پوند است.
💡 چرا برای AKT مهم است
  • داده‌های اسمی/ترتیبی → از آزمون‌های ناپارامتری، مد یا میانه برای میانگین‌ها استفاده کنید
  • داده‌های فاصله‌ای/نسبی (با توزیع نرمال) → می‌توان از میانگین، انحراف معیار و آزمون‌های پارامتری استفاده کرد
  • شما نمی‌تواند به طور معناداری میانگین را محاسبه کند برای داده‌های اسمی (مثلاً «میانگین گروه خونی» بی‌معنی است) یا با داده‌های فاصله‌ای، گزاره‌های متناسب بسازید (شما نمی‌توانید بگویید کسی که ضریب هوشی ۱۲۰ دارد «دو برابر باهوش‌تر» از کسی است که ۶۰ دارد)
🔬 آزمون‌های پارامتری در مقابل آزمون‌های ناپارامتری

آزمون‌های آماری بسته به فرضیاتی که در مورد داده‌های شما دارند، به دو خانواده تقسیم می‌شوند. AKT نوع آزمون مناسب برای یک سناریوی مشخص را آزمایش می‌کند - نیازی به انجام محاسبات نیست، فقط بدانید چه زمانی از کدام استفاده کنید.

تمایز اصلی

آزمون‌های پارامتری فرض می‌کنند که داده‌ها توزیع نرمال دارند (یا نمونه به اندازه کافی بزرگ است که این موضوع اهمیت چندانی ندارد) و داده‌ها حداقل در سطح فاصله‌ای هستند. آزمون‌های ناپارامتری چنین فرض‌هایی ندارند - آن‌ها با رتبه‌ها یا دسته‌ها کار می‌کنند و برای داده‌های کج، نمونه‌های کوچک یا داده‌های ترتیبی/اسمی مناسب هستند.

آزمون‌های پارامتری مانند دستور پختی هستند که فقط در صورتی کار می‌کنند که فر شما دقیقاً دمای مناسبی داشته باشد. آزمون‌های غیرپارامتری بخشنده‌تر هستند - آنها حتی اگر فر کمی گرم یا سرد باشد نیز کار می‌کنند.
هدف آزمون پارامتری معادل غیر پارامتری
مقایسه میانگین‌های دو گروه مستقل آزمون تی مستقل تست U Mann-Whitney
مقایسه یعنی: همان گروه، ۲ نقطه زمانی آزمون تی زوجی آزمون رتبه علامت‌دار ویلکاکسون
مقایسه میانگین‌های ۳ یا چند گروه ANOVA (تحلیل واریانس) آزمون کروسکال-والیس
همبستگی بین دو متغیر پیوسته همبستگی پیرسون همبستگی رتبه‌ای اسپیرمن
مقایسه نسبت‌ها/داده‌های دسته‌بندی‌شده - آزمون کای دو (χ²)
⚠️ قوانین تصمیم‌گیری AKT
  • داده است تکان دهنده or به طور معمول توزیع نشده است → استفاده از روش‌های غیرپارامتری
  • حجم نمونه کوچک (و نرمال بودن نامشخص) → استفاده از روش ناپارامتری
  • داده است آیین نامه (مثلاً نمرات درد، لیکرت) → استفاده از روش‌های غیرپارامتری
  • مقایسه نسبت‌ها یا دسته‌بندی‌ها → آزمون کای دو
  • نمونه بزرگ، پیوسته، تقریباً نرمال → آزمون پارامتری مناسب است
🔔 توزیع نرمال - قانون ۶۸-۹۵-۹۹.۷

توزیع نرمال یک منحنی زنگوله‌ای شکل متقارن است. میانگین، میانه و مد همگی با هم برابرند و در مرکز قرار دارند.

محدودهدرصد مقادیر گنجانده شده
میانگین ± ۳ انحراف معیار٪۱۰۰
میانگین ± ۳ انحراف معیار٪۱۰۰
میانگین ± ۳ انحراف معیار٪۱۰۰
کاربرد AKT: محدوده‌های مرجع برای آزمایش‌های خون معمولاً به صورت میانگین ± ۲ انحراف معیار تعریف می‌شوند - به این معنی که ۵٪ از افراد سالم "خارج از محدوده طبیعی" قرار می‌گیرند. به همین دلیل است که یک نتیجه خفیف غیرطبیعی در یک بیمار بدون علامت اغلب نیازی به درمان ندارد.
⚠️ داده‌های انحرافی

با داده‌های با چولگی مثبت (مثلاً درآمد، زمان انتظار پزشک عمومی، بیلی‌روبین سرم در یک بخش)، میانگین به دلیل وجود چند داده پرت بالا به سمت راست کشیده می‌شود. در این مورد، از میانه استفاده کنید - این میانه مقدار معمول را بهتر نشان می‌دهد. AKT عاشق آزمایش این تمایز است.

📉 مقادیر P و فواصل اطمینان - معنای واقعی آنها

مقادیر P

مقدار p احتمال مشاهده نتایج حداقل به اندازه نتایج مشاهده شده در صورت درست بودن فرضیه صفر (یعنی اگر هیچ اثر واقعی وجود نداشته باشد) است. این احتمال درست بودن فرضیه صفر نیست .

ارزش pتفسیر
p <0.05از نظر آماری معنی‌دار است - احتمال کمتر از ۵٪ که این نتیجه به صورت تصادفی رخ داده است
p> 0.05از نظر آماری معنی‌دار نیست - نتیجه ممکن است تصادفی باشد
0.01 = pاگر هیچ اثر واقعی وجود نداشته باشد، احتمال رسیدن به این نتیجه ۱٪ است

فواصل اطمینان (CI)

فاصله اطمینان ۹۵٪ به این معنی است که اگر مطالعه را ۱۰۰ بار تکرار کنید، در ۹۵ مورد از این دفعات، مقدار واقعی جمعیت در این محدوده قرار می‌گیرد.

یک CI مانند پیش‌بینی آب و هوا است که می‌گوید «فردا انتظار دمایی بین ۱۴ تا ۲۲ درجه سانتیگراد داشته باشید.» این به این معنی نیست که دما قطعاً در آن محدوده خواهد بود - اما شما ۹۵٪ مطمئن هستید که چنین خواهد بود.
🔴 آزمایش‌شده‌ترین قانون - آیا CI از عدد جادویی عبور می‌کند؟
  • برای نسبت (RR، OR، HR): اگر 95% فاصله اطمینان شامل شود 1.0 → از نظر آماری معنی‌دار نیست
  • برای تفاوت (میانگین تفاوت، ARR): اگر 95% فاصله اطمینان شامل 0 → از نظر آماری معنی‌دار نیست
  • اگر CI کاملاً بالای ۱ باشد (برای نسبت‌ها) → افزایش قابل توجه خطر
  • اگر CI کاملاً زیر ۱ باشد (برای نسبت‌ها) → کاهش قابل توجه ریسک
❌ خطاهای نوع اول و نوع دوم - گرگ گریان در مقابل گرگ گمشده
خطای نوع اول (α - آلفا)

رد فرضیه صفر وقتی که واقعاً درست است. به عبارت دیگر: نتیجه‌گیری مبنی بر اینکه یک درمان مؤثر است وقتی که مؤثر نیست. نرخ مثبت کاذب. به طور مرسوم در 5٪ قابل قبول است (α = 0.05، p < 0.05).

«گرگ گریان» — به صدا درآوردن زنگ خطر وقتی گرگی وجود ندارد.

خطای نوع دوم (β - بتا)

عدم رد فرضیه صفر زمانی که در واقع نادرست است. به عبارت دیگر: از دست دادن یک اثر درمانی واقعی. نرخ منفی کاذب. به طور مرسوم در 20٪ قابل قبول است (β = 0.2، توان = 80٪).

«دلتنگ گرگ بودن» — وقتی گرگی هست، نگفتن گرگ.

قدرت آماری

توان = ۱ − β. این احتمال تشخیص صحیح یک اثر واقعی است. توان بالاتر = احتمال کمتر از دست دادن یک اثر واقعی. توان با حجم نمونه بزرگتر افزایش می‌یابد. یک کارآزمایی خوب طراحی شده به توان ≥۸۰٪ نیاز دارد.

⚡ اهمیت آماری ≠ اهمیت بالینی

این یکی از مهم‌ترین و آزمایش‌شده‌ترین نکات ظریف در آمار AKT است - و نکته‌ای که بسیاری از کارآموزان از آن غافل می‌شوند.

🔴 قانون اصلی

یک نتیجه می‌تواند از نظر آماری معنادار باشد (p < 0.05) در حالی که از نظر بالینی بی‌معنی باشد . معناداری آماری فقط به شما می‌گوید که بعید است نتیجه تصادفی باشد - و چیزی در مورد اینکه آیا اثر به اندازه کافی بزرگ است که در عمل اهمیت داشته باشد یا خیر، نمی‌گوید.

یک آزمایش روی ۵۰۰۰۰ بیمار نشان می‌دهد که یک داروی ضد فشار خون جدید، فشار خون سیستولیک را ۱ میلی‌متر جیوه کاهش می‌دهد. p = 0.001. بسیار قابل توجه است - اما آیا برای کاهش ۱ میلی‌متر جیوه، تجویز خود را تغییر می‌دهید؟ خیر. مقدار p-value کوچک است زیرا نمونه بسیار زیاد است، نه به این دلیل که اثر مهم است.
سناریواز نظر آماری معنی‌دار است؟از نظر بالینی مهم است؟
فشار خون ۱۲ میلی‌متر جیوه کاهش می‌یابد، n=50,000، p=0.001بلهنه
فشار خون ۱۲ میلی‌متر جیوه کاهش می‌یابد، n=30، p=0.08نهاحتمالاً بله
فشار خون ۱۲ میلی‌متر جیوه کاهش می‌یابد، n=500، p=0.02بلهبله
💡 به جای آن از چه چیزی استفاده کنیم

همیشه به اندازه اثر (ARR، NNT، میانگین تفاوت) در کنار مقادیر p و CIها توجه کنید. یک فاصله اطمینان باریک که صفر یا یک را حذف می‌کند، معنادارتر از یک مقدار p به تنهایی است - این فاصله هم جهت و هم دقت اثر را به شما می‌گوید.

📏 پهنای بازه اطمینان — دقت در یک نگاه
  • CI باریک → تخمین دقیق → اطمینان بالا، مقدار واقعی نزدیک به تخمین نقطه‌ای است (معمولاً از یک نمونه بزرگ)
  • CI عریض → تخمین نامطمئن → مقدار واقعی می‌تواند در هر جایی از یک طیف وسیع باشد (معمولاً از یک نمونه کوچک یا ناهمگن)

مثال: RR = 1.5 (95% CI 1.4–1.6) → دقیق، قانع‌کننده. RR = 1.5 (95% CI 0.6–3.8) → گسترده، نامشخص — و عبور از 1.0 بنابراین حتی معنی‌دار نیست.

📈 رگرسیون به میانگین - عامل پنهان مخدوش‌کننده‌ی طبابت بالینی

رگرسیون به میانگین، تمایل آماری برای نزدیک‌تر بودن یک اندازه‌گیری افراطی به میانگین در اندازه‌گیری دوم است - صرف نظر از هرگونه مداخله‌ای . این یکی از ناشناخته‌ترین منابع نتیجه‌گیری‌های گمراه‌کننده در پزشکی است.

🔴 چرا از نظر بالینی اهمیت دارد

بیماران اغلب دقیقاً زمانی که علائم یا اندازه‌گیری‌هایشان در بدترین حالت خود است، مورد بررسی یا درمان قرار می‌گیرند. تغییرات طبیعی به این معنی است که این اندازه‌گیری‌ها احتمالاً در آزمایش مجدد بهبود می‌یابند - نه لزوماً به دلیل مداخله شما. بدون یک گروه کنترل، تشخیص رگرسیون به میانگین از اثر واقعی درمان غیرممکن است.

سناریواثر درمان چگونه به نظر می‌رسد؟چه اتفاقی ممکن است واقعاً رخ دهد
بیمار در اولین اندازه‌گیری فشار خون، فشار خون بسیار بالایی دارد → مصرف دارو را شروع کرده است → فشار خون در ویزیت بعدی پایین‌تر است دارو اثر می‌کند ممکن است اولین اندازه‌گیری، یک داده پرت بوده باشد؛ در هر صورت، فشار خون در اندازه‌گیری مجدد کمتر بوده است.
دانش‌آموز در امتحان نمره بسیار ضعیفی می‌گیرد → شهریه اضافی دریافت می‌کند → دفعه بعد نمره بهتری می‌گیرد شهریه کمک کرد ممکن است نمره ضعیف، نماینده واقعی افراد نبوده باشد؛ عملکرد طبیعی آنها به سمت میانگین میل دارد.
بیماری که دچار اگزمای شدید شده بود، مصرف کرم جدیدی را شروع کرد → اگزما رو به بهبود رفت کرم مؤثر است شعله‌ور شدن‌های شدید بیماری، صرف نظر از درمان، به طور طبیعی با گذشت زمان بهبود می‌یابند.
تصور کنید که فقط قد کسی را وقتی روی یک جعبه ایستاده است اندازه می‌گیرید. او بسیار بلند قد به نظر می‌رسد. دفعه بعد که او را به طور عادی اندازه می‌گیرید - به نظر می‌رسد که "کوچک‌تر" شده است. اندازه تغییر کرده است؛ اما خود شخص تغییر نکرده است. این رگرسیون به میانگین است.
💡 چگونه در برابر آن محافظت کنیم
  • گرفتن اندازه‌گیری‌های چندگانه خط پایه و قبل از شروع درمان از میانگین استفاده کنید
  • استفاده گروه کنترل — رگرسیون به میانگین هر دو گروه را به طور مساوی تحت تأثیر قرار می‌دهد، بنابراین هرگونه تفاوتی بین گروه‌ها به احتمال زیاد یک اثر درمانی واقعی است
  • این یکی از قوی‌ترین استدلال‌ها برای RCTها نسبت به مطالعات کنترل‌نشده‌ی قبل و بعد
7

نمودارهای آماری - چه چیزی را باید جستجو کرد

AKT مرتباً نمودارهایی ارائه می‌دهد و از شما می‌خواهد که آنها را تفسیر کنید. یاد بگیرید که ویژگی کلیدی هر نوع نمودار را تشخیص دهید - سعی نکنید همه چیز را بخوانید. یک مشاهده هدفمند کافی است.

نوع نمودار استفاده اولیه تنها چیزی که باید به دنبالش باشید
قطعه زمین جنگلی نتایج متاآنالیز آیا الماس از خط عمودی بی‌اثر بودن عبور کند؟
طرح قیف تشخیص سوگیری انتشار / پایش داده‌های پرت GP آیا طرح داستان است؟ نامتقارن? (شکاف = مطالعات منتشر نشده از دست رفته)
طرح کیتس انتقال NNT به صورت بصری به بیماران چهره‌های رنگی «خیریه» را بشمارید؛ NNT = ۱۰۰ ÷ آن چهره‌ها
طرح لابه بررسی ناهمگونی در متاآنالیزها نقطه روی خط مورب = اثر درمانی صفر
نمودار جعبه‌ای و ریش‌دار توزیع و پراکندگی داده‌ها خط وسط = میانه (منظور این نیست)؛ نقاط دورتر از سبیل = نقاط پرت
نوموگرام فاگان احتمال پیش آزمون → پس آزمون برای خواندن احتمال پس از آزمون، خطی از احتمال پیش از آزمون تا LR رسم کنید.
نمودار ساقه و برگ توزیع - مقادیر اصلی را حفظ می‌کند مانند هیستوگرام است اما نقاط داده را به صورت جداگانه نشان می‌دهد
منحنی کاپلان-مایر تحلیل بقا - زمان تا وقوع پله‌ها هنگام وقوع حوادث افت می‌کنند؛ منحنی‌هایی که زود از هم دور می‌شوند و از هم جدا می‌مانند، نشان‌دهنده‌ی مزیت پایدار درمان هستند.
هیستوگرام توزیع داده‌های پیوسته شکل منحنی: متقارن = توزیع نرمال؛ چولگی = استفاده از میانه به جای میانگین
🌲 قطعات زمین جنگلی — با جزئیات
چگونه یک نقشه جنگلی را بخوانیم
  • هر مربع = یک مطالعه. اندازه مربع = وزن مطالعه (معمولاً با توجه به حجم نمونه)
  • خط افقی = فاصله اطمینان ۹۵٪ برای آن مطالعه
  • الماس در پایین = تخمین کلی تجمیع شده. عرض آن = فاصله اطمینان ۹۵٪ تجمیع شده
  • خط عمودی در ۱.۰ = "خط بدون اثر" (برای نسبت‌ها). اگر یک خط CI یا لوزی باشد از این خط عبور می‌کند، که نتیجه آن این است از نظر آماری معنی‌دار نیست
ناهمگونی - آماره I²

I² اندازه‌گیری می‌کند که چه مقدار از تنوع بین مطالعات به دلیل ناهمگونی واقعی (تفاوت‌های واقعی) است و نه شانس.
I² < 25% = ناهمگونی کم ✓
I² = ۲۵–۵۰٪ = ناهمگونی متوسط
I² > 50% = ناهمگونی قابل توجه - نتیجه تجمیع شده کمتر قابل اعتماد است ⚠️

الماس را به عنوان حکم نهایی هیئت منصفه در نظر بگیرید. اگر الماس از خط عمودی «بی‌اثر» عبور کند، هیئت منصفه محکوم می‌شود - هیچ نتیجه قطعی وجود ندارد. آماره I² به شما می‌گوید که آیا اعضای هیئت منصفه اصلاً در مورد یک پرونده به توافق رسیده‌اند یا خیر.
📯 نمودارهای قیفی - سوگیری انتشار و پایش داده‌های پرت عمومی

نمودارهای قیفی در AKT در دو زمینه کاملاً متفاوت ظاهر می‌شوند - مطمئن شوید که هر دو را تشخیص می‌دهید.

در متاآنالیز (سوگیری انتشار)

اندازه اثر (محور x) را در برابر دقت یا اندازه مطالعه (محور y) رسم می‌کند. یک قیف معکوس متقارن = بدون سوگیری. یک قیف نامتقارن با شکاف در پایین سمت چپ = از دست دادن مطالعات منفی کوچک → سوگیری انتشار.

نظارت بر عملکرد در عمل

اقدامات پزشکان عمومی را بر اساس معیارها (مثلاً نرخ ارجاع، مرگ و میر) مقایسه می‌کند. نقاط داده خارج از خطوط قیف، داده‌های پرت آماری هستند که نیاز به بررسی دارند - لزوماً دلیلی بر عملکرد ضعیف نیستند.

😊 نمودارهای کیتس - نحوه استخراج بصری NNT

نمودار کیتس (که گاهی اوقات «نمودار چهره خندان» نیز نامیده می‌شود) از شبکه‌ای از ۱۰۰ چهره استفاده می‌کند تا به بیماران کمک کند تا سود و زیان مطلق را تجسم کنند.

  • هر یک از ۱۰۰ چهره، نشان دهنده یک نفر از هر ۱۰۰ نفر تحت درمان است.
  • چهره‌های زرد/سبز = افرادی که سود بردند (از وقوع حوادث جلوگیری شد)
  • چهره‌های سرخ = افرادی که آسیب دیده‌اند
  • چهره‌های خاکستری/ساده = در هیچ صورت تأثیری ندارد
NNT از کیتس پلات
NNT = ۱۰۰ ÷ تعداد وجوه مزایا
مثال: ۴ وجه زرد → NNT = ۱۰۰ ÷ ۴ = ۲۵
📉 منحنی‌های بقای کاپلان-مایر - چگونه آنها را بخوانیم

منحنی‌های کاپلان-مایر (KM) احتمال زنده ماندن (یا بدون حادثه ماندن) را در طول زمان نشان می‌دهند. آن‌ها در سوالات AKT در مورد آزمایش‌های سرطان، مطالعات قلبی عروقی و هرگونه تحقیقی که زمان تا یک رویداد را دنبال می‌کند، ظاهر می‌شوند.

ویژگیمعنیش چیه
محور Yاحتمال بقا (یا بقای بدون حادثه) - از ۱.۰ (۱۰۰٪) شروع می‌شود و با گذشت زمان کاهش می‌یابد
محور Xزمان (روز، ماه، سال)
هر قدم رو به پایینیک رویداد رخ داده است (مثلاً مرگ، عود). مراحل بزرگتر = رویدادهای بیشتر در آن نقطه
علامت‌های تیک روی خطبیماران سانسور شده - از پیگیری خارج شدند یا مطالعه پایان یافت. نه رویدادها.
دو منحنی زود از هم دور می‌شوند و از هم دور می‌مانندپیشنهاد می‌کند که در طول دوره پیگیری، مزایای درمانی پایدار باشد
عبور از منحنی‌هانشان می‌دهد که خطر با گذشت زمان متناسب نیست - تفسیر را پیچیده می‌کند
میانگین بقانقطه زمانی که منحنی بقا از ۵۰٪ عبور می‌کند - نقطه‌ای که نیمی از بیماران این رویداد را تجربه کرده‌اند
ارتباط با نسبت خطر

آزمون لگاریتم رتبه‌ای، دو منحنی KM را از نظر آماری مقایسه می‌کند. نسبت خطر (HR) تفاوت کلی بین منحنی‌ها را خلاصه می‌کند. HR < 1 = گروه درمان در طول زمان رویدادهای کمتری دارد. اگر منحنی‌ها به طور قابل توجهی همپوشانی داشته باشند، HR نزدیک به 1 خواهد بود (بدون فایده).

منحنی مدیریت دانش را مانند یک پلکان در حال پایین رفتن در نظر بگیرید. هر پله پایین رونده، نشان دهنده‌ی این است که یک نفر آن اتفاق را تجربه کرده است. درمانی که مؤثر باشد، افراد را برای مدت طولانی‌تری در پله‌های بالاتر نگه می‌دارد - پلکان گروه تحت درمان، آهسته‌تر پایین می‌رود.
📊 هیستوگرام‌ها - توزیع در یک نگاه

یک هیستوگرام توزیع یک متغیر پیوسته (مثلاً سن، فشار خون، BMI) را با گروه‌بندی مقادیر در فواصل (bins) و نشان دادن تعداد مشاهدات در هر کدام نمایش می‌دهد. برخلاف نمودار میله‌ای، میله‌ها به هم متصل هستند - زیرا داده‌ها پیوسته هستند.

شکلمعنیاز میانگین استفاده کنیم یا میانه؟
شکل زنگ متقارنتوزیع نرمال - میانگین، میانه، مد، همه برابرندهر دو - اما به طور مرسوم میانگین ± انحراف معیار
چولگی به راست (مثبت)دنباله بلند به سمت راست - چند مقدار بسیار بالا که میانگین را به سمت بالا می‌کشندمیانه (نمایان‌تر)
چولگی به چپ (منفی)دنباله بلند در سمت چپ - چند مقدار بسیار پایین که میانگین را پایین می‌کشندمیانه (نمایان‌تر)
دووجهی (دو پیک)دو زیرگروه مجزا در داده‌هاهر دو پیک را جداگانه گزارش دهید
نکته AKT: اگر هیستوگرام چولگی مثبت نشان دهد، معیار صحیح تمایل مرکزی به نقل قول، ... است. میانهاگر توزیع نرمال را نشان دهد، متوسط مناسب است.
8

بهبود کیفیت و ممیزی بالینی

ابزارهدفویژگی های کلیدی
حسابرسی بالینی سنجش عملکرد در برابر استانداردهای صریح؛ شناسایی و رفع شکاف‌ها نیازمند یک استاندارد تعریف‌شده است. از چرخه PDSA استفاده می‌کند. شامل بستن حلقه (ممیزی مجدد) است. نه تحقیق - بدون فرضیه، بدون دانش جدید.
تحلیل رویدادهای مهم (SEA) بررسی سیستماتیک چند رشته‌ای یک رویداد مهم عاری از سرزنش. بر یادگیری سیستم تمرکز دارد، نه بر خطای فردی. در تیم به اشتراک گذاشته می‌شود. یادگیری و اقدام را مستند می‌کند.
تجزیه و تحلیل علت ریشه ای (RCA) بررسی عمیق حوادث جدی ساختاریافته‌تر از SEA. از تکنیک «5 چرا» استفاده می‌کند. علل مؤثر و ریشه‌ای را شناسایی می‌کند. اغلب برای رویدادهای غیرمنتظره یا آسیب‌های جدی.
گزارش استثنا QOF حذف مناسب بیماران از شاخص‌های QOF از نظر بالینی مناسب برای: حداکثر درمان قابل تحمل، مخالفت آگاهانه بیمار، ضعف شدید یا موارد منع مصرف بالینی.
🔄 ممیزی بالینی در مقابل تحقیق - تفاوت‌های کلیدی
ویژگیحسابرسی بالینیپژوهش
هدفبهبود مراقبت با مقایسه با استانداردهادانش جدید تولید کنید
فرضیههیچکدام - با استاندارد موجود مقایسه نمی‌شودهمیشه یک فرضیه دارد
تاییدیه اخلاقمعمولاً لازم نیستمعمولا مورد نیاز است
رضایتمعمولاً لازم نیستمعمولا مورد نیاز است
تصادفهرگزممکن است شامل RCT باشد
نتیجه نهاییبهبود خدمات؛ طرح اقدامشواهد جدید؛ انتشار
تله AKT: «یک پزشک عمومی می‌خواهد بررسی کند که آیا یک آنتی‌بیوتیک جدید در مطب او میزان درمان بهتری نسبت به درمان استاندارد دارد یا خیر.» → این تحقیق (دانش جدید تولید می‌کند، فرضیه‌ای دارد، به اخلاق نیاز دارد). «یک پزشک عمومی اندازه‌گیری می‌کند که آیا میزان بررسی آسم در مطب او با استاندارد ۸۰٪ NICE مطابقت دارد یا خیر.» → این حسابرسی.
🔁 چرخه PDSA

چرخه طرح-اجرا-مطالعه-اقدام (PDSA) چارچوب بهبود مستمر مورد استفاده در ممیزی بالینی و بهبود کیفیت است.

صحنهچه اتفاقی می افتد
برنامهسوال را تعریف کنید، استاندارد را تعیین کنید، جمع‌آوری داده‌ها را برنامه‌ریزی کنید
Doتغییر را اجرا کنید یا رویه فعلی را اندازه‌گیری کنید
مهاجرت تحصیلیتحلیل نتایج؛ مقایسه با استاندارد؛ شناسایی شکاف‌ها
عملپیاده‌سازی بهبودها؛ برنامه‌ریزی برای ممیزی مجدد جهت بستن حلقه
9

محاسبات بالینی (بانک فرمول AKT)

این فرمول‌ها در سوالات محاسبه AKT ظاهر می‌شوند. هر یک را یاد بگیرید و از محدودیت‌های بالینی که باعث اقدام می‌شوند، آگاه باشید.

شاخص توده بدن (BMI)
وزن (کیلوگرم) ÷ قد² (متر مربع)
کمبود وزن کمتر از ۱۸.۵ | وزن طبیعی ۱۸.۵ تا ۲۴.۹ | اضافه وزن ۲۵ تا ۲۹.۹ | چاق ≥۳۰ | چاقی مفرط ≥۴۰
شاخص فشار مچ پا-بازو (ABPI)
بالاترین فشار سیستولیک مچ پا ÷ بالاترین فشار سیستولیک بازویی
نرمال: ۱.۰-۱.۳ | شریان محیطی: کمتر از ۰.۹ | شریان محیطی شدید: کمتر از ۰.۵ | غیر قابل فشرده شدن (کلسیفیه): بیشتر از ۱.۳
واحدهای الکل
(حجم بر حسب میلی‌لیتر × درصد حجمی محلول) ÷ ۱۰۰۰
مثال ۷۵۰ میلی‌لیتر × ۱۲٪ ÷ ۱۰۰۰ = ۹ واحد. کم خطر: ≤۱۴ واحد در هفته برای هر دو جنس. هیچ سطح ایمنی در دوران بارداری وجود ندارد.
کلسترول غیر HDL
کلسترول کل - کلسترول HDL
هدف: کمتر از ۲.۵ میلی‌مول در لیتر در افرادی که تحت درمان با استاتین هستند (راهنمای NICE). شامل تمام لیپوپروتئین‌های آتروژنیک می‌شود.
حجم دوز داروی کودکان
(دوز مورد نظر ÷ قدرت موجود) × حجم
مثال: کودک به ۲۵۰ میلی‌گرم نیاز دارد، سوسپانسیون ۱۲۵ میلی‌گرم/۵ میلی‌لیتر است: (۲۵۰ ÷ ۱۲۵) × ۵ میلی‌لیتر = ۱۰ میلی‌لیتر
درصد کاهش وزن (نوزادان)
[(وزن تولد − وزن فعلی) ÷ وزن تولد] × ۱۰۰
کاهش بیش از ۱۰٪ در ۵ روز اول نیاز به بررسی دارد. کاهش وزن تا ۱۰٪ طبیعی است؛ باید تا روز ۱۰ تا ۱۴ دوباره به حالت عادی برگردد.
کاکرافت-گالت (CrCl)
[(140−سن) × وزن (کیلوگرم)] ÷ کراتینین (µmol/L) × K
K = 1.23 (مردان)، 1.04 (زنان). تخمین کلیرانس کراتینین - برای دوز دارو در اختلال کلیوی استفاده می‌شود.
🧮 مثال عملی ABPI

🎯 سناریو: خانم ت، ۷۲ ساله، با درد پا هنگام راه رفتن

1 فشار مچ پا (بالاترین فشار از DP/PT): ۹۰ میلی‌متر جیوه | فشار بازویی (بالاترین بازو): ۱۳۰ میلی‌متر جیوه
2 شاخص عملکرد پایه آب (ABPI) = ۹۰ ÷ ۱۳۰ = 0.69
3 شاخص عملکرد پایه آب (ABPI) 0.69 = بیماری شریانی محیطی تایید شد (حد آستانه <0.9)
4 بانداژ فشاری عبارت است از منع مصرف - به جراحی عروق مراجعه کنید
🍷 مثال‌های کار شده با واحد الکل
نوشیدنحجم (میلی لیتر)ABV%محاسبهواحد
شراب شیشه ای بزرگ250ml٪۱۰۰۲۵ × ۴۰ ÷ ۱۰۰۰3.25
بطری شراب750ml٪۱۰۰۲۵ × ۴۰ ÷ ۱۰۰۰9.0
پاینت لاگر (قوی)568ml5%۲۵ × ۴۰ ÷ ۱۰۰۰2.84
پیمانه الکل تکی25ml٪۱۰۰۲۵ × ۴۰ ÷ ۱۰۰۰1.0
راهنمای کم‌خطر: کمتر یا مساوی ۱۴ واحد در هفته (مردان و زنان)، در ۳ روز یا بیشتر، با ۲ تا ۳ روز بدون الکل در هفته. این چیزی است که شما در مشاوره در مورد کاهش الکل در مورد آن صحبت خواهید کرد.
🧮

نمونه های کار شده

🎯 مثال ۱: محاسبه تمام معیارهای ریسک از یک جدول آزمایشی

یک RCT بیماران را به صورت تصادفی برای دریافت داروی X یا دارونما انتخاب می‌کند. پس از ۳ سال: ۸۰ نفر از ۵۰۰ بیمار دارونما دچار سکته مغزی شدند؛ ۴۰ نفر از ۵۰۰ بیمار دارو X دچار سکته مغزی شدند.

1CER = 80/500 = 0.16 (16%)    EER = 40/500 = 0.08 (8%)
2ARR = ۵۹,۴۱۱.۰ − ۵۹,۲۱۳.۸ = 0.08 (8٪)
3NNT = ۳۸,۳۱۸ ÷ ۱۸۰ = ۱۲.۵ → گرد کردن به ۱۳
4Rrr = ۳۸,۳۱۸ ÷ ۱۸۰ = 0.5 = 50٪
5RR = ۳۸,۳۱۸ ÷ ۱۸۰ = 0.5 (داروی X خطر سکته مغزی را نصف می‌کند)

🎯 مثال ۲: ساخت یک جدول ۲×۲ و محاسبه حساسیت و ویژگی

یک آزمایش جدید روی ۲۰۰ بیمار انجام می‌شود که ۱۰۰ نفر از آنها مبتلا به این بیماری هستند. این آزمایش به درستی ۸۵ نفر از ۱۰۰ نفر مبتلا به بیماری و ۸۰ نفر از ۱۰۰ نفر غیرمبتلا را شناسایی می‌کند.

1TP = 85 | FN = 15 | TN = 80 | FP = 20
2حساسیت = TP ÷ (TP+FN) = 85 ÷ (85+15) = 85/100 = ٪۱۰۰
3اختصاصی = TN ÷ (TN+FP) = 80 ÷ (80+20) = 80/100 = ٪۱۰۰
4PPV = TP ÷ (TP+FP) = 85 ÷ (85+20) = 85/105 = ٪۱۰۰
5NPV = TN ÷ (TN+FN) = 80 ÷ (80+15) = 80/95 = ٪۱۰۰

🎯 مثال ۳: محاسبه دوز مصرفی کودکان

کودکی به ۳۰۰ میلی‌گرم آموکسی‌سیلین نیاز دارد. سوسپانسیون موجود ۲۵۰ میلی‌گرم/۵ میلی‌لیتر است. چه حجمی باید داده شود؟

1فرمول: (دوز مورد نظر ÷ قدرت موجود) × حجم
2(300 ÷ 250) × 5 = 1.2 × 5 = 6ml
📋

برگه تقلب فرمول‌ها و کمک‌های حافظه

فرمول‌های ریسک و درمان

ARR = CER − EER Rrr = ARR ÷ CER RR = EER ÷ CER NNT = ۱ ÷ نرخ بازگشت سرمایه ان ان اچ = ۱ ÷ ARI

تست تشخیصی

حساسیت = TP ÷ (TP+FN) اختصاصی = TN ÷ (TN+FP) PPV = TP ÷ (TP+FP) NPV = TN ÷ (TN+FN)

فرمول‌های جمعیت و بالینی

SMR = (زنان ÷ زنان) × ۱۰۰ BMI = وزن (کیلوگرم) ÷ ارتفاع (متر مربع) ABPI = فشار خون سیستولیک مچ پا ÷ فشار خون سیستولیک بازویی الکل = (حجم × درصد حجمی) ÷ ۱۰۰۰
🧠 تقویت حافظه
  • اسنوت: آزمایش حساس - منفی بودن، بیماری را رد می‌کند (غربالگری)
  • پین اسپن: آزمایش اختصاصی - قوانین مثبت در بیماری (تأیید)
  • CI از ۱.۰ عبور می‌کند (نسبت) یا 0 (تفاوت) → معنی‌دار نیست
  • خط تقاطع الماس‌های فارست پلات → مهم نیست
  • عدم تقارن قیف → سوگیری انتشار (یا داده پرت GP در صورت وجود زمینه عملکرد)
  • خط وسط نمودار جعبه‌ای → میانه (نه میانگین)
  • 68-95-99.7 → ±1SD، ±2SD، ±3SD در توزیع نرمال
  • I² >50% → ناهمگونی قابل توجه
  • یا از گروه مورد-شاهدی | RR از گروه | شیوع از طریق مطالعات مقطعی
  • حسابرسی ≠ تحقیق (معیارهای حسابرسی در مقابل استاندارد؛ تحقیق دانش جدید تولید می‌کند)
📊 یادآوری طراحی مطالعه: «برای موارد، OR — برای گروه‌های سنی، RR»
  • مورد-شاهدی → OR (نسبت شانس) — نگاهی به گذشته و میزان نوردهی‌ها
  • کوهورت → RR (خطر نسبی) — از مواجهه به بعد
  • مقطعی → شیوع — تصویر لحظه‌ای
  • RCT / SR → استاندارد طلایی برای سوالات مربوط به درمان
🎓

مرواریدهای مربی و تدریس

نقاط کور رایج کارآموزان در این موضوع
  • کارآموزان اغلب NNT را به عنوان یک فرمول یاد می‌گیرند، بدون اینکه معنای بالینی آن را درک کنند - مطمئن شوید که می‌توانند آن را با جمله‌ای که برای بیمار قابل درک باشد، توضیح دهند.
  • تمایز بین حساسیت/اختصاصیت (ویژگی‌های آزمایش) و PPV/NPV (تحت تأثیر شیوع) به خوبی درک نشده است - قیاس آزمایش بارداری به خوبی کار می‌کند
  • بسیاری از کارآموزان می‌دانند که یک طرح جنگلی چه شکلی است اما نمی‌توانند توضیح دهند چی نگاه کردن - تمرکز روی الماس و اینکه آیا از خط بی‌اثر بودن عبور کرده است یا خیر
  • سوگیری زمان تحویل اغلب با سوگیری طول اشتباه گرفته می‌شود - برای نشان دادن تمایز از نمودارها یا جدول‌های زمانی استفاده کنید.
  • کارآموزان معمولاً ممیزی بالینی را با تحقیق اشتباه می‌گیرند - از مثال‌های خود RCGP از ارزیابی‌ها استفاده کنید
ایده‌های آموزشی و شروع بحث
  • «این جدول خلاصه‌ای از یک کارآزمایی دارویی است - می‌توانید NNT را به من بگویید و اینکه آیا آن را برای این بیمار تجویز می‌کنید یا خیر؟»
  • «به این نمودار جنگل نگاه کنید. آیا مداخله مؤثر است؟ چقدر به این پاسخ اطمینان دارید؟»
  • «بیمار شما آزمایش FIT مثبت دارد. PPV در یک جمعیت کم‌خطر حدود ۳٪ است. چگونه این را برای او توضیح می‌دهید؟»
  • ما شاهد نتایج بالای PSA زیادی هستیم. مشکل استفاده از PSA به عنوان آزمایش غربالگری چیست؟
  • «یکی از همکاران می‌خواهد نتایج سپسیس ما را با نتایج تراست مقایسه کند. آیا این حسابرسی است یا تحقیق؟ آیا به اخلاق نیاز دارد؟»
  • «چطور می‌توان احتمال یک در پنجاهِ عوارض جانبی را برای بیماری که می‌پرسد «آیا بی‌خطر است؟» توضیح داد؟»
سوالات بازتابی برای آموزش‌ها
  • در حال حاضر چگونه ریسک را برای بیماران توضیح می‌دهید؟ آیا از ارقام مطلق استفاده می‌کنید یا نسبی؟
  • آیا می‌توانید یک راهنمای بالینی اخیر را به خاطر بیاورید که به یک NNT قابل توجه اشاره کرده باشد - آن NNT چه بود و چگونه بر عملکرد شما تأثیر گذاشت؟
  • آیا تا به حال آزمایشی را درخواست کرده‌اید و حساسیت/اختصاصیت آن را نمی‌دانید؟ چگونه نتیجه را تفسیر کرده‌اید؟
  • چرا یک شرکت داروسازی ممکن است ترجیح دهد نتایج آزمایش‌های خود را به جای ARR به صورت RRR ارائه دهد؟

🔥 نکات پربازده AKT

اینها الگوهایی هستند که به طور مکرر در برگه‌های AKT ظاهر می‌شوند. اینها را حفظ کنید تا نمره بگیرید.

🎯 محاسبه NNT

همیشه ابتدا درصدها را به اعشار تبدیل کنید. ARR = 5% → NNT = 1 ÷ 0.05 = 20. همیشه به نزدیکترین عدد صحیح گرد کنید . NNT کمتر = درمان مؤثرتر.

🎯 CI از عدد جادویی عبور می‌کند

برای نسبت‌ها (RR، OR، HR): اگر CI عدد ۱.۰ را قطع کند ، معنی‌دار نیست. برای تفاوت‌ها: اگر CI عدد ۰ را قطع کند ، معنی‌دار نیست. این موضوع تقریباً در هر سوال مربوط به نمودار جنگل (forest plot) مطرح می‌شود.

🎯 مطالعه تطبیق طراحی

بیماری نادر → مورد-شاهدی → OR. موارد جدید ابتلا در آینده → گروه → RR. تصویر لحظه‌ای شیوع → مقطعی . بهترین شواهد برای درمان → RCT یا SR/متاآنالیز.

🎯 حساسیت در مقابل ویژگی - کدام را چه زمانی استفاده کنیم

آزمایش غربالگری → حساسیت بالا می‌خواهد (نمی‌خواهیم موارد را از دست بدهیم → SnNout). آزمایش تأییدی → اختصاصیت بالا می‌خواهد (مثبت کاذب نمی‌خواهیم → SpPin).

🎯 کاهش PPV در جمعیت‌های با شیوع پایین

حتی یک آزمایش با اختصاصیت بالا (۹۹٪) در شرایط شیوع پایین، PPV ضعیفی می‌دهد. اکثر نتایج مثبت در غربالگری جمعیت، مثبت کاذب هستند. به همین دلیل است که ما همه را برای همه چیز غربالگری نمی‌کنیم.

🎯 دیاموند فارست پلات

اگر الماس (تخمین تجمیعی) از خط عمودی بی‌اثر عبور کند → نتیجه کلی از نظر آماری معنی‌دار نیست. اگر I² > 50% → ناهمگونی قابل توجه → نتیجه تجمیعی کمتر قابل اعتماد است.

🎯 عدم تقارن طرح قیف

شکاف در پایین سمت چپ نمودار قیفی = سوگیری انتشار - مطالعات منفی کوچک منتشر نشده‌اند. این امر اثر ظاهری یک درمان را در متاآنالیز بزرگنمایی می‌کند.

🎯 جعبه و ریش — همیشه میانه، نه بدجنس

خط داخل کادر، میانه است . کادر = IQR (میانی ۵۰٪). نقطه‌ها یا دایره‌های پشت سبیل‌ها = داده‌های پرت.

🎯 RRR از ARR تأثیرگذارتر به نظر می‌رسد

شرکت‌های داروسازی عاشق اعلام نرخ بازگشت سرمایه (RRR) هستند، چون بزرگتر به نظر می‌رسد. نرخ بازگشت سرمایه ۵۰٪ شگفت‌انگیز به نظر می‌رسد - تا زمانی که بدانید خطر پایه فقط ۲٪ بوده است (→ ARR = ۱٪، NNT = ۱۰۰). همیشه بپرسید: خطر پایه چقدر بوده است؟

🎯 میانه - کاربرد برای داده‌های دارای انحراف

توزیع‌های کج (درآمد، مدت بستری در بیمارستان، بیلی‌روبین سرم) ← از میانه استفاده کنید نه میانگین. میانگین توسط داده‌های پرت محاسبه می‌شود؛ میانه اینطور نیست.

حسابرسی در مقابل تحقیق

حسابرسی: سنجش‌هایی در برابر یک استاندارد موجود ؛ بدون نیاز به اخلاق؛ بدون فرضیه. تحقیق: دانش جدید تولید می‌کند ؛ نیاز به تأیید اخلاق دارد؛ یک فرضیه دارد. یک تمایز کلیدی که AKT بارها و بارها آن را آزمایش می‌کند.

🎯 قصد درمان (ITT)

تحلیل ITT شامل تمام شرکت‌کنندگان تصادفی‌سازی‌شده صرف‌نظر از پایبندی به درمان می‌شود. این یک تخمین محافظه‌کارانه از اثربخشی ارائه می‌دهد - که برای عمل بالینی واقع‌بینانه‌تر است. تحلیل بر اساس پروتکل، اثر را بیش از حد تخمین می‌زند.

🎯 حد مجاز ABPI

ABPI < 0.9 = بیماری شریانی محیطی. ABPI > 1.3 = عروق غیر قابل فشرده سازی (کلسیفیه) - نتیجه غیرقابل اعتماد. اگر ABPI < 0.8 باشد، بانداژ فشاری منع مصرف دارد (با دستورالعمل های فشرده سازی خود مشورت کنید).

🎯 کیتس پلات NNT

وجوه مزایا (معمولاً زرد یا سبز) را بشمارید. NNT = ۱۰۰ ÷ (تعداد وجوه مزایا). ۵ وجه زرد → NNT = ۲۰.

⚠️

اشتباهات رایج و تله‌های کارآموزی

اینها خطاهایی هستند که به طور مکرر در طرح‌های نمره‌دهی AKT ظاهر می‌شوند. هر یک از اینها یک نمره واقعی است که داوطلبان واقعی از دست می‌دهند.

  • فراموش کردن تبدیل درصدها به اعشار قبل از محاسبه NNT (مثلاً ARR = 5% → برای بدست آوردن NNT = 20، نه 0.2، باید از 0.05 استفاده کنید، نه 5)
  • گرد کردن NNT پایین به جای up (NNT = ۱۲.۵ → پاسخ ۱۳ است، نه ۱۲)
  • اشتباه گرفتن RRR با ARR و ذکر رقم نسبیِ چشمگیرتر به عنوان مزیت بالینی
  • گفتن اینکه نتیجه‌ای «معنی‌دار» است وقتی که CI فقط به ۱.۰ می‌رسد - باید شامل نمی شود ۱.۰ قابل توجه است
  • با بیان نمودار جعبه و ریش، خط میانی، میانگین است - همیشه ... میانه
  • اشتباه گرفتن حساسیت با PPV - حساسیت یک ویژگی ثابت آزمایش است؛ PPV به شیوع بستگی دارد
  • فکر کردن به اینکه یک آزمایش با اختصاصیت بالا در جمعیتی با شیوع پایین، نتیجه مثبت قابل اعتمادی خواهد داد - اینطور نخواهد شد (PPV پایین)
  • اشتباه گرفتن OR با RR - OR ها را نمی‌توان مستقیماً به عنوان RR استفاده کرد، مگر در مواردی که بیماری نادر باشد.
  • اینکه بگوییم یک مطالعه مورد-شاهدی RR ایجاد می‌کند - OR تولید می‌کند، زیرا شما با موارد و کنترل‌ها شروع می‌کنید، نه با یک گروه در معرض خطر
  • اشتباه گرفتن حسابرسی بالینی با تحقیق - ادعای نیاز حسابرسی به تأیید اخلاقی
  • تفسیر نادرست سوگیری زمان انتظار به این معنی که برنامه غربالگری واقعاً بقا را بهبود می‌بخشد
  • فراموش کردن اینکه I² >50% در یک نمودار جنگلی (forest plot) نگرانی‌هایی را در مورد اعتبار نتیجه تجمیع شده ایجاد می‌کند.
  • استفاده از میانگین برای توصیف داده‌های دارای انحراف (مثلاً درآمد، مدت بستری در بیمارستان) - از میانه استفاده کنید

🏁 نکات پایانی

  1. NNT = ۱ ÷ ARR. همیشه درصدها را به اعشار تبدیل کنید. همیشه به سمت بالا گرد کنید. NNT کمتر = درمان بهتر.
  2. ARR از نظر بالینی صادقانه است. RRR چشمگیر به نظر می‌رسد اما می‌تواند گمراه‌کننده باشد. همیشه RRR را با ریسک پایه همراه کنید.
  3. حساسیت و ویژگی از ویژگی‌های ثابت یک آزمایش هستند. PPV و NPV با شیوع بیماری تغییر می‌کنند.
  4. SnNout: تست‌های حساس در صورت منفی بودن، OUT را رد می‌کنند. SpPin: تست‌های اختصاصی در صورت مثبت بودن، IN را تایید می‌کنند.
  5. نمودار فارست لوزی از خط بی‌اثر عبور می‌کند → نتیجه از نظر آماری معنی‌دار نیست. I² >50% → نگرانی‌های ناهمگنی.
  6. عدم تقارن نمودار قیف → سوگیری انتشار. نقاط خارج از محدوده قیف در نظارت بر عملکرد → روش‌های داده‌های پرت.
  7. فاصله اطمینان (CI) برای نسبتی که شامل ۱.۰ است → بی‌معنی. فاصله اطمینان (CI) برای تفاوتی که شامل ۰ است → بی‌معنی.
  8. مورد-شاهدی → OR. کوهورت → RR. مقطعی → شیوع. RCT/SR → استاندارد طلایی برای درمان.
  9. داده‌های اریب → از میانه استفاده کنید، نه میانگین. نمودار جعبه‌ای، خط وسط = میانه. نقاط دورتر از خط وسط = داده‌های پرت.
  10. ممیزی بالینی برخلاف استانداردها عمل می‌کند - هیچ اخلاق و فرضیه‌ای لازم نیست. تحقیق دانش جدید تولید می‌کند - اخلاق لازم است.

سوالات آمار در AKT از جمله قابل اعتمادترین نمرات در آزمون هستند. چند ساعت مطالعه با این صفحه و تعداد انگشت شماری از سوالات تمرینی، سودی فراتر از سرمایه‌گذاری شما خواهد داشت.

خودت را بیازمایی...

پاسخ دهید

آدرس ایمیل شما منتشر نخواهد شد. فیلدهای ضروری با * مشخص شده‌اند.

این سایت از Akismet برای کاهش هرزنامه استفاده می‌کند. بیاموزید که چگونه اطلاعات نظرات شما پردازش می‌شود.

رفته به بالا