Bizonyítékokon Alapuló Gyakorlat és Orvosi Statisztika — Bradford VTS

Bradford VTS · AKT Mastery sorozat

Bizonyítékokon alapuló gyakorlat és orvosi statisztikák

Mert az „olvastam valamit online” nem egészen felel meg az AKT-nek.

🔥 Nagy hozamú tippek az AKT-hez ⚡ Nagy hatású tanulás percek alatt 💎 Rejtett kincsek, amiket elfelejtenek tanítani

Utolsó frissítés: 2026. április · Más néven Bizonyítékokon Alapuló Orvoslás (EBM)

📥 Letöltések

Szórólapok, összefoglalók és tanítási kiegészítők – mindig készen állnak, amikor szükséged van rájuk.

pálya: A bizonyítékokon alapuló gyakorlatot bizonyítékokon alapuló orvoslásnak vagy röviden EBM-nek is nevezik.

🌐

Webes források

Hivatalos útmutatók és valós háziorvosi képzési források gondosan válogatott keveréke. Mert néha a legjobb gyöngyszemek nem a hivatalos dokumentumokban rejtőznek.

📘 Alapvető EBM és statisztikák

CEBM — Oxfordi EBM Központ Eszközök, útmutatók és kritikus értékelési források Dr. Chris Cates EBM weboldala NNT kalkulátor és Cates diagrammagyarázó — kiváló GPnotebook — Statisztikák Tömör klinikai statisztikai referencia Vállszalag Bizonyítékokon alapuló egészségügyi ellátás közérthetően Cochrane könyvtár Aranystandard szisztematikus áttekintések

📗 AKT Felkészítő és Vizsgafelkészítő

NHS – Klinikai vizsgálatok Közérthető angol nyelvű útmutató a kutatási típusokhoz Cambridge EBM források Kritikus értékelési eszközök és oktatóanyagok

📙 További olvasnivalók és eszközök

NICE — Hogyan használjuk a bizonyítékokat NICE folyamatkézikönyv a bizonyítékok felülvizsgálatához NNT magyarázata — Manchester Interaktív NNT kalkulátor és magyarázat Egészségügyi ismeretek — Tanulmányi tervek Közegészségügyi tankönyv az epidemiológiáról

⚡

Egyperces visszahívás

Ha ezt beszkenneled a klinika előtt – vagy egy AKT-dolgozat előtti este? Ezek azok a dolgok, amik pontokat érnek.

🧮 Kockázati képletek

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

🔬 Diagnosztikai vizsgálatok

Jelentés = TP ÷ (TP+FN) → SnNout
Spec = TN ÷ (TN+FP) → SpPin
PPV = TP ÷ (TP+FP) ← alacsony prevalenciájú esések
NPV = TN ÷ (TN+FN) ← magas prevalenciájú esések

📊 Tanulmányi tervek

SR/Metaanalízis → legmagasabb szintű bizonyíték
RCT → a kezelés arany standardja
Kohorsz → RR és előfordulás
Eset-kontroll → OR, ritka betegségek
Keresztmetszeti → prevalencia

📈 Grafikonok

Erdődiagram rombusz keresztezi a vonalat = nem szignifikáns
Tölcséraszimmetria = publikációs torzítás
Cates-diagram: NNT = 100 ÷ sárga lapok
Dobozdiagram középső vonala = középső
I² >50% = jelentős heterogenitás

📉 Jelentőség

p < 0.05 = statisztikailag szignifikáns
CI átlépi az 1.0-t (arány) = nem szignifikáns
A konfidencia intervallum átlépi a 0-t (különbség) = nem szignifikáns
Átlag = átlag; Medián = középső érték
68-95-99.7 szabály normális eloszlásra

⚖️ Elfogultság típusok

Kiválasztás → nem reprezentatív minta
Visszahívás → az esetek jobban emlékeznek
Publikáció → csak pozitív tanulmányok
Átfutási idő → vetítési illúzió
Lemorzsolódás → lemorzsolódás torzítja az eredményeket

????

Miért fontos ez a háziorvosi és az AKT-s betegeknél?

Az EBM és a statisztika nem pusztán elméleti kérdés. A rendelőben minden, a kezelési lehetőségekről szóló beszélgetés magában foglalja az NNT-ket, akár megnevezi őket, akár nem. Minden vérvizsgálatnak megvan a maga érzékenysége és specificitása. Minden új irányelv egy vizsgálati terv alapján készül, amely befolyásolja, hogy mennyire bízhat benne.

Az AKT-ben ez a téma az érdemjegyek jelentős részét teszi ki – az RCGP irányelvei szerint a dolgozat nagyjából 10–15%-át. Ez egyike azon kevés területeknek, ahol a kis mennyiségű célzott javítás megtérül. azonnalSok jelölt nem azért veszít könnyű jegyeket itt, mert a fogalmak nehezek, hanem azért, mert soha nem ült le és nem sajátította el őket szisztematikusan.

Az AKT statisztikai kérdései gyakran egy táblázatot mutatnak be a vizsgálati adatokról, és arra kérnek, hogy számíts ki egy értéket, értelmezz egy grafikont, vagy azonosítsd a legjobb vizsgálati tervet. A módszeres gondolkodást jutalmazzák, nem az orvosi ismereteket. Ez teszi őket a dolgozat leg"tanulhatóbb" jegyeivé.

Ha már tudod, hogyan kell kiszámítani az NNT-t, értelmezni egy erdődiagramot, és megérted az előfordulás hatását a PPV-re, az AKT-kérdések egy egész kategóriája egyszerűvé, nem pedig ijesztővé válik.

????

Bizonyítékokon Alapuló Orvoslás (EBM)

„Amikor az 1980-as évek közepén kiképzésen voltam, minden szívroham után belépett betegnek intravénás lidokain infúziót adtam. Ez volt a standard. Mindenki ezt csinálta. Teljesen logikusnak tűnt.”

— Gordon Guyatt professzor, az „Evidence-Based Medicine” kifejezés megalkotója, saját képzéséről beszél, mielőtt az EBM létezett volna.

Később felfedezte, hogy a gyakorlat, amire kiképezték – és amit világszerte több százezer orvos végez –, nemcsak haszontalan, de potenciálisan embereket ölhet. Nem gondatlanságból. Nem hozzá nem értésből. Hanem azért, mert soha senki nem tesztelte megfelelően, hogy valóban működik-e.

Ez a történet az oka annak, hogy a bizonyítékokon alapuló orvoslás létezik – és hogy miért fontos minden beteg számára, akit valaha is meglátogat.

📋 Mi a bizonyítékokon alapuló orvoslás?

„A jelenlegi legjobb bizonyítékok lelkiismeretes, explicit és megfontolt felhasználása az egyes betegek ellátásával kapcsolatos döntések meghozatalában.”

— David Sackett, BMJ 1996 — az orvostudományban leggyakrabban idézett definíció

Egyszerűen fogalmazva: a betegeket a megszokások, vélemények, hagyományok vagy a professzor által elmondottak alapján kezelendő helyett az EBM megköveteli, hogy a klinikai döntéseket a legjobb elérhető kutatásokra alapozd – szigorúan elvégzett, kritikusan értékelt és őszintén értelmezett kutatásokra.

Nem helyettesíti a klinikai megítélést – tájékoztatja Az EBM három elválaszthatatlan pilléren nyugszik, amelyeknek együtt kell működniük:

🔬

Legjobb kutatási bizonyítékok

Klinikailag releváns, magas színvonalú kutatások – különösen randomizált, kontrollált vizsgálatokból és szisztematikus áttekintésekből

🩺

Klinikai szakértelem

Az egyes klinikusok szakértelme és tapasztalata, amelyet éveknyi gyakorlat során építettek fel

🤝

Betegértékek és preferenciák

Az egyes betegek körülményei, értékei és azok a dolgok, amelyek a legfontosabbak számukra

🕰️ Hogyan jött létre az EBM? — Rövid történet

Az EBM nem a semmiből bukkant fel. Évtizedekig tartó csendes forradalmi gondolkodás csúcspontja volt Kanadában és az Egyesült Királyságban.

Év	esemény
1938	John Paul (Yale) alkotta meg a „klinikai epidemiológia” kifejezést – azt az elképzelést, hogy az orvostudományt tudományosan kell vizsgálni populációkban, nem csak az egyes betegeknél megfigyelni.
1967	A McMaster Egyetem (Hamilton, Kanada) megnyitja új orvosi karát, amely magában foglalja a Klinikai Epidemiológiai és Biostatisztikai Tanszéket is – ez akkoriban radikális tanszék volt, és a kutatási módszerek klinikai döntéshozatalban való alkalmazásának szentelte magát.
1972	Archie Cochrane, skót epidemiológus publikál Hatékonyság és hatékonyság: Véletlenszerű gondolatok az egészségügyi szolgáltatásokról – egy mérföldkőnek számító szöveg, amely amellett érvel, hogy az orvostudománynak szigorúan tesztelnie kell saját kezeléseit. Munkássága végül megszületett a tiszteletére elnevezett Cochrane-együttműködésnek.
1981	David Sackett és a McMaster munkatársai kilenc cikkből álló sorozatot publikáltak a Canadian Medical Association Journalban, amelyben a klinikusokat arra oktatják, hogyan értékeljék kritikusan az orvosi szakirodalmat. Ez az EBM mozgalom hivatalos kezdete.
1990	Gordon Guyatt, a McMaster fiatal rezidens igazgatója, egy új oktatási programot tervez, amelyet kezdetben „Tudományos Orvostudománynak” nevez el. Kollégái azonban visszariadnak – a jelenlegi gyakorlat nem tudományos értelmezése túl közvetlen.
1991	Guyatt átnevezi a megközelítést "Bizonyítékokon alapuló orvoslás" és a kifejezést egy vezércikkben publikálja az ACP Journal Clubban. A kifejezés azonnal megragadt benne.
1992	A mérföldkőnek számító JAMA-tanulmány — "Bizonyítékokon alapuló orvoslás: Új megközelítés az orvosi gyakorlat oktatásában" — bemutatja az EBM-et a világnak. A válasz, emlékszik vissza Guyatt, kezdetben „düh” volt. A kollégák úgy érezték, azt mondják nekik, hogy nem jó orvosok.
1993	Hivatalosan is megalakul a Cochrane Collaboration – egy nemzetközi hálózat, amelynek célja az egészségügyi bizonyítékok szisztematikus áttekintéseinek elkészítése és terjesztése.
1996	David Sackett közzéteszi a három pilléren nyugvó definíciót a BMJ-ben. Az EBM általánossá válik.
2000-as évek – napjaink	Az EBM beépül a brit képzésbe: a NICE irányelvei, a GMC Good Medical Practice (GMP) és az RCGP tanterv mind megköveteli. Ez az alapja annak, ahogyan ma minden brit orvost képeznek és értékelnek.

⚠️ Milyen volt az orvostudomány az EBM előtt? A probléma, amit megoldott

Az EBM előtt az orvostudomány azon alapult, amit Gordon Guyatt emlékezetesen nevezett... "GOBSAT" - Jó öreg fiúk ülnek egy asztal körülA klinikai irányelveket vezető szakértők írták, akik megosztották személyes véleményüket, és a beteg sorsa teljes mértékben attól függött, hogy melyik orvos látta őt.

Az EBM előtti világ

Eminencián alapuló orvoslás: Úgy bántál a betegekkel, ahogy a professzorod tette. A tekintély a rangidősségből, nem a bizonyítékokból fakadt. Egy konzultánsnak, aki 30 évig „mindig így csinálta”, meghajoltak – még akkor is, ha az „ezt a módszert” soha nem tesztelték.
Intuíción alapuló gyógyászat: Ha egy kezelés fiziológiailag értelmesnek tűnt, akkor alkalmazták. Ha a rendellenes szívritmus elnyomása logikusnak tűnt, akkor elnyomták azt. Azt, hogy valóban segített-e a betegeknek, ritkán tesztelték.
Anekdotákon alapuló orvoslás: „Tapasztalataim szerint…” – ez volt a bizonyítékok mércéje. Az egyéni esetek irányították a gyakorlatot – még akkor is, ha ezek az esetek statisztikailag kiugró értékek voltak.
Óriási variáció: Ugyanaz a beteg, aki két különböző kórházba – vagy akár két különböző orvos ugyanabban a kórházban – jelentkezik, teljesen eltérő kezelést kaphat pontosan ugyanazon betegség miatt.

Szeretné, ha egy olyan hidat építenének, amely az „Már 30 éve így tervezek hidakat, és még egyik sem omlott össze” elvet követve? Vagy a bevált szerkezetépítési tudomány alapján? A válasz nyilvánvaló. De az orvostudomány történetének nagy részében pontosan a hídépítési megközelítés volt az, ami bevált.

🔴 A példa, amely megváltoztatta az orvostudományt – A CAST-vizsgálat

Ez nem hipotetikus eset. Ez a modern orvoslás egyik legfontosabb igaz története – és az egyik legerősebb érv, amire az EBM-nek valaha is szüksége volt.

A felállás – A logika, amely megtámadhatatlannak tűnt

A szívroham veszélyes szívritmuszavarokat (kamrai aritmiákat) okoz. A kamrai aritmiák hirtelen halált okoznak. Ezért: elnyomja az aritmiákat → megelőzi a hirtelen haláltEz annyira nyilvánvalóan helyesnek tűnt, hogy az 1970-es évektől kezdve az antiaritmiás szereket – különösen a lidokaint, a flekainidet és az encainidet – rutinszerűen adták miokardiális infarktus utáni betegeknek a kórházakban világszerte. Nem alkalmanként. Rutinszerűen. Standard ellátás részeként.

A próba – Valaki tényleg kipróbálta

1987-ben a Cardiac Arrhythmia Suppression Trial (CAST) nevű vizsgálatban több mint 1,700 miokardiális infarktuson átesett beteget vontak be, akiket randomizáltak antiaritmiás gyógyszerekre (flekainid vagy enkainid) vagy placebóra. A gyógyszerek pontosan azt tették, amit kellett volna – sikeresen elnyomták az aritmiákat. De valami váratlan dolog történt.

Az eredmény – Amire senki sem számított

A gyógyszereket szedő betegek 2.5-szer nagyobb a haláleset mint a placebót kapóknál. A vizsgálatot korán le kellett állítani, mivel a kár egyértelmű volt. A gyógyszerek pontosan azokat a betegeket ölték meg, akiket meg kellett volna védeniük.

NNH = 21. Minden 21 flekainiddal vagy enkainiddal kezelt beteg közül egy további személy halt meg, aki egyébként túlélte volna.

A lecke

Gordon Guyatt – akkoriban fiatal kardiológus – személyesen adott lidokain infúziót minden miokardiális infarktuson átesett betegnek, aki az osztályára került. A legjobb gyakorlatot követte. Helyesen tanították neki. Jó szándék vezérelte. Mégis, egy randomizált, kontrollált vizsgálat (RCT) szigorú tesztje nélkül sem neki, sem kollégáinak nem volt módja tudni, hogy a kezelés káros. Ez a tapasztalat központi szerepet játszott abban, hogy miért szentelte pályafutását az EBM-nek. Az orvostudomány története, ahogy később mondta, „tele van olyan kezelésekkel, amelyek többnyire találgatáson és intuíción alapultak, nem pedig szilárd bizonyítékokon”.

🌐 Hogyan változtatott meg mindent az EBM — Szabványosítás és egységesség

Az EBM előtt a kapott kezelések attól függtek, hogy hol éltél, melyik kórházban jártál, és melyik orvos vizsgálta meg. Ugyanaz a beteg, ugyanolyan betegségben, teljesen eltérő kezeléseket kaphatott Leedsben és Londonban. Különböző kórházakban. Különböző országokban. Vadul eltérő eredményekkel.

Az EBM megváltoztatta ezt. Azzal, hogy a klinikai döntéseket ugyanazon bizonyítékokra – ugyanazokra a vizsgálatokra, ugyanazokra a szisztematikus áttekintésekre, ugyanazokra az irányelvekre – alapozta, közös nyelvet és közös szabványt adott az orvostudománynak. Ma egy Bradfordban MI-vel jelentkező betegnek és egy Bristolban MI-vel jelentkező betegnek lényegében ugyanazt a bizonyítékokon alapuló ellátást kellene kapnia. Nem azért, mert az orvosok ugyanolyanok, hanem azért, mert a kezelést a bizonyítékok, nem pedig az egyéni preferenciák vezérlik.

Az Egyesült Királyságban ezt a következőképpen valósítják meg: SZÉP irányelvek, a RCGP tanterv, QOF-mutatók, klinikai auditokés MRCGP vizsgálatok – amelyek mindegyike bizonyítékokon alapuló gyakorlatot igényel és értékel. Amikor leteszed az AKT vizsgát, azt tesztelik, hogy mennyire vagy képes alkalmazni ezt a keretrendszert.

🌍 Egy világ EBM nélkül — The International Picture

Az Egyesült Királyság elkötelezettsége az EBM iránt – a NICE, az NHS és a posztgraduális képzés révén – nem általános. A világ számos részén az, hogy mit kapsz betegként, továbbra is nagymértékben függ attól, hogy ki látja el, hol jelentkezel, és mennyit tudsz fizetni. Ennek megértése segít abban, hogy jobban megértsd, mitől védi az EBM a betegeidet.

🔴 Fontos megjegyzés olvasás előtt

Az alább leírt variáció tükrözi egészségügyi rendszerek és struktúrák, nem az egyes orvosok kompetenciájáról vagy elkötelezettségéről. Sok briliáns, szorgalmas orvos praktizál minden felsorolt országban. A probléma az EBM által biztosított szabványosító infrastruktúra – irányelvek, felügyelet, képzési keretek – hiánya. Az egyes orvosok nem tudják egyedül leküzdeni a rendszerszintű problémákat.

Ország / régió	Hogyan változik a gyakorlat erős EBM keretrendszerek nélkül
🇮🇳 India (magánszektor)	A 2018 Gerely Egy tanulmány 40–58%-os császármetszési arányt mutatott ki a magánkórházakban, szemben a közintézmények 10–14%-os arányával – gyakran inkább pénzügyi ösztönzők, mint klinikai szükséglet miatt. A túlzott kivizsgálás és a polifarmácia széles körben dokumentált a magánszektorban. Ugyanaz a rákos beteg drámaian eltérő kezelést kaphat attól függően, hogy hol jelentkezik és mit engedhet meg magának.
🇵🇰 Pakisztán	Jelentős eltérések az antibiotikum-irányelvek betartásában – Dél-Ázsia egyik legmagasabb antibiotikum-felírási aránya. A gyógyszerrezisztens tuberkulózis és az antimikrobiális rezisztencia közvetlen következmények. A szakellátáshoz és a szabványosított kezelési módokhoz való hozzáférés nagymértékben függ a földrajzi elhelyezkedéstől és a jövedelemtől.
🇳🇬 Nigéria / 🇬🇭 Ghána	A magnézium-szulfát a WHO által ajánlott, bizonyítékokon alapuló, olcsó kezelés az eklampszia kezelésére. Tanulmányok kimutatták, hogy jelentősen csökkenti az anyai halálozást. A nigériai és ghánai intézményekben azonban az elérhetőség és a tényleges felhasználás óriási mértékben változik a kórházi erőforrásoktól és a klinikusok képzettségétől függően – ami azt jelenti, hogy egy eklampsziában szenvedő nő élete vagy halála attól függhet, hogy melyik intézménybe kerül.
🇸🇩 Szudán / 🇮🇶 Irak	Az elhúzódó konfliktusok és instabilitás tönkretette az egészségügyi infrastruktúrát. Irakban 2003 után a közegészségügyi szolgáltatások összeomlottak, az irányelvek végrehajtása elakadt, és az alapvető gyógyszerekhez való hozzáférés földrajzi fekvéstől függött. Szudánban a konfliktusok megzavarták az oltási programokat, az anyai egészségügyi szolgáltatásokat és a krónikus betegségek kezelését. Az ilyen környezetekben a gyakorlatok változatossága nem preferencia kérdése, hanem a rendelkezésre álló lehetőségek kérdése.
🇪🇬 Egyiptom / 🇮🇷 Irán	Mindkét országban vannak képzett orvosokat képző orvosi egyetemek, és közzétettek EBM irányelveket – de a végrehajtás következetlen az állami és a magánszektor, valamint a városi és vidéki területek között. Iránban a nemzetközi szankciók befolyásolták a gyógyszerek elérhetőségét, olyan adaptációkat kényszerítve ki, amelyek eltérnek a bizonyítékokon alapuló protokolloktól.
🇷🇴 Románia	Románia dokumentálja a következő gyakorlatot: plicul (a „boríték”) – informális készpénzfizetések orvosoknak és ápolóknak az ellátás biztosítása érdekében. Hivatalosan illegális, széles körben gyakorolt. A parlamenti vizsgálatok és az oknyomozó újságírás megerősítette, hogy a sebészeti ellátás minősége attól függhet, hogy a beteg mennyit tud magánúton fizetni, függetlenül attól, hogy hivatalosan mennyi NHS-nek megfelelő jogosultsága van-e. Az agyelszívás becslések szerint több mint 14 000 orvost távolított el az EU-csatlakozás óta.
🇺🇸 Egyesült Államok	A világ legdrágább egészségügyi ellátása – több mint 12 000 dollár fejenként évente –, mégis az eredmények gyakran nem jobbak, mint az Egyesült Királyságban. A Dartmouth Atlas projekt óriási földrajzi eltéréseket dokumentált a klinikai gyakorlatban: ugyanaz a beteg Miamiban kétszer annyi vizsgálaton és beavatkozáson eshet át, mint ugyanaz a beteg Minneapolisban, anélkül, hogy az eredményekben különbség lenne. Egy 2019-es JAMA-tanulmány becslése szerint 935 milliárd dollárt – az összes amerikai egészségügyi kiadás nagyjából negyedét – pazarolnak el felesleges ellátásra. Az opioidválságot részben az okozta, hogy a gyógyszeripari vállalatok az EBM keretein kívül befolyásolták a felírási gyakorlatot.
🇫🇷 Franciaország	Franciaország kiváló egészségügyi ellátással rendelkezik – de az antibiotikumok felírási aránya történelmileg Európa legmagasabbjai közé tartozik, részben azok a kulturális elvárások miatt, hogy a konzultációnak mindig recepttel kell végződnie. Az ennek csökkentésére irányuló kampányok („Az antibiotikumok nem automatikusak”) segítettek, de a minta jól mutatja, hogy a kulturális és kereskedelmi nyomás hogyan írhatja felül a bizonyítékokon alapuló iránymutatásokat még a kifinomult rendszerekben is.
🇮🇹 Olaszország	Észak-Olaszországban (Milánó, Bologna) az egészségügyi ellátás minősége Európa legjobbjai közé tartozik. Dél-Olaszország egyes részein a kép egészen más – hosszabb a várakozási idő a rákos műtétekre, a szűrőprogramok kevésbé következetes alkalmazása, az irányelveken alapuló ellátás alacsonyabb szintű betartása. Az ugyanazon országon belüli földrajzi származás jelentősen befolyásolhatja az eredményeket.
🇬🇷 Görögország / 🇪🇸 Spanyolország	Görögország megszorító válsága (2010–2015) több mint 25%-os egészségügyi kiadáscsökkentéshez vezetett, ami dokumentált gyógyszerhiányt, létszámleépítést és minőségromlást okozott. Több mint 35 000 egészségügyi dolgozó emigrált. Spanyolországban jelentős regionális eltéréseket dokumentáltak a rákos megbetegedések túlélési arányában – a kialakuló daganat eltérően viselkedhet attól függően, hogy melyik régióban élünk, nem azért, mert a biológia eltérő, hanem azért, mert a rendszer bizonyítékokon alapuló kezelési alkalmazása igen.

💊 Amikor a kapott érték a fizetendő összegtől függ

Azokban az egészségügyi rendszerekben, amelyek nem rendelkeznek szilárd EBM keretrendszerekkel vagy egyetemes jogosultságokkal, a fizetés és a kezelés minősége közötti kapcsolat gyakran közvetlen és dokumentált:

Néhány indiai magánkórházban a mellkasi fájdalommal jelentkező, magánellátásért fizető beteg azonnali katéterezést és stent beültetést kaphat. Ugyanez a beteg az állami ellátórendszerben órákig várhat EKG-ra.
Afrika szubszaharai egyes részein az, hogy egy súlyos maláriában szenvedő gyermek artemisinin alapú kombinációs terápiát (a bizonyítékokon alapuló standardot) vagy egy régebbi, kevésbé hatékony gyógyszert kap-e, attól függ, hogy melyik intézménybe fordul, és mennyit tud fizetni a családja.
Azokban az országokban, ahol nincs egyetemes gyógyszerhozzáférés, a rákellenes kemoterápiás szerek csak azok számára érhetők el, akik zsebből fizetni tudnak – ami azt jelenti, hogy az azonos rákos megbetegedések drámaian eltérő kimenetelűek lehetnek, kizárólag a jövedelem alapján.
Romániában és néhány más kelet-európai országban a sebészeti beavatkozás minősége – a sebész szorgalma, az anesztézia monitorozásának minősége, sőt még a műtét utáni ápolás elérhetősége is – dokumentáltan az informális fizetéstől, nem pedig a klinikai szükségletektől függ.

✈️ Az analógia, ami világossá teszi

Minden alkalommal, amikor felszáll egy kereskedelmi repülőgépre, az emberiség által valaha épített leghatékonyabb biztonsági rendszer előnyeit élvezheti. Nem azért, mert az egyes pilóták kivételesen tehetségesek – bár azok. Hanem azért, mert a repülés a következők köré épül: szabványosított, bizonyítékokkal tesztelt protokollokMinden pilóta, minden légitársaság, minden ország ugyanazokat a repülés előtti ellenőrzőlistákat, ugyanazokat a leszállási eljárásokat és ugyanazokat a vészhelyzeti protokollokat követi. A rendszer megvédi Önt, függetlenül attól, hogy melyik pilótát kapja.

Az EBM nélküli orvoslás olyan, mint a repülés ellenőrzőlisták nélkül. A biztonságod teljes mértékben attól függ, hogy jó pilótát kapsz-e, hogy a pilóta elég nemrégiben képzett-e, hogy jó napja van-e, és hogy hallotta-e a legfrissebb fejleményeket valakitől, akiben megbízik.

Az EBM a szerencsét rendszerekkel helyettesíti. A „tapasztalataim szerint” kifejezést a „2 millió beteg bevonásával végzett 15 000 vizsgálatban” kifejezéssel helyettesíti. A teremben történetesen legidősebb személy véleményét az emberiség kollektív klinikai tapasztalatának felhalmozott bizonyítékaival helyettesíti. Nem ezt szeretné a betegei számára? Nem ezt szeretnék a betegei maguknak?

💡 Miért fontos ez Önnek, mint háziorvos gyakornoknak az Egyesült Királyságban

Minden NICE irányelv, amit követsz, szisztematikus bizonyítékfelmérés eredménye – valaki elvégezte a munkát annak érdekében, hogy amit teszel, a legjobb elérhető tudományos eredmények támasztsák alá.
Minden AKT statisztikai és kutatási módszertani kérdés a bizonyítékok kritikus értékelésére való képességedet teszteli – hogy aktív fogyasztója legyél az EBM-nek, ne pedig passzívan követd az utasításokat.
Amikor elmagyaráz egy betegnek egy NNT-t, vagy megbeszéli egy szűrővizsgálat korlátait, vagy megtagadja egy nem javallt antibiotikum felírását, akkor tudatosan, explicit módon és megfontoltan EBM-et gyakorol.
És amikor egy gyógyszerész képviselője veled szemben ül, és azt mondja, hogy az új gyógyszere 35%-kal csökkenti a szív- és érrendszeri eseményeket, az első kérdésed – „35% relatív vagy abszolút?” – az a kérdés, amelyet az EBM tanította fel az orvostudománynak.

Tanulmányi tervek és bizonyítékok hierarchiája

Mielőtt bármilyen eredményt értelmezne, tudnia kell honnan jöttA különböző tanulmányi felépítések különböző kérdésekre adnak választ, különböző statisztikákat generálnak, és eltérő megbízhatósági szinttel rendelkeznek.

A bizonyítékok piramisa

A legerősebb bizonyíték felül, a leggyengébb alul

Szisztematikus áttekintések és metaanalízisek

Randomizált, kontrollált vizsgálatok (RCT-k)

Kohorszi tanulmányok

Esettanulmányok

Keresztmetszeti tanulmányok

Esettanulmányok és szakértői vélemények

⬆ Legerősebb bizonyíték | ⬇ Leggyengébb bizonyíték

Dizájnt tanulni	Irány	Legmegfelelőbb	generál	Fő gyengeség
Szisztematikus áttekintés / Metaanalízis	-	A legjobb összesített bizonyíték egy kérdésre	Összesített hatásméret	Csak annyira jó, mint az alapjául szolgáló tanulmányok; heterogenitás
RCT (randomizált, kontrollált vizsgálat)	Előre	Működik az X kezelés?	RR, ARR, NNT	Drága, mesterséges környezet, etikai kérdések
Csoportos tanulmány	Előre (prospektív) vagy vissza (retrospektív)	Az expozíció okoz-e kimenetelt? Előfordulást?	Relatív kockázat (RR), előfordulás	Lemorzsolódás; idővel drága; zavaró
Esettanulmány	Hátrafelé	Ritka betegségek; kockázati tényezők	Esélyhányados (OR)	Felidézési torzítás; az előfordulást nem lehet közvetlenül kiszámítani
Keresztmetszeti tanulmány	Egyetlen pillanatkép	Mennyire gyakori X jelenleg? (előfordulási gyakoriság)	Előfordulás	Nem lehet oksági összefüggést megállapítani; időbeli kétértelműség
Esettanulmány / Szakértői vélemény	-	Hipotézisgenerálás; ritka események	Csak leírás	Rendkívül hajlamos az elfogultságra; nem általánosítható

📖 Kvalitatív vs. kvantitatív kutatás

Kvantitatív kutatás

„Mennyi” vagy „mennyi” kérdésre ad választ. Számokat, statisztikákat és strukturált adatokat használ. Példák: RCT-k, kohorszvizsgálatok, numerikus kimenetelű felmérések. P-értékeket, konfidenciaintervallumokat és NNT-ket generál.

Minőségi kutatás

Válaszokat ad a „miért” vagy a „hogyan” kérdésekre. Szavakat, témákat és interjúkat használ. Példák: fókuszcsoportok, etnográfiai vizsgálatok, grounded theory (alapértelmezett elmélet). Feltárja a betegek tapasztalatait és hiedelmeit.

Az AKT-ben: a beteg attitűdjeire, tapasztalataira vagy a betegség megértésére vonatkozó kérdés → kvalitatív. Az arányokra, eredményekre vagy hatékonyságra vonatkozó kérdés → kvantitatív.

🔬 Szisztematikus áttekintés vs. metaanalízis — Nem ugyanaz

Szisztematikus áttekintés: Egy szigorú, strukturált szakirodalmi kutatás, amely azonosítja, kiválasztja és kritikusan értékeli az adott kérdésre vonatkozó összes releváns tanulmányt. Az eredmény a bizonyítékok kvalitatív összefoglalása.

Meta-analízis: Egy szisztematikus áttekintés, amely egy lépéssel tovább megy – matematikailag összevonja több tanulmány kvantitatív eredményeinek egyetlen kombinált becslésbe való összevonása. Nem minden szisztematikus áttekintés tartalmaz metaanalízist (pl. ha a vizsgálatok túl heterogének az összevonáshoz).

Egy szisztematikus áttekintést úgy képzeljünk el, mint egy adott témáról szóló összes könyv elolvasását, és arról jelentést írunk. A metaanalízis olyan jelentés, amelynek végén egy képlet található, amely az összes szerző következtetéseit egyetlen számmá átlagolja.

🔄 A PICO keretrendszer

A PICO a klinikai kutatási kérdések strukturálására szolgáló standard keretrendszer, amelyet a szakirodalomban való keresésre és a tervezési tanulmányokra használnak.

Levél	Azt jelenti	Példa
P	Népesség / Beteg	2-es típusú cukorbetegségben szenvedő felnőttek
I	Beavatkozás	SGLT2 inhibitorok
C	Compare	Metformin önmagában
O	Eredmény	Kardiovaszkuláris események 5 év alatt

Az AKT bemutathat egy forgatókönyvet, és megkérdezheti, hogy melyik tanulmányterv ad legjobb választ a PICO kérdésre. Párosítsa az eredménytípust a megfelelő tervvel a fenti táblázat segítségével.

🎲 RCT tervezési jellemzők (általában tesztelt)

Jellemző	Mit jelent	Miért számít?
randomizációs	A résztvevők véletlenszerűen csoportokba osztva	Kiküszöböli a szelekciós torzítást; kiegyensúlyozza a zavaró tényezőket
Egyszeres vak	A résztvevők nem ismerik a kiosztásukat	Csökkenti a placebohatást és a résztvevők elfogultságát
Dupla vak	Sem a résztvevők, sem a nyomozók nem ismerik az elosztást	Kiküszöböli a megfigyelői és a résztvevői elfogultságot
Hármas vak	A résztvevőket, a kutatókat ÉS az adatelemzőket is vakon kezelték	Maximális torzításcsökkentés
Kezelési szándék (ITT)	Az eredeti csoportjukban elemezve, függetlenül a betegek együttműködésétől	Megőrzi a véletlenszerűséget; a valós használatot tükrözi
Protokoll szerint	Csak akkor elemezték, ha teljesítették a protokollt	Biológiai hatékonyságot mutat, de túlbecsüli a valós hasznot
Crossover kialakítás	A résztvevők mindkét kezelést sorban megkapják	Minden személy a saját kontrolljaként működik; kimosódási időszakra van szükség
Elosztás elrejtése	A résztvevőket toborzó személy nem láthatja, hogy a következő résztvevő melyik csoportba kerül, amíg után beiratkoztak	Megakadályozza, hogy a toborzó tudat alatt (vagy szándékosan) egészségesebb betegeket rendeljen a kezelési csoporthoz – ez egyfajta szelekciós torzítás, amelyet a randomizálás önmagában nem akadályoz meg.
Klaszter RCT	Teljes csoportok (pl. háziorvosi rendelők, osztályok, iskolák) véletlenszerűen kerülnek kiválasztásra, nem pedig egyének.	Akkor alkalmazzák, amikor az egyéni randomizálás nem praktikus (pl. új konzultációs stílus tesztelése). Nagyobb mintanagyságot és a klaszterhatás statisztikai korrekcióját igényli.

⚠️ AKT csapda — ITT vs. protokoll szerinti

A kezelési szándék többet ad konzervatív (Alacsonyabb) becslés a hatékonyságra – mivel a nem együttműködő résztvevőket is magában foglalja. Ez a klinikai döntések meghozatalához előnyben részesített elemzés. A protokoll szerinti túlbecsüli a hatékonyságot, de hasznos a biológiai mechanizmus megértéséhez.

⚖️ Felsőbbrendűségi, nem alsóbbrendűségi és egyenértékűségi vizsgálatok

Nem minden vizsgálat ugyanazt a kérdést teszi fel. Az AKT időnként azt vizsgálja, hogy a beteg megérti-e, hogy mit is akart valójában kimutatni egy vizsgálat – és hogy ez miért fontos az eredmények értelmezésekor.

Próba típusa	A feltett kérdés	Közös kontextus
Felsőbbségi vizsgálat	"Az új kezelés jobb, mint a az összehasonlító?	A legtöbb standard randomizált, kontrollált vizsgálat – egy valóban új gyógyszer vagy megközelítés tesztelése
Non-inferioritási vizsgálat	"Az új kezelés nem rosszabb, mint az összehasonlító értékhez képest egy előre meghatározott kis különbségnél nagyobb mértékben?"	Új gyógyszer kevesebb mellékhatással, alacsonyabb költséggel vagy könnyebben adagolhatóval – a cél az, hogy bemutassák, „elég jó”
Egyenértékűségi vizsgálat	"A két kezelés lényegében ugyanaz?"	Bioszimiláris gyógyszerek; generikus gyógyszerek; eltérő alkalmazási módok

💡 Miért fontosak a non-inferioritási vizsgálatok a háziorvosi ellátásban?

Egy új antikoagulánsról kimutatták, hogy „nem rosszabb” hatású (nem jobb, de nem is jelentősen rosszabb) a warfarinnál a stroke megelőzésében, miközben könnyebben használható (nincs INR-monitorozás). Ez klinikailag értékes megállapítás, még akkor is, ha a gyógyszer nem „győzte le” a warfarint. Az AKT kérheti, hogy helyesen értelmezze a non-inferioritási vizsgálat eredményét.

⚠️ AKT csapda

Egy olyan non-inferiority vizsgálat, amely „nincs szignifikáns különbség”, nem ugyanaz, mint egy olyan szuperioritási vizsgálat, amely „nincs szignifikáns különbség”. Egy szuperioritási vizsgálatban a nem szignifikáns eredmény azt jelenti, hogy nem sikerült bizonyítani, hogy az új gyógyszer jobban működik. Egy non-inferioritási vizsgálatban a nem szignifikáns különbség pontosan az, amire számítottál.

Kutatási torzítás, érvényesség és megbízhatóság

Az elfogultság típusa	Meghatározás	Melyik tanulmányi tervek?	Hogyan csökkenthető
Kiválasztási torzítás	A résztvevők nem reprezentatívak a célpopulációra	Minden típus	Véletlenszerűség; gondos mintavétel
Emlékezzen Bias	Az esetek (a betegségben szenvedők) élénkebben emlékeznek a korábbi expozíciókra, mint a kontrollcsoport tagjai	Eset-kontroll vizsgálatok	Objektív adatforrások; standardizált kérdezés
Publication Bias	A pozitív/jelentős tanulmányokat gyakrabban publikálják, mint a negatívakat	Metaanalízisek (tölcsérdiagrammal detektálva)	Próbaregisztráció; szürke irodalom keresés
Lemorzsolódási torzítás	A résztvevők kiesése a követésből torzítja az eredményeket (a lemorzsolódók eltérnek a befejezőktől)	Kohorszvizsgálatok, RCT-k	Becslés szerinti kezelés (intention-to-treat) elemzés; a lemorzsolódás minimalizálása
Átfutási idő torzítás	A szűrés a betegség korábbi felismerésével a jobb túlélés illúzióját kelti	Szűrővizsgálatok	Betegségspecifikus halálozási arányt használjon, ne a diagnózistól számított túlélést
Hossz torzítás	A szűrés a lassabban növekvő (kevésbé agresszív) betegségeket mutatja ki	Szűrővizsgálatok	Betegségspecifikus kimenetelű RCT-k
Megfigyelői/értékelési elfogultság	A kezelés elosztásának ismerete befolyásolja az eredményértékelést	RCT	Vakítás (egyszeres, dupla, tripla)
Hawthorne-effektus	A résztvevők megváltoztatják a viselkedésüket, mert tudják, hogy megfigyelik őket.	Minden típus, különösen a megfigyeléses	Kontrollcsoportok; vak megfigyelők
Ellenőrzési torzítás	Csak a pozitív teszteredménnyel rendelkező betegeknél alkalmazzák az arany standard megerősítő tesztet – így az érzékenység tévesen magasnak, a specificitás pedig tévesen alacsonynak tűnik.	Diagnosztikai tesztvizsgálatok	Biztosítsa, hogy minden beteg (pozitív és negatív) megkapja az arany-standard tesztet
zavaró hatásként	Egy harmadik változó mind az expozícióval, mind az eredménnyel összefügg, torzítva a látszólagos kapcsolatot	Megfigyelési vizsgálatok	Randomizáció (RCT-k); rétegződés; többváltozós elemzés

Klasszikus félrevezető példa: „A fagylalteladások összefüggésben állnak a fulladással.” Veszélyes a fagylalt? Nem – mindkettő ára megnő nyáron. Az évszak a félrevezető tényező. Ez jól szemlélteti, hogy miért a korreláció ≠ oksági összefüggés, és miért kell a félrevezető tényezőket kontrollálni.

🔀 Zavarba ejtő — Amikor két dolog látszólag összefügg, de nem az

A zavarkeltés a kutatásmódszertan egyik legfontosabb fogalma – és az egyik leggyakoribb oka annak, hogy a látszólag meggyőző megfigyelési eredmények tévesnek bizonyulnak. A kulcsötlet egyszerű: Két dolog látszólag nem azért kapcsolódik össze, mert közvetlenül hatnak egymásra, hanem azért, mert mindkettő egy rejtett harmadik változóhoz kapcsolódik.

🔴 Az alapvető definíció

A zavarba ejtő (vagy zavaró változó) egy harmadik változó, amely függetlenül kapcsolódik a mindkét az expozíció és a az eredményt. Ez egy hamis – vagy egy valódi – összefüggést hoz létre az expozíció és a vizsgált eredmény között.

Képzeld el, hogy észreveszed, hogy az öngyújtót viselő embereknél nagyobb a valószínűsége a tüdőrák kialakulásának. Be kellene tiltanunk az öngyújtókat? Nem – az igazi bűnös a dohányzás. A dohányzás összefüggésben áll mind az öngyújtó viselésével, mind a tüdőrák kialakulásával. A dohányzás a zavaró tényező. Az öngyújtó és a rák közötti összefüggést teljes mértékben ez magyarázza.

Klasszikus példák

Látszólagos kapcsolat	Az Összezavaró	Miért magyaráz meg mindent?
Fagylalt eladások → fulladásos halálesetek	Forró időjárás (nyár)	A meleg időjárás több fagylaltevést ÉS több úszást is okoz → több fulladást. A fagylalt nem okoz fulladást.
Kávézás → tüdőrák	Dohányzó	A dohányosok átlagosan több kávét isznak. A korai tanulmányok összefüggést mutattak a kávé és a rákos megbetegedések között – egészen addig, amíg a dohányzást kontrollálni nem sikerült.
Öngyújtó hordozása → tüdőrák	Dohányzó	A dohányosok öngyújtót hordanak maguknál. Az öngyújtónak nincs biológiai hatása – a dohányzásnak viszont van.
Ősz haj → szívbetegség	Kor	Az őszülés és a szívbetegségek előfordulása is az életkorral növekszik. Az életkor a zavaró tényező – nem a hajszín.
Cipőméret → olvasási képesség (gyermekeknél)	Kor	Az idősebb gyerekeknek nagyobb a lábuk ÉS jobban olvasnak. Az életkor mindkettőt megmagyarázza.

📐 Az igazi összezavaró három kritériuma

Egy változó zavaró tényező, ha teljesül mindhárom ezek közül:

Ez összefüggésben áll a exponálás (amit éppen tanulsz)
Ez összefüggésben áll a eredmény (az eredmény, amit mérsz)
Ez nem az expozíció és a kimenetel közötti ok-okozati útvonalon (ez egy különálló harmadik változó, nem pedig egy köztes lépés)

💡 Hogyan kezeljük a zavaró tényezőket

randomizációs (RCT-kben) – az ismert és ismeretlen zavaró tényezőket egyenlően osztja el a csoportok között. Ez a legerősebb védelem.
Korlátozás — csak olyan résztvevőket vegyen be, akik hasonlóak a zavaró tényezőn (pl. csak nemdohányzók a kávévizsgálatban)
Hozzáillő — párosítsa az eseteket és a kontrollokat a zavaró változóra
Rétegzés — az eredményeket külön elemezzük a zavaró tényező minden szintjén
Többváltozós statisztikai korrekció — statisztikailag több zavaró tényező egyidejű figyelembevételét

⚠️ Miért jelent problémát a zavaró tényezők főként a megfigyeléses vizsgálatokban?

Egy jól lebonyolított, randomizált, kontrollált vizsgálatban (RCT) a zavaró tényezőket (mind az ismerteket, mind az ismeretleneket) egyenlően osztja el a csoportok között, kiküszöbölve ezzel a zavaró tényezők szerepét a különbségek magyarázataként. Kohorsz- és eset-kontroll vizsgálatokban csak azokat a zavaró tényezőket lehet korrigálni, amelyekről tudunk és mértünk. A nem mért zavaró tényezők mindig potenciális magyarázatot jelenthetnek bármilyen megfigyelt összefüggésre – ezért a megfigyeléses vizsgálatok soha nem tudják véglegesen bizonyítani az ok-okozati összefüggést.

✅ Érvényesség és megbízhatóság – Mi a különbség?

Belső érvényesség

A tanulmány a vizsgált populáción belül méri azt, amit állítólag mérni szándékozik? Az eredmények... ezt Megbízható a tanulmány? Fenyegeti az elfogultság és a zavaró tényezők.

Külső érvényesség (általánosíthatóság)

Alkalmazhatók-e az eredmények más populációkra vagy valós helyzetekre? Egy szakközpontban végzett, szigorúan kontrollált, randomizált, kontrollált vizsgálat (RCT) nem feltétlenül tükrözi azt, ami az alapellátásban történik.

Megbízhatóság (reprodukálhatóság)

Vajon a teszt konzisztens eredményeket ad, ha azonos körülmények között megismétlik? Értékelők közötti megbízhatósággal (kappa statisztika) vagy teszt-ismételt megbízhatósággal mérik.

Kappa statisztika (κ)

Két értékelő közötti, a véletlenen túlmutató egyezést mér. κ = 1 (tökéletes egyezés); κ = 0 (az egyezés nem jobb, mint a véletlen); κ < 0 (rosszabb, mint a véletlen).

Kockázat és kezelési hatás mérése

Ez a leginkább tesztelt terület Az AKT statisztikákban. Ismerned kell ezeket a képleteket, és képesnek kell lenned alkalmazni őket próbaadat-táblázatokra vizsgakörülmények között.

Képzeld el, hogy egy kaszinóban vagy. A lottó azt mondja, hogy megdupláztad a nyerési esélyeidet – hihetetlenül hangzik. De ha 1:1-ről 2:1-re csökkented az esélyeidet egymillióhoz, a relatív javulás 100%, de az abszolút különbség lényegében nulla. Ez a különbség az RRR és az ARR között. A gyógyszergyárak imádják az RRR-t idézni. Mindig az ARR-t kell megkérdezni.

A legfontosabb mutatók

Abszolút kockázatcsökkentés (ARR)

ARR = CER − EER

A csoportok közötti eseményarányok tényleges különbsége. A klinikailag legőszintébb mérőszám.

Relatív kockázatcsökkentés (RRR)

RRR = (CER − EER) ÷ CER

Gyakran lenyűgözőbben hangzik – félrevezető lehet az alapkockázat ismerete nélkül. Alternatív képlet: RRR = 1 − RR (mivel RR = EER÷CER, RRR = 1 − az az érték).

Relatív kockázat (RR)

RR = EER ÷ CER

Kohorszvizsgálatokban és randomizált, kontrollált vizsgálatokban (RCT-kben) alkalmazzák. 1-es relatív kockázat (RR) = nincs hatás; <1 = csökkent kockázat; >1 = fokozott kockázat.

Kezeléshez szükséges szám (NNT)

NNT = 1 ÷ ARR

Hány beteget kell kezelni egyetlen rossz kimenetel megelőzése érdekében. Alacsonyabb = hatékonyabb. Mindig FELFELÉ kerekítse.

Károsító Szám (NNH)

NNH = 1 ÷ ARI

Hány beteget kell kezelni ahhoz, hogy egy további mellékhatás jelentkezzen. Magasabb = biztonságosabb kezelés.

Abszolút kockázatnövekedés (ARI)

ARI = EER − CER

A káros expozíció vagy a kezelés mellékhatása által jelentett többletkockázat.

📊 NNT értelmezés — Mit jelentenek valójában a számok?

⚠️ Gyakori félreértés — Alacsonyabb NNT = Jobb (nem rosszabb)

Az NNT megmondja, hogy hány beteget kell kezelnie egy hasznot húzni. Tehát a kevesebb Minél több beteget kell kezelnie ahhoz, hogy egy előnyt elérjen, annál hatékonyabb a kezelés. Az NNT = 2 azt jelenti, hogy minden második betegből egy előnyös – ez kiváló. Az NNT = 100 azt jelenti, hogy 100-ból csak egy előnyös – sokkal gyengébb.

Képzeljük el, hogy esős napon esernyőket osztunk. NNT = 2 → adjunk 2 esernyőt, 1 személy száraz marad – nagyon hatékony. NNT = 100 → adjunk 100 esernyőt, csak 1 személy kerüli el a vizesedést – elég kiábrándító.

NNT tartomány	Durva értelmezés	Példa kontextus
<10	Nagyon hatékony	Antibiotikumok bizonyos fertőzések esetén; néhány akut kezelés
10 - 50	Mérsékelt hatás	Sok gyakori megelőző gyógyszer
> 100	Gyenge hatás	Néhány populációs szintű megelőző stratégia

⚠️ Ezek a zenekarok informálisak – a kontextus számít

Ezek a küszöbértékek nem a NICE-ból vagy az RCGP-ből – ezek csak vázlatos oktatási segédletek. A „helyes” NNT mindig kontextusfüggő:

Egy NNT A 100 még mindig megérheti ha a megakadályozott kimenetel halál vagy súlyos, visszafordíthatatlan károsodás
Egy NNT 5 lehet, hogy nem elfogadható ha a kezelésnek gyakori vagy súlyos mellékhatásai vannak

Egysoros szabály: Az NNT (Negatív Nt) megmutatja, hogy hány beteget kell kezelni ahhoz, hogy egy kezelés előnyös legyen – alacsonyabb = erősebb hatás. De mindig mérlegelje az eredmény súlyosságát és a kezelés terheit.

🔄 Ne keverd össze az NNT-t a % Benefittel

Ha 100 betegből 60-nak javul a kezelés, az 60%-os ARR (= 0.6), ami NNT = 1 ÷ 0.6 ≈ értéket eredményez. 1.7 — kiváló eredmény. Az NNT nem az a szám, amelyik hasznot húz, hanem az a szám, amelyet kezelsz, hogy megkapd egy haszon.

📖 Esélyhányados és kockázati arány – Mikor használják ezeket?

Mérték	Használt	Értelmezés
Relatív kockázat (RR)	Kohorszvizsgálatok, RCT-k	Közvetlenül összehasonlítja a kockázatot két csoportban. Intuitívabb, mint a VAGY.
Esélyhányados (OR)	Eset-kontroll vizsgálatok	Összehasonlítja az esetek és a kontrollok expozíciós esélyeit. Hozzávetőleges relatív kockázatot (RR) határoz meg, ha a betegség ritka.
Veszélyességi arány (HR)	Túlélési elemzés (eseményig eltelt idő)	Mint az RR, de figyelembe veszi a következőket: amikor Az események idővel következnek be. HR <1 = csökkent kockázat a kezelési csoportban.

⚠️ AKT csapda — VAGY ≠ RR

Gyakori betegségek esetén az OR (valószínűségi arány) túlbecsüli a kockázatot az RR-hez képest. Ritka betegségek esetén (<10%-os prevalencia) ezek az értékek megközelítőleg megegyeznek. Egy eset-kontroll vizsgálat OR-t generál – Ön nem tud közvetlenül kiszámítható az incidencia vagy az RR egy eset-kontroll vizsgálatból.

🧮 Kidolgozott példa — NNT kiszámítása próbaadatokból

🎯 Forgatókönyv: Statinpróba

Egy 5 éves randomizált, kontrollált vizsgálat kimutatta, hogy a magas szív- és érrendszeri kockázatú betegek körében: a placebo csoport 6%-a kapott szívrohamot, szemben a sztatin csoport 4%-ával.

1 CER (Kontroll eseményarány) = 6% = 0.06 ERA (Kísérleti eseményarány) = 4% = 0.04

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

3 NNT = 1 ÷ ARR = 1 ÷ 0.02 = 50
50 beteg kezelése 5 éven keresztül 1 szívroham megelőzése érdekében

4 RRR = ARR ÷ CER = 0.02 ÷ 0.06 = 33%
Lenyűgözően hangzik! De az abszolút haszon csak 2%.

5 RR = EER ÷ CER = 0.04 ÷ 0.06 = 0.67
A sztatincsoport kockázata 67%-a volt a placebocsoporténak – ez 33%-os relatív csökkenést jelent.

💡 A klinikai lényeg

Amikor egy beteg megkérdezi: „Segít ez a sztatin?”, használja az NNT kifejezést. „Ha 50, Önhöz hasonló ember szedi ezt a tablettát 5 évig, 1 szívrohamot megelőzhetünk. Önnek személy szerint ez 2%-os abszolút előnyt jelent.” Ez sokkal őszintébb, mint a „33%-kal csökkenti a kockázatot”.

💬 A kockázatok kommunikálása a betegek felé (AKT kedvenc)

Az AKT gyakran teszteli, hogyan magyarázná el a statisztikai információkat a betegeknek. Négy fő formátum létezik:

Formátum:	Példa	Legmegfelelőbb
Természetes frekvencia	"Minden 100 emberből 5"	A betegek számára a legkönnyebben érthető
Százalék	"Az emberek 5%-a"	Széles körben használják, de félrevezető lehet
NNT	"Kezeljen 20 embert 1 esemény megelőzésére"	Világosan kommunikálja az abszolút előnyöket
Cates cselekménye	100 arcból álló vizuális rács	A legjobb vizuális segédeszköz a közös döntéshozatalhoz

🚨 Soha ne használd az RRR-t önmagában a kockázat kommunikálásakor

Az az állítás, hogy „ez 33%-kal csökkenti a kockázatot”, anélkül, hogy megadnánk az alap kockázatot, félrevezető. A 0.3%-os alapértékhez viszonyított 33%-os RRR azt jelenti, hogy az abszolút hasznod 0.1%. Az RRR-t mindig párosítsd az alap kockázattal, vagy add meg az ARR/NNT értéket.

💊 A gyógyszeripari képviselő trükkje – Hogyan manipulálják a gyógyszergyárak a statisztikákat

A gyógyszergyárak képviselőit arra képezik ki, hogy a vizsgálati adatokat a lehető legkedvezőbb színben tüntessék fel. Egy egyszerű, de hatékony statisztikai bűvészmutatványt alkalmaznak:

Előnyök → relatív kockázatcsökkentésként (RRR) megadva – mert nagyobbnak és lenyűgözőbbnek hangzik
Káros → abszolút kockázatnövekedésként (ARI) idézve – mert kisebbnek és kevésbé aggasztónak hangzik

Kidolgozott példa – egy kitalált sztatinnal kapcsolatos ügyintézői látogatás

Egy új sztatin 5 év alatt 2%-ról 1%-ra csökkenti a szívrohamok kockázatát, de 1%-ról 2%-ra növeli a myopathia kockázatát.

Mit mond a képviselő	Mit jelent valójában
"Ez a gyógyszer csökkenti a szívrohamok számát" 50%"	RRR = 50% – de ARR csak 1%NNT = 100. Kezeljen 100 embert 5 éven keresztül 1 szívroham megelőzése érdekében.
"A miopátia kockázata csak annyival nő, 1%"	ARI = 1% – de ez valójában egy megduplázásával a myopathia kockázatának (Relatív kockázatnövekedés = 100%).

Az őszinte verzió: „Ha 100 beteg szedi ezt a gyógyszert 5 évig, 1 plusz személy elkerüli a szívrohamot – és 1 plusz személynél myopathia alakul ki.” Ugyanazok az adatok. Teljesen más benyomás.

Az ellenszer: mindig kérdezz – "Mi az abszolút különbség?" Amikor egy képviselő relatív adatot ad meg, számítsa át saját maga: ARR = CER − EER, majd NNT = 1 ÷ ARR. Ez a juttatásokra is vonatkozik. és a árt.

Diagnosztikai tesztelés és szűrés — A 2×2-es asztal

A 2×2-es kontingenciatábla az összes diagnosztikai statisztika alapja. Ha képes vagy elkészíteni és elolvasni ezt a táblázatot, akkor a legtöbb diagnosztikai AKT-kérdésre választ tudsz adni.

A 2×2-es asztal

	A BETEGSÉG TÉNYLEGES ÁLLAPOTA
TESZTEREDMÉNY	betegség Ajándék	betegség Hiányzó
Pozitív teszt	Valódi pozitív (TP) A teszt IGEN eredményt mutat → betegsége van ✓	Hamis pozitív (FP) A teszt IGEN eredményt mutat → nincs betegség ✗
Negatív teszt	Hamis negatív (FN) A teszt NEM-et mutat → betegsége van ✗	Valódi negatív (TN) A teszt NEM-et mutat → nincs betegség ✓

Érzékenység

TP ÷ (TP + FN)

A beteg emberek azon aránya, akiknél pozitív a teszt. "Mennyire jó a betegség elkapásában?"

sajátosság

TN ÷ (TN + FP)

A BETEGSÉG NÉLKÜLI emberek negatív teszteredményűek aránya. "Mennyire jók a betegség kizárásában?"

Pozitív prediktív érték (PPV)

TP ÷ (TP + FP)

Annak a valószínűsége, hogy a pozitív teszt valóban betegséget jelent. A prevalencia befolyásolja.

Negatív prediktív érték (NPV)

TN ÷ (TN + FN)

Annak a valószínűsége, hogy egy negatív teszt valóban nem jelent betegséget. A prevalencia befolyásolja.

🧠 SnNout és SpPin — Memóriasegítők (és miért működnek)

SnNout

Snki: Egy nagyon Senszitív teszt, ha Nnegatív, uralja a betegséget Ki.

Ha az érzékenység nagyon magas, a negatív teszteredmény azt jelenti, hogy a betegség nagyon valószínűtlen (alacsony álnegatív arány). Használjon érzékeny tesztet a szűréshez és a kizáráshoz.

SpPin

Spban: Egy nagyon Sphatékony teszt, ha Ppozitív, uralja a betegséget In.

Ha a specificitás nagyon magas, a pozitív teszteredmény a betegség nagy valószínűségét jelenti (alacsony álpozitív arány). A diagnózis megerősítéséhez specifikus tesztet kell használni.

Az érzékenységet egy nagyon érzékeny füstjelzőhöz hasonlóan lehet elképzelni – mindenre megszólal, még az odaégett pirítósra is. Soha nem hagyja ki a valódi tüzet (SnNout). A specifikusság egy jól kalibrált riasztó, amely csak a valódi tüzek esetén aktiválódik – ha megszólal, biztos lehet benne, hogy valóban tűz van (SpPin).

📊 Az előfordulás hatása a PPV-re és a NPV-re — Kritikus AKT-téma

Ez a diagnosztikai statisztikák egyik legfontosabb és legtöbbet tesztelt fogalma. Az érzékenység és a specificitás a teszt rögzített tulajdonságai. A pozitív prevalencia és a negatív prevalencia azonban drámaian változik attól függően, hogy a betegség mennyire gyakori a vizsgált populációban.

Képzeld el, hogy ugyanazt a terhességi tesztet használod egy meddőségi klinikán (a nők 60%-a terhes), mint egy véletlenszerűen kiválasztott háziorvosi rendelőben (a nők 5%-a lehet terhes). Ugyanaz a teszt – ugyanaz az érzékenység/specificitás. De a pozitív eredmény minden esetben egészen mást jelent.

Forgatókönyv	Előfordulás	PPV	NPV
Ritka betegségek (pl. alacsony kockázatú HIV) szűrése az általános lakosság körében	1%	ALACSONY (~16%)	MAGAS (~99.9%)
Vizsgálat magas kockázatú szakrendelőben	50%	MAGAS (~95%)	MAGAS (~95%)

🔴 Fontos szabályok, amikre emlékezni kell

Mivel a prevalencia ↑ → PPV ↑, NPV ↓
Mivel a prevalencia ↓ → PPV ↓, NPV ↑
Alacsony prevalenciájú populációban a legtöbb pozitív eredmény álpozitív (alacsony pozitív prevalencia) – még egy nagyon specifikus teszt esetén is.
Egy magas prevalenciaértékű populációban negatív teszteredmény esetén is előfordulhat, hogy a betegséget nem mutatják ki (alacsonyabb NPV).

📐 Valószínűségi arányok — Ha tovább akarsz jutni

A valószínűségi arányok (LR) egyetlen számban egyesítik az érzékenységet és a specificitást, amely megmutatja, hogy egy teszteredmény mennyire változtatja meg a betegség valószínűségét. Fejlettebb, mint a PPV/NPV, de hasznos – és alkalmanként az AKT-ben is tesztelik.

Pozitív valószínűségi arány (LR+)

LR+ = Érzékenység ÷ (1 − Specificitás)

Mennyivel valószínűbb a pozitív teszteredmény betegség esetén a betegség nélküli állapothoz képest. LR+ >10 = erős bizonyíték a betegségre.

Negatív valószínűségi arány (LR−)

LR− = (1 − Érzékenység) ÷ Specificitás

Mennyivel valószínűbb a negatív teszteredmény betegség esetén a betegség hiányához képest. LR− <0.1 = erős bizonyíték a betegség ellen.

LR+	Hatás a teszt utáni valószínűségre
> 10	A valószínűség nagymértékű és gyakran meggyőző növekedése
5-10	Mérsékelt növekedés
2-5	Kis növekedés
1	Nincs változás (a teszt haszontalan)
0.1-0.5	Kis vagy közepes csökkenés
	Jelentős csökkenés – erős negatív kizárás

A Fagan nomogramja grafikusan használja az LR-eket – a teszt előtti valószínűségtől az LR-en keresztül húzott vonallal olvassuk le a teszt utáni valószínűséget. Ha ezt látjuk az AKT-ben, ne feledjük: a pozitív teszt eltolja a valószínűséget upegy negatív teszt eltolja azt le-.

Népességstatisztika és epidemiológia

Előfordulása

Új esetek ÷ Veszélyeztetett populáció × szorzó

intézkedések kockázatCsak az ÚJ eseteket számolja egy meghatározott időszakban.

Pontprevalencia

Minden meglévő eset ÷ Teljes népesség

intézkedések betegség teher. Egy adott időpontban (T időpont) az ÖSSZES esetet (újakat és régieket) számolja. Más néven: Esetek a T időpontban ÷ Populáció a T időpontban.

Az incidenciát az iskolába idén belépő új tanulók száma jelöli. A prevalenciát az iskolába jelenleg belépő tanulók teljes száma (új + meglévők). Egy alacsony előfordulási gyakoriságú krónikus betegség prevalenciája továbbra is magas lehet, ha az emberek évekig együtt élnek vele.

📊 Standardizált halálozási arány (SMR)

SMR képlet

(Megfigyelt halálesetek ÷ Várható halálesetek) × 100

Kor és nem szerint korrigálja a populációk közötti halálozási arányokat.

SMR-érték	Értelmezés
= 100	A halálozási arány megegyezik a referenciapopulációéval
> 100	Többlethalálozás (magasabb a vártnál)
<100	Alacsonyabb halálozási arány a vártnál

AKT kérdéstípus: „Egy bányászközösség SMR-értéke 145. Mit jelent ez?” → Többlethalálozás — 45%-kal több haláleset, mint amennyi egy hasonló általános populációban várható.

🎯 Szűrés — Átfutási idő és hossz szerinti torzítás (AKT kulcsfontosságú csapdái)

🔴 Átfutási idő torzítás

A szűrés korábban mutatja ki a betegséget, így úgy tűnik, hogy a túlélés javult – még akkor is, ha a beteg ugyanabban az időpontban hal meg. A „diagnózistól számított túlélési időt” egyszerűen a korai felismerés hosszabbítja meg, nem a tényleges kezelési előny. A beteg nem él tovább; csak hosszabb ideig tudja a betegséget.

🟠 Hosszbeli torzítás

A szűrőprogramok nagyobb valószínűséggel mutatják ki a lassan növekvő, indolens betegséget (amelynek hosszabb a „kimutatható preklinikai fázisa”), mint a gyorsan progrediáló agresszív betegségeket. Emiatt a szűrés a súlyos betegségek esetében hatékonyabbnak tűnik, mint amilyen valójában.

Átfutási időbeli torzítás: Képzeld el, hogy tudod, hogy 60 éves korodban fogsz meghalni. Szűrés nélkül 55 évesen tudod meg, szűréssel pedig 40 évesen. Úgy tűnik, hogy a szűrés 15 évvel hosszabb túlélést biztosít a diagnózistól számítva – de még mindig 60 évesen meghalsz.

✅ Wilson & Jungner szűrési kritériumok

Mielőtt egy szűrőprogramot bevezetnének, annak meg kell felelnie a Wilson és Jungner kritériumoknak (eredetileg 1968-ban publikálták, és ma is a standard keretrendszer). Az AKT mind ezen kritériumok ismeretét, mind azok alkalmazását teszteli a különböző forgatókönyvekben.

#	Kritérium	Mit jelent a gyakorlatban?
1	Fontos egészségügyi probléma	A betegség jelentős morbiditással vagy mortalitással jár – megéri a szűrés erőfeszítéseit
2	Elfogadott kezelés elérhető	Nincs értelme olyan betegséget felfedezni, amelyet nem lehet kezelni
3	Vannak diagnosztikai és kezelési lehetőségek	Az infrastruktúrának a helyén kell lennie az indulás előtt
4	Felismerhető látens vagy korai stádium	A betegségnek kimutatható preszimptómás fázissal kell rendelkeznie
5	Megfelelő teszt elérhető	A tesztnek elfogadhatónak kell lennie a lakosság számára, biztonságosnak és ésszerűen pontosnak kell lennie.
6	A populáció számára elfogadható teszt	Az embereknek hajlandónak kell lenniük alávetni magukat – az invazív vagy kellemetlen tesztek elriaszthatják a felvételt
7	A természetrajz megfelelően érthető	Tudni kell, hogyan alakul ki a betegség, ha kezeletlenül hagyják.
8	Egyeztetett irányelvek arról, hogy kit kell kezelni	Világos protokollokra van szükség – nem csak az észlelésre, hanem a további teendőkre is
9	Költséghatékonyság	Az egyes esetek megtalálásának költségét egyensúlyban kell tartani az előnyökkel
10	Folyamatos folyamat, nem egyszeri	A szűrésnek folyamatosnak kell lennie – a betegség előfordulása továbbra is fennáll

⚠️ AKT jelentkezés – Miért nem felel meg a PSA-szűrés ezeknek a kritériumoknak?

A prosztatarák PSA-szűrése nem az NHS országos szűrőprogramjának része, pontosan azért, mert küzd az 5. és 7. kritérium teljesítésével: a PSA nem elég pontos teszt (alacsony specificitás → sok álpozitív), és sok alacsony malignitású prosztatarák természetes lefolyása azt jelenti, hogy a beteg életében soha nem okozna tüneteket. Ez közvetlenül összefügg a túldiagnosztizálással (lásd alább).

Emlékezetsegítő: a kritériumokat három csoportként kell elképzelni — a betegség (fontos, érthető, lappangó stádiuma van), a teszt (megfelelő, elfogadható, pontos), a rendszer (a kezelés létezik, a létesítmények megvannak, a szabályzat elfogadott, költséghatékony, folyamatos).

🔍 Túldiagnosztika — Olyan problémák megtalálása, amelyek egyébként nem okoztak volna problémákat

Túldiagnosztizálás akkor történik, amikor egy valódi betegséget észlelnek – olyat, ami valóban létezik –, de ez a betegség... soha nem okozott tüneteket, kárt vagy halált a beteg élete során, ha nem észlelik. Ez nem álpozitív eredmény (a betegség valós), hanem valódi pozitív eredmény, amelyet nem kellett volna megtalálni.

🔴 Miért fontos

A túlzott diagnózis egészséges embereket tesz betegekké. Kiteszi őket a szorongásnak, a mellékhatásoknak és a kezelés kockázatainak egy olyan betegség esetén, amely soha nem ártott volna nekik. Ez a szűrőprogramok egyik legfontosabb ártalma – és az egyik, amelyet az AKT közvetlenül tesztel.

Állapot	Túldiagnosztikai példa
Prosztata rák	Sok, a PSA-val kimutatott alacsony fokú rák soha nem progrediál, és nem okoz tüneteket – a férfiak meghalnak ahol őket, nem ból ből őket
Pajzsmirigy rák	Ultrahanggal apró papilláris pajzsmirigyrákokat találtak, amelyek szinte mindenhol indolensek – a kimutatás száma megugrott, de a halálozási arány változatlan
DCIS (emlő)	Mammográfiával kimutatott in situ duktális karcinóma – némelyik soha nem válna invazív rákká

A túlzott diagnózis olyan, mintha egy apró repedést találnánk a falon, ami soha nem okozta volna a ház leomlását – de most, hogy észrevettük, kényszert érzünk a megjavítására. A repedés valós volt; a megtalálásából eredő kár a kezelésből származott, nem magából a repedésből.

Túldiagnosztika vs. túlkezelés

Túldiagnosztika = egy olyan betegség megtalálása, amelyet nem kellett volna megtalálni. Túlkezelés = egy olyan betegség kezelése, amely nem igényelt kezelést (ami túlzott diagnózist követhet, vagy önállóan is előfordulhat). Kapcsolódó, de különálló fogalmak.

🔢 Korhatár-szabványosítás

Amikor különböző populációk (pl. különböző országok, különböző időszakok) betegségarányait vagy halálozási arányait hasonlítjuk össze, figyelembe kell venni azt a tényt, hogy ezek a populációk eltérő kormegoszlással rendelkezhetnek. Az idősebb populációkban természetesen magasabb a halálozási arány, még akkor is, ha egészségi állapotuk ugyanolyan jó.

Kulcsfogalom

A kor szerinti standardizálás egy statisztikai technika, amely kiküszöböli a különböző koreloszlások torzító hatását a populációk közötti egészségügyi eredmények összehasonlításakor. Olyan arányt eredményez, amely akkor lenne megfigyelhető, ha mindkét populáció azonos korszerkezettel rendelkezne (a „standard populáció”).

🎗️ Rákstatisztikák — AKT tudnivalók

Az AKT időnként konkrét rákstatisztikákat vizsgál. Ehhez nem szükségesek kimerítő onkológiai ismeretek – de ezek a főbb adatok felmerülnek, és érdemes ismerni őket.

Rák	Kulcs statisztika	Miért számít?
Hererák	>98%-os 10 éves túlélés	Az egyik legjobban kezelhető rákfajta – fontos tudni a fiatal férfiak tanácsadása során
Tüdőrák	A rákos halálozás vezető oka (Egyesült Királyság)	Bár nem ez a leggyakoribb rák, több ember halálát okozza, mint bármely más

⚠️ Túlélési arány vs. halálozási arány — Ne keverd össze ezeket

Egy rákos megbetegedésnél magas lehet a vércukorszint előfordulása (gyakori), de alacsony halálozás (kezelhető), mint például az emlőrák. Vagy alacsonyabb előfordulási gyakorisággal, de nagyon magas halálozási aránnyal járhat, mint például a hasnyálmirigyrák. Az AKT tesztelheti a rákstatisztikák helyes értelmezésének képességét – ne feltételezze, hogy a leggyakoribb rák a leghalálosabb.

⚖️ Egészségügyi egyenlőtlenségek

Az egészségügyi egyenlőtlenségek a különböző embercsoportok közötti igazságtalan, elkerülhető egészségügyi különbségeket írják le. Ezek az Egyesült Királyság közegészségügyi politikájának jelentős fókuszterületei, és az AKT-ben az epidemiológia és az egészség társadalmi meghatározóinak kontextusában jelennek meg.

Meghatározás

Az egészségügyi egyenlőtlenségek az egészségi állapotban vagy az egészséget meghatározó tényezők eloszlásában mutatkozó igazságtalan, elkerülhető különbségek a különböző népességcsoportok között„Elkerülhetők”, mert olyan társadalmi, gazdasági vagy környezeti feltételekből fakadnak, amelyek elvileg megváltoztathatók – nem pedig a véletlenből vagy a biológiai variációból.

típus	Példák az Egyesült Királyságból
Társadalmi-gazdasági	Alacsonyabb várható élettartam a hátrányos helyzetű területeken; magasabb a szív- és érrendszeri betegségek, a cukorbetegség és a mentális betegségek aránya a szegényebb közösségekben
Földrajzi	„Észak-Dél megosztottság” – Észak-Anglia egyes részein rosszabb egészségügyi eredmények Délhez képest
Etnikai	A 2-es típusú cukorbetegség magasabb aránya a dél-ázsiai populációkban; magasabb a szív- és érrendszeri kockázat a fekete populációkban
nem	A férfiak várható élettartama alacsonyabb, de a nők több évet töltenek el betegségben (morbiditás)

Az AKT-ben az egészségügyi egyenlőtlenségek gyakran az egészség társadalmi meghatározóira vagy a csoportok közötti különbségeket mutató népességi adatok értelmezésére vonatkozó kérdésekként jelennek meg. Kulcsfontosságú eszköz: a Marmot Review (Igazságos társadalom, egészséges élet) és a arányos univerzalizmus — az egyetemes szolgáltatások intenzívebb nyújtása a rászorulóknak.

Adateloszlás és statisztikai szignifikancia

A központi tendencia intézkedései

Mérték	Meghatározás	Legjobb használat Mikor	Vigyázz
Jelenteni	Az összes érték összege ÷ értékek száma	Az adatok normális eloszlásúak	Könnyen torzítható a kiugró értékek által
Középső	Középérték rendezés esetén. Ha van egy páros szám Az értékek közül a medián a két középső szám átlaga.	Torzított adatok (pl. jövedelem, kórházi tartózkodás hossza)	Figyelmen kívül hagyja a tényleges értékeket szélsőségeknél
Mód	Leggyakrabban előforduló érték	Kategória szerinti adatok; bimodális eloszlások	Folyamatos adatokkal értelmetlen lehet
Választék	Maximum − Minimum	Gyors terjedési érzés	Teljes mértékben a kiugró értékek határozzák meg
IQR (interkvartilis tartomány)	75. percentilis − 25. percentilis	Párosítva mediánnal ferde adatok esetén	Figyelmen kívül hagyja a felső és alsó 25%-ot
Standard eltérés (SD)	Átlagos eltérés az átlagtól	Normálisan elosztott adatok	Félrevezető, ha az adatok nem normális eloszlásúak

🗂️ Adattípusok — Nominális, Ordinális, Intervallum, Arány

Megérteni, mit típus A rendelkezésre álló adatok mennyisége határozza meg, hogy mely összefoglaló statisztikák és mely statisztikai tesztek megfelelőek. Az AKT ezt teszteli – általában egy adathalmaz bemutatásával és a használandó teszt vagy mérés kiválasztásával.

típus	Meghatározás	Példák	Az analógia
Névleges	Természetes sorrend nélküli kategóriák	Vércsoport (A, B, AB, O); nem; szemszín; halál oka	Egy gyümölcstál – az alma és a banán egyszerűen más, egyik sem „több”
Sorrendi	Rendezett kategóriák, de a köztük lévő rések nem szükségszerűen egyenlő	NYHA szívelégtelenség osztályozás (I–IV); fájdalomskála (enyhe/közepes/súlyos); Likert-skála	Versenypozíciók — 1., 2., 3. Ismerjük a sorrendet, de az 1. és a 2. hely közötti különbség nagyon eltérhet a 2. és a 3. hely közötti különbségtől.
Intervallum	Az értékek között egyenlő rések rendezve, de nincs igazi nulla	Hőmérséklet °C-ban; naptári dátumok; IQ-pontszámok	Egy hőmérőnél a 0°C nem azt jelenti, hogy „nincs hőmérséklet”. Nem mondhatjuk abszolút értelemben, hogy a 20°C „kétszer olyan meleg”, mint a 10°C.
Viszony	Rendezett, egyenlő hézagok ÉS egy igazi abszolút nulla	Magasság, testsúly, vérnyomás, életkor, jövedelem, gyógyszeradag	Pénz – a 0 font azt jelenti, hogy valójában semmid sincs. A 40 font kétszer annyi, mint a 20 font.

💡 Miért fontos ez az AKT számára?

Nominális/Ordinális adatok → átlagokhoz nem paraméteres próbákat, móduszt vagy mediánt használjunk
Intervallum/Arány adatok (normális eloszlású) → használhat átlag-, szórás- és paraméteres próbákat
te nem lehet értelmesen átlagot számolni nominális adatokra (pl. az "átlagos vércsoport" értelmetlen), vagy intervallumadatokkal arányos állításokat tenni (nem lehet azt mondani, hogy valaki 120-as IQ-val "kétszer olyan okos", mint valaki 60-assal)

🔬 Paraméteres és nem paraméteres tesztek

A statisztikai próbák két családba sorolhatók attól függően, hogy milyen feltételezéseket tesznek az adatainkkal kapcsolatban. Az AKT azt vizsgálja, hogy melyik próbatípus a megfelelő egy adott forgatókönyvben – nem kell elvégezni a számításokat, csak tudni kell, hogy mikor melyiket kell használni.

A legfontosabb különbség

Paraméteres tesztek Tegyük fel, hogy az adatok normális eloszlásúak (vagy a minta elég nagy ahhoz, hogy ez ne számítson sokat), és hogy az adatok legalább intervallum szintűek. Nem paraméteres tesztek nem tesznek ilyen feltételezéseket – rangokkal vagy kategóriákkal dolgoznak, és alkalmasak ferde adatok, kis minták vagy ordinális/nominális adatok kezelésére.

A paraméteres tesztek olyanok, mint egy recept, ami csak akkor működik, ha a sütő hőmérséklete pontosan megfelelő. A nem paraméteres tesztek megbocsátóbbak – akkor is működnek, ha a sütő kicsit meleg vagy hideg.

Cél	Paraméteres teszt	Nem parametrikus ekvivalens
Két független csoport átlagának összehasonlítása	Független t-teszt	Mann-Whitney U teszt
Az összehasonlítás jelentése: ugyanaz a csoport, 2 időpont	Páros t-próba	Wilcoxon előjeles rangú teszt
Hasonlítsa össze 3 vagy több csoport átlagát	ANOVA (varianciaanalízis)	Kruskal-Wallis teszt
Két folytonos változó közötti korreláció	Pearson korreláció	Spearman rangkorreláció
Arányok / kategorikus adatok összehasonlítása	-	Khi-négyzet próba (χ²)

⚠️ AKT döntési szabályok

Az adatok az ferde or nem normális eloszlású → nem paraméteres
Kis mintaelemszám (és a normalitás bizonytalan) → nemparametrikus
Az adatok az sorrendi (pl. fájdalompontszámok, Likert) → nem paraméteres módszert alkalmaz
Összehasonlítása arányok vagy kategóriák → khi-négyzet próba
Nagymintás, folytonos, közelítőleg normális → a paraméteres próba rendben van

🔔 Normális eloszlás — A 68-95-99.7 szabály

A normális eloszlás egy szimmetrikus harang alakú görbe. Az átlag, a medián és a módusz egyenlő, és középen helyezkednek el.

Választék	Az értékek %-a tartalmazza
Átlag ± 1 szórás	68%
Átlag ± 2 szórás	95%
Átlag ± 3 szórás	99.7%

AKT alkalmazás: A vérvizsgálatok referenciatartományait általában átlag ± 2 SD-ként definiálják – ami azt jelenti, hogy az egészséges emberek 5%-a esik „a normál tartományon kívül”. Ezért egy tünetmentes beteg enyhén kóros eredménye gyakran nem igényel kezelést.

⚠️ Ferde adatok

Pozitívan ferde adatok esetén (pl. jövedelem, háziorvosi várakozási idők, szérum bilirubinszint egy osztályon) az átlagot néhány magas kiugró érték jobbra húzza. Ebben az esetben használja a középső — jobban tükrözi a tipikus értéket. Az AKT szereti tesztelni ezt a megkülönböztetést.

📉 P-értékek és konfidenciaintervallumok – Mit jelentenek valójában?

P-értékek

A p-érték annak a valószínűsége, hogy legalább olyan szélsőséges eredményeket figyeljünk meg, mint amilyeneket láttunk. ha a nullhipotézis igaz (azaz ha nincs valódi hatás). Ez nem annak a valószínűsége, hogy a nullhipotézis helyes.

p-érték	Értelmezés
p <0.05	Statisztikailag szignifikáns – kevesebb, mint 5% valószínűséggel történt ez az eredmény véletlenül
p> 0.05	Statisztikailag nem szignifikáns – az eredmény a véletlennek is köszönhető
p = 0.01	1% esély van erre az eredményre, ha nincs valódi hatás

Konfidenciaintervallumok (CI-k)

A 95%-os konfidenciaintervallum azt jelenti, hogy ha 100-szor megismételnénk a vizsgálatot, akkor ezek közül 95 alkalommal a valódi populációs érték ebbe a tartományba esne.

A CI olyan, mint egy időjárás-előrejelzés, amely azt mondja, hogy „holnap 14°C és 22°C között várható a hőmérséklet”. Ez nem jelenti azt, hogy a hőmérséklet biztosan ebben a tartományban lesz – de 95%-ig biztos vagy benne, hogy így is lesz.

🔴 A legjobban tesztelt szabály — Átlépi-e a konfidenciaintervallum a mágikus számot?

Egy hányados (RR, OR, HR): ha a 95%-os konfidencia intervallum tartalmazza 1.0 → statisztikailag nem szignifikáns
Egy különbség (átlagos különbség, ARR): ha a 95%-os konfidencia intervallum tartalmazza 0 → statisztikailag nem szignifikáns
Ha a konfidenciaintervallum (CI) teljes egészében 1 felett van (az arányok esetében) → jelentősen megnő a kockázat
Ha a konfidenciaintervallum (CI) teljes egészében 1 alatt van (az arányok esetében) → jelentősen csökken a kockázat

❌ I. és II. típusú hibák — Farkaskiáltás vs. Farkas hiánya

I. típusú hiba (α — Alfa)

A nullhipotézis elvetése, amikor az valójában igaz. Más szóval: arra a következtetésre jutás, hogy egy kezelés működik, amikor nem. A téves pozitív arány. Hagyományosan 5%-on elfogadható (α = 0.05, p < 0.05).

„Síró farkas” – riadót fúj, amikor nincs farkas.

II. típusú hiba (β — Béta)

A nullhipotézis elvetésének elmulasztása, amikor az valójában hamis. Más szóval: egy valódi kezelési hatás hiánya. A téves negatív arány. Hagyományosan 20%-on elfogadható (β = 0.2, teljesítmény = 80%).

„Hiányzik a farkas” – azt mondani, hogy nincs farkas, amikor van.

Statisztikai erő

Teljesítmény = 1 − β. Ez annak a valószínűsége, hogy egy valódi hatást helyesen detektálunk. Nagyobb teljesítmény = kisebb a valószínűsége annak, hogy egy valódi hatást nem észlelünk. A teljesítmény a nagyobb mintaelemszámmal növekszik. Egy jól megtervezett vizsgálathoz ≥80%-os teljesítmény szükséges.

⚡ Statisztikai szignifikancia ≠ Klinikai jelentőség

Ez az AKT statisztikák egyik legfontosabb és legtöbbet tesztelt árnyalata – és egy olyan, amit sok gyakornok nem vesz észre.

🔴 Az alapszabály

Az eredmény lehet statisztikailag szignifikáns (p < 0.05) miközben klinikailag értelmetlenA statisztikai szignifikancia csak azt mondja meg, hogy az eredmény valószínűleg nem a véletlennek köszönhető – azt mondja semmi arról, hogy a hatás elég nagy-e ahhoz, hogy a gyakorlatban számítson.

Egy 50 000 beteg bevonásával végzett vizsgálat kimutatta, hogy egy új vérnyomáscsökkentő 1 Hgmm-rel csökkenti a szisztolés vérnyomást. p = 0.001. Nagyon szignifikáns – de változtatna a felírásán 1 Hgmm-es csökkenés esetén? Nem. A p-érték apró, mert a minta hatalmas, nem azért, mert a hatás fontos.

Forgatókönyv	Statisztikailag szignifikáns?	Klinikailag fontos?
A vérnyomás 1 Hgmm-rel csökken, n=50,000, p=0.001	Igen	Nem
A vérnyomás 15 Hgmm-rel csökken, n=30, p=0.08	Nem	Valószínűleg igen
A vérnyomás 12 Hgmm-rel csökken, n=500, p=0.02	Igen	Igen

💡 Mit használjunk helyette?

Mindig nézd meg a effektus mérete (ARR, NNT, átlagos különbség) a p-értékek és a konfidenciaintervallumok mellett. Egy szűk konfidenciaintervallum, amely kizárja a nullát vagy az egyet, jelentőségteljesebb, mint egy p-érték önmagában – megmutatja mind a hatás irányát, mind a pontosságát.

📏 Konfidenciaintervallum szélessége — Pontosság egy pillantásra

Szűk CI → pontos becslés → nagy megbízhatóság a valódi érték közel van a pontbecsléshez (általában nagy mintából)
Széles CI → bizonytalan becslés → a valódi érték széles tartományon belül bárhol lehet (általában egy kis vagy heterogén mintából)

Példa: RR = 1.5 (95%-os CI 1.4–1.6) → pontos, meggyőző. RR = 1.5 (95%-os CI 0.6–3.8) → széles, bizonytalan – és átlépi az 1.0-t, tehát nem is szignifikáns.

📈 Regresszió az átlag felé — A klinikai gyakorlat rejtett összezavarója

Az átlaghoz való regresszió az a statisztikai tendencia, hogy egy szélsőséges mérés közelebb van az átlaghoz egy második mérés során — bármilyen beavatkozástól függetlenülEz az orvostudományban a félrevezető következtetések egyik legkevésbé elismert forrása.

🔴 Miért fontos klinikailag?

A betegeket gyakran pontosan akkor vizsgálják vagy kezelik, amikor a tüneteik vagy a mérési eredményeik a legrosszabbak. A természetes variáció azt jelenti, hogy ezek a mérési értékek valószínűleg mindenképpen javulni fognak az ismételt tesztelés során – nem feltétlenül a beavatkozás miatt. Kontrollcsoport nélkül lehetetlen megkülönböztetni az átlaghoz való regressziót a valódi kezelési hatástól.

Forgatókönyv	Hogyan néz ki a kezelés hatása?	Mi történhet valójában?
A beteg vérnyomása az egyik mérésnél nagyon magas → gyógyszeres kezelést kezdett → a következő vizsgálatkor alacsonyabb vérnyomást mértek	A gyógyszer működik	Az első leolvasás kiugró érték lehetett; az ismételt mérés során a vérnyomás egyébként is alacsonyabb lett volna
A tanuló nagyon rosszul teljesít egy teszten → plusz tandíjat kap → legközelebb jobban teljesít	A tandíj segített	A gyenge pontszám valószínűleg nem volt reprezentatív; a természetes teljesítmény az átlag felé halad
Súlyos ekcéma fellángolásával küzdő beteg új krémet kezd használni → a fellángolás javul	A krém hatékony	A súlyos fellángolások idővel természetesen javulnak, függetlenül a kezeléstől

Képzeld el, hogy csak akkor méred meg valakinek a magasságát, amikor egy dobozon áll. Nagyon magasnak tűnik. Legközelebb, amikor normálisan megméred – úgy tűnik, mintha „összezsugorodtak volna”. A mérés megváltozott; a személy nem. Ez az átlaghoz való regresszió.

💡 Hogyan védekezzünk ellene

Vesz több alapmérési módszer és a kezelés megkezdése előtt használja az átlagot
Használat ellenőrző csoport — az átlaghoz való regresszió mindkét csoportot egyformán érinti, így a csoportok közötti bármilyen különbség nagyobb valószínűséggel valódi kezelési hatás
Ez az egyik legerősebb érv amellett, hogy RCT-k kontrollálatlan előtte-utána vizsgálatok helyett

Statisztikai grafikonok – Mire figyeljünk?

Az AKT rendszeresen mutat be grafikonokat, és arra kér, hogy értelmezd azokat. Tanuld meg felismerni az egyes grafikontípusok kulcsfontosságú jellemzőit – ne próbálj meg mindent elolvasni. Egyetlen célzott megfigyelés elegendő.

Grafikon típusa	Elsődleges felhasználás	Az egyetlen dolog, amire figyelni kell
Erdő Telek	Metaanalízis eredményei	Ea gyémánt átlépni a hatástalan függőleges vonalat?
Tölcsér cselekmény	Publikációs torzítás észlelése / GP kiugró értékek monitorozása	A cselekmény aszimmetrikus? (Hézag = hiányzó, nem publikált tanulmányok)
Cates-terv	Az NNT vizuális közlése a betegek számára	Számold meg a színes „jutalom” arcokat; NNT = 100 ÷ ezek az arcok
L'Abbé-parcella	A heterogenitás vizsgálata metaanalízisekben	Pont az átlós vonalon = nulla kezelési hatás
Doboz-és-bajuszdiagram	Adateloszlás és -szórás	Középső sor = középső (nem átlagos); a bajuszokon túli pontok = kiugró értékek
Fagan nomogramja	Előteszt → utóteszt valószínűsége	Húzz vonalat a teszt előtti valószínűségtől az LR-en keresztül a teszt utáni valószínűség leolvasásához.
Szár-levél diagram	Elosztás — megőrzi az eredeti értékeket	Mint egy hisztogram, de az egyes adatpontokat mutatja
Kaplan-Meier-görbe	Túlélési elemzés – eseményig eltelt idő	A lépések csökkennek, amikor események történnek; a korán eltérő és egymástól távol maradó görbék tartós kezelési előnyökre utalnak
hisztogram	Folyamatos adatok eloszlása	Görbe alakja: szimmetrikus = normális eloszlás; ferde = mediánt használunk, nem átlagot

🌲 Erdőparcellák — Részletesen

Hogyan olvassunk egy erdei ábrát

Minden négyzet = egy tanulmány. A négyzet mérete = a tanulmány súlya (általában a minta mérete határozza meg)
Vízszintes vonalak = 95%-os konfidenciaintervallum az adott vizsgálathoz
A gyémánt alul = az összesített összesített becslés. Szélessége = az összesített 95%-os konfidenciaintervallum
Függőleges vonal 1.0-nál = "hatástalan vonal" (arányok esetén). Ha egy CI vonal vagy a rombusz átlépi ezt a vonalat, az eredmény az statisztikailag nem szignifikáns

Heterogenitás – Az I² statisztika

Az I² azt méri, hogy a tanulmányok közötti eltérések mekkora része a valódi heterogenitásnak (valós különbségeknek), nem pedig a véletlennek köszönhető.
I² < 25% = alacsony heterogenitás ✓
I² = 25–50% = mérsékelt heterogenitás
I² > 50% = jelentős heterogenitás — az összesített eredmény kevésbé megbízható ⚠️

Gondolj a gyémántra úgy, mint az esküdtszék végső ítéletére. Ha a gyémánt átlépi a függőleges „hatástalansági vonalat”, az esküdtszék fel van függesztve – nincs végleges következtetés. Az I² statisztika megmutatja, hogy az esküdtek egyáltalán egyetértettek-e ugyanabban az ügyben.

📯 Tölcsérdiagramok — Publikációs torzítás és GP-kiugró értékek monitorozása

A tölcsérdiagramok két teljesen különböző kontextusban jelennek meg az AKT-ben – győződjön meg róla, hogy mindkettőt felismeri.

Metaanalízisben (publikációs torzítás)

A hatásméretet (x tengely) ábrázolja a vizsgálat pontosságának vagy méretének (y tengely) függvényében. Szimmetrikus invertált tölcsér = nincs torzítás. Aszimmetrikus tölcsér bal alsó sarokban lévő réssel = hiányzó kis negatív tanulmányok → publikációs torzítás.

Gyakorlati teljesítménymonitorozás

Összehasonlítja a háziorvosi praxisokat mutatók szerint (pl. beutalási arányok, halálozás). A tölcsérvonalakon kívüli adatpontok statisztikai kiugró értékek vizsgálatot indokol – nem feltétlenül bizonyítja a gyenge teljesítményt.

😊 Cates-diagramok — Hogyan lehet vizuálisan kinyerni az NNT-t

A Cates-diagram (néha „mosolygós arcdiagramnak” is nevezik) 100 arcból álló rácsot használ, hogy segítsen a betegeknek vizualizálni az abszolút előnyöket és károkat.

A 100 arc mindegyike egy embert képvisel 100 kezelt személyből.
Sárga/zöld arcok = hasznot húzó emberek (megelőzött események)
Vörös arcok = bántalmazott emberek
Szürke/egyszerű arcok = egyik irányban sincs hatás

NNT a Cates Plotból

NNT = 100 ÷ juttatási felületek száma

Példa: 4 sárga lap → NNT = 100 ÷ 4 = 25

📉 Kaplan-Meier túlélési görbék – Hogyan olvassuk őket

A Kaplan-Meier (KM) görbék a túlélés (vagy eseménymentes maradás) valószínűségét mutatják az idő múlásával. Ezek az AKT rákkeltő vizsgálatokkal, szív- és érrendszeri vizsgálatokkal, valamint az esemény bekövetkeztéhez vezető időt nyomon követő kutatásokkal kapcsolatos kérdéseiben jelennek meg.

Jellemző	Mit jelent
Az Y-tengely	A túlélés valószínűsége (vagy eseménymentes túlélés) – 1.0-nél (100%) kezdődik, és idővel csökken
Az X-tengely	Idő (napok, hónapok, évek)
Minden lefelé irányuló lépés	Egy esemény történt (pl. halál, visszaesés). Nagyobb lépések = több esemény abban a pontban
Jelölések a vonalon	Cenzúrázott betegek – akiket kihagytak a követésből, vagy akik befejezték a vizsgálatot. Nem események.
Két görbe korán elválik egymástól, majd távol marad	A kezelés tartós előnyeit sugallja a követés során
Kanyarokban való kereszteződés	Arra utal, hogy a veszély nem arányos az idő múlásával – bonyolítja az értelmezést
Medián túlélés	Az az időpont, amikor a túlélési görbe átlépi az 50%-ot – az a pont, amikor a betegek felénél előfordult az esemény

Kapcsolat a kockázati aránnyal

Az log-rank teszt statisztikailag összehasonlít két KM-görbét. A kockázati arány (HR) összefoglalja a görbék közötti általános különbséget. HR < 1 = a kezelési csoportban kevesebb esemény történik az idő múlásával. Ha a görbék jelentősen átfedik egymást, a HR közel lesz 1-hez (nincs előny).

Képzelj el egy KM-görbét úgy, mint egy lefelé haladó lépcsőfokot. Minden egyes lefelé irányuló lépés azt jelenti, hogy valaki átéli az adott eseményt. Egy működő kezelés hosszabb ideig tartja az embereket a magasabb lépcsőfokon – a kezelt csoport lépcsője lassabban ereszkedik le.

📊 Hisztogramok — Eloszlás áttekintése

A hisztogram egy folytonos változó (pl. életkor, vérnyomás, BMI) eloszlását jeleníti meg úgy, hogy az értékeket intervallumokba (tárolókba) csoportosítja, és megmutatja, hogy hány megfigyelés esik az egyes tárolókba. Az oszlopdiagrammal ellentétben az oszlopok érintik egymást – mivel az adatok folytonosak.

Alak	Jelentés	Átlagot vagy mediánt használsz?
Szimmetrikus harang alakú	Normális eloszlás – az átlag, a medián és a módusz egyenlő	Vagy – de hagyományosan átlag ± SD
Jobbra (pozitív) ferdeség	Hosszú farok jobbra – néhány nagyon magas érték felfelé húzza az átlagot	Medián (reprezentatívabb)
Balra (negatív) ferdeség	Hosszú farok balra – néhány nagyon alacsony érték lefelé húzza az átlagot	Medián (reprezentatívabb)
Bimodális (két csúcs)	Két különálló alcsoport az adatokban	Mindkét csúcsot külön kell jelenteni

AKT tipp: ha a hisztogram pozitív ferdülést mutat, a központi idézési hajlam helyes mértéke a középsőHa normális eloszlást mutat, akkor a jelent helyénvaló.

Minőségfejlesztés és klinikai audit

Szerszám	Cél	FŐBB JELLEMZŐK
Klinikai audit	A gyakorlat mérése explicit szabványokhoz képest; a hiányosságok azonosítása és megszüntetése	Meghatározott szabványt igényel. PDSA ciklust használ. Magában foglalja a ciklus lezárását (újraellenőrzés). Nem kutatás – nincs hipotézis, nincs új tudás.
Jelentős eseményelemzés (SEA)	Egyetlen jelentős esemény szisztematikus multidiszciplináris áttekintése	Hibáztatásmentes. A rendszerszintű tanulásra összpontosít, nem az egyéni hibákra. Megosztva a csapaton belül. Dokumentálja a tanulást és a cselekvést.
Root Cause Analysis (RCA)	Súlyos incidensek alapos kivizsgálása	Strukturáltabb, mint a SEA. Az „5 Miért” technikát alkalmazza. Azonosítja a közreható és a kiváltó okokat. Gyakran soha nem bekövetkező események vagy súlyos károk esetén.
QOF kivételjelentés	A betegek megfelelő kizárása a QOF-mutatókból	Klinikailag megfelelő: maximálisan tolerálható terápia, a beteg tájékozott egyet nem értése, extrém gyengeség vagy klinikai ellenjavallat esetén.

🔄 Klinikai audit vs. kutatás — Főbb különbségek

Jellemző	Klinikai audit	Kutatás
Cél	Javítsa az ellátást a szabványokkal való összehasonlítás révén	Új tudás generálása
Hipotézis	Nincs – összehasonlítva a meglévő szabványokkal	Mindig van egy hipotézise
Etikai jóváhagyás	Általában nem szükséges	Általában szükséges
Beleegyezés	Általában nem szükséges	Általában szükséges
randomizációs	soha	Tartalmazhat randomizált, kontrollált vizsgálatokat (RCT-ket)
Végeredmény	Szolgáltatásfejlesztés; cselekvési terv	Új bizonyítékok; publikáció

AKT csapda: „Egy háziorvos azt szeretné megvizsgálni, hogy egy új antibiotikum jobb gyógyulási arányt ér-e el, mint a standard kezelés a praxisában.” → Ez… kutatás (új ismereteket generál, hipotézissel rendelkezik, etikai normákat igényel). „A háziorvos méri, hogy a praxisában az asztmafelülvizsgálati arány eléri-e a NICE 80%-os szabványát.” → Ez… könyvvizsgálat.

🔁 PDSA ciklus

A Tervezés-Cselekedj-Vizsgáld-Cselekedj (PDSA) ciklus a klinikai auditok és a minőségfejlesztés során használt folyamatos fejlesztési keretrendszer.

Színpad	Mi történik
csomag	Definiáld a kérdést, állítsd fel a mércét, tervezd meg az adatgyűjtést
Do	Változtass a gyakorlaton, vagy mérd fel a jelenlegit
Tanulmány	Eredmények elemzése; összehasonlítás a szabvánnyal; hiányosságok azonosítása
törvény	Fejlesztések végrehajtása; újbóli audit megtervezése a ciklus lezárása érdekében

Klinikai számítások (AKT Formula Bank)

Ezek a képletek az AKT számítási kérdéseinél jelennek meg. Tanuld meg mindegyiket, és ismerd a cselekvést kiváltó klinikai határértékeket.

Testtömegindex (BMI)

Súly (kg) ÷ Magasság² (m²)

Alultestsúly <18.5 | Normális 18.5–24.9 | Túlsúlyos 25–29.9 | Elhízott ≥30 | Kórosan elhízott ≥40

Boka-karnyomás index (ABPI)

Legmagasabb boka szisztolés nyomás ÷ Legmagasabb brachiális szisztolés nyomás

Normális: 1.0–1.3 | PAD: <0.9 | Súlyos PAD: <0.5 | Nem összenyomható (meszes): >1.3

Alkoholegységek

(Térfogat ml-ben × ABV%) ÷ 1000

pl. 750 ml × 12% ÷ 1000 = 9 egység. Alacsony kockázat: ≤14 egység/hét mindkét nemnél. Nincs biztonságos szint terhesség alatt.

Nem HDL koleszterin

Teljes koleszterin − HDL-koleszterin

Cél: <2.5 mmol/l a sztatin terápiában részesülőknél (NICE irányelv). Beleértve az összes aterogén lipoproteint.

Gyermekgyógyászati gyógyszeradag térfogata

(Kívánt adag ÷ Rendelkezésre álló hatáserősség) × Térfogat

pl. gyermeknek 250 mg-ra van szüksége, a szuszpenzió 125 mg/5 ml: (250 ÷ 125) × 5 ml = 10 ml

Százalékos súlycsökkenés (újszülöttek)

[(Születési súly − Jelenlegi súly) ÷ Születési súly] × 100

Az első 5 napban >10%-os veszteség esetén felülvizsgálat szükséges. Normális esetben akár 10%-os veszteség is előfordulhat; a 10–14. napra visszanyerhető a súly.

Cockcroft-Gault (CrCl)

[(140 − Életkor) × Testsúly (kg)] ÷ Kreatinin (µmol/L) × K

K = 1.23 (férfiak), 1.04 (nők). A kreatinin-clearance becslésére szolgál – veseelégtelenség esetén a gyógyszeradagolás meghatározásához.

🧮 ABPI működő példa

🎯 Forgatókönyv: T asszony, 72 éves, lábfájdalommal járás közben

1 Bokanyomás (a legmagasabb a DP/PT közül): 90 Hgmm | Felkarnyomás (a legmagasabb karon): 130 Hgmm

2 ABPI = 90 ÷ 130 = 0.69

3 ABPI 0.69 = Perifériás artériás betegség igazolva (határérték <0.9)

4 A kompressziós kötés ELLENJAVALLT — érsebészetre utal

🍷 Alkohol egység kidolgozott példák

Ital	Térfogat (ml)	Alkohol%	Számítás	Egységek
Nagy pohár bor	250ml	13%	250 × 13 ÷ 1000	3.25
Üveg bor	750ml	12%	750 × 12 ÷ 1000	9.0
Pint lager (erős)	568ml	5%	568 × 5 ÷ 1000	2.84
Egyetlen alkoholmérő	25ml	40%	25 × 40 ÷ 1000	1.0

Alacsony kockázatú ajánlás: ≤14 egység/hét (férfiaknak és nőknek), 3+ napra elosztva, heti 2-3 alkoholmentes nappal. Erről beszélne egy alkoholcsökkentésről szóló konzultáción.

🧮

Működő példák

🎯 1. példa: Az összes kockázati mutató kiszámítása egy próbatáblázatból

Egy RCT véletlenszerűen beosztja a betegeket, hogy vagy az X gyógyszert, vagy a placebót kapják. 3 év elteltével: az 500 placebót kapó beteg közül 80-nak volt stroke-ja; az 500 X gyógyszert kapó beteg közül 40-nek volt stroke-ja.

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

2ARR = 59 411,0 − 59 213,8 = 0.08 (8%)

3NNT = 38 318 ÷ 0.08 = 12.5 → kerekítsd fel 13-ra

4RRR = 38 318 ÷ 0.16 = 0.5 = 50%

5RR = 38 318 ÷ 0.16 = 0.5 (Az X gyógyszer a felére csökkenti a stroke kockázatát)

🎯 2. példa: 2×2-es táblázat létrehozása és az érzékenység és a specificitás kiszámítása

Egy új tesztet alkalmaznak 200 betegen, akik közül 100-nál diagnosztizálták a betegséget. A teszt a 100 beteg közül 85-öt, a 100 betegségben szenvedő közül pedig 80-at helyesen azonosít.

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

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

3sajátosság = 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%

🎯 3. példa: Gyermekgyógyászati dózis kiszámítása

Egy gyermeknek 300 mg amoxicillinre van szüksége. A rendelkezésre álló szuszpenzió 250 mg/5 ml. Mekkora mennyiséget kell adni?

1Képlet: (Kívánt adag ÷ Rendelkezésre álló hatásosság) × Térfogat

2(300 ÷ 250) × 5 = 1.2 × 5 = 6ml

📋

Formulák Csatája és Memóriasegítő

Kockázat- és kezelési képletek

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

Diagnosztikai tesztelés

Érzékenység = TP ÷ (TP + FN) sajátosság = TN ÷ (TN+FP) PPV = TP ÷ (TP + FP) NPV = TN ÷ (TN+FN)

Populáció és klinikai képletek

SMR = (Megfigyelések ÷ Kif.) × 100 BMI = Tömeg (kg) ÷ Ht² (m²) ABPI = Boka SBP ÷ Brachiális SBP Alkohol = (térfogat × alkohol%) ÷ 1000

🧠 Mester memória segédeszközök

SnNout: Érzékeny teszt — A negatív kizárja a betegséget (szűrés)
SpPIN: Specifikus teszt — Pozitív eredmény a betegség kimutatásában (megerősítés)
CI keresztezi az 1.0-t (arány) vagy 0 (különbség) → nem szignifikáns
Erdőparcella rombusz keresztezi a vonalat → nem jelentős
Tölcsér aszimmetria → publikációs torzítás (vagy GP-kiugró érték teljesítménykontextus esetén)
Dobozdiagram középvonala → MEDIÁN (nem átlag)
68-95-99.7 → ±1SD, ±2SD, ±3SD normális eloszlásban
I² >50% → jelentős heterogenitás
VAGY az eset-kontrollból | Kohorszból származó RR | Keresztmetszeti prevalencia
Audit ≠ Kutatás (auditintézkedések vs. standard; a kutatás új ismereteket generál)

📊 Tanulmánytervezési emlékeztető: „Esetekhez, OR – Kohorszokhoz, RR”

Esetkontroll → OR (esélyhányados) – a kitettségek VISSZATEKINTÉSE
kohort → RR (Relatív kockázat) – a kitettségből TOVÁBB haladva
Keresztmetszet → Előfordulás — PILLANATFELVÉTEL az időben
RCT / SR → A kezelési kérdések aranystandardja

🎓

Tréner és Oktató Gyöngyök

Gyakori gyakornoki vakfoltok ebben a témában

A gyakornokok gyakran képletként tanulják meg az NNT-t anélkül, hogy megértenék, mit jelent valójában klinikailag – ügyeljenek arra, hogy egy olyan mondatban el tudják magyarázni, amelyet a beteg is megért.
Az érzékenység/specificitás (teszttulajdonságok) és a pozitív prevalencia/negatív prevalencia közötti különbségtétel kevéssé ismert – a terhességi teszt analógiája jól működik.
Sok gyakornok tudja, hogyan néz ki egy erdőterület, de nem tudja elmagyarázni mit nézni — összpontosíts a gyémántra, és arra, hogy átlépi-e a hatástalan vonalat
Az átfutási időbeli eltérést gyakran összekeverik a hosszbeli eltéréssel – használjon diagramokat vagy idővonalakat a különbség szemléltetésére.
A gyakornokok rendszeresen összekeverik a klinikai auditot a kutatással – használják az RCGP saját példáit az értékelésekből

Oktatóanyagötletek és vitaindítók

„Itt egy gyógyszervizsgálat összefoglaló táblázata – meg tudná mondani az NNT-t, és hogy felírná-e ennek a betegnek?”
„Nézd meg ezt az erdőterületet. Hatékony a beavatkozás? Mennyire biztos ebben a válaszban?”
„A páciensének pozitív az FIT-tesztje. Az alacsony kockázatú populációban a PPV (pozitív prevalencia) körülbelül 3%. Hogyan magyarázza ezt el neki?”
„Sok magas PSA-eredményt látunk. Mi a probléma a PSA szűrővizsgálatként való használatával?”
„Egy kollégám össze akarja hasonlítani a mi szepszis eredményeinket a Trösztéivel. Ez audit vagy kutatás? Szükség van-e etikai előírásokra?”
„Hogyan magyarázná el egy betegnek, hogy az 50%-hoz 1 az esélye a mellékhatásnak, ha ő azt kérdezi: »Biztonságos?«”

Reflektív kérdések oktatóanyagokhoz

Hogyan magyarázza el jelenleg a kockázatot a betegeknek? Abszolút vagy relatív számokat használ?
Emlékszik egy olyan friss klinikai irányelvre, amely jelentős NNT-t említett – mi volt az, és hogyan befolyásolta az Ön gyakorlatát?
Előfordult már veled, hogy rendeltél tesztet anélkül, hogy ismerted volna az érzékenységét/specificitását? Hogyan értelmezted az eredményt?
Miért dönthet úgy egy gyógyszergyár, hogy a vizsgálati eredményeit RRR-ként (ritkán jelentkező kockázati tényező) és ARR-ként (azonban nem ARR) mutatja be?

🔥 AKT magas hozamú tippek

Ezek azok a minták, amelyek ismételten megjelennek az AKT dolgozatokban. Tanuld meg ezeket, és pontokat fogsz szerezni.

🎯 NNT számítás

A százalékokat mindig először tizedesjegyekké kell átváltani. ARR = 5% → NNT = 1 ÷ 0.05 = 20. Mindig kerekítsd up a legközelebbi egész számra kerekítve. Alacsonyabb NNT = hatékonyabb kezelés.

🎯 A CI átlépi a mágikus számot

Az arányokhoz (RR, OR, HR): CI keresztek 1.0 = nem szignifikáns. Különbségek esetén: CI keresztek 0 = nem jelentős. Ez szinte minden erdőgazdálkodási parcellával kapcsolatos kérdésben felmerül.

🎯 Tanulmányi terv illesztése

Ritka betegség → esettanulmány → VAGY. Új expozíció a jövőben → kohorsz → RR. Prevalencia pillanatkép → keresztmetszetiA kezelés legjobb bizonyítékai → RCT or SR/metaanalízis.

🎯 Érzékenység vs. specificitás — Mikor melyiket használjuk?

Szűrőteszt → nagy érzékenységet szeretne (nem akar eseteket kihagyni → SnNout). Megerősítő teszt → nagy specificitást kívánunk (nem akarunk álpozitív eredményeket → SpPin).

🎯 A PPV csökken az alacsony prevalenciájú populációkban

Még egy nagyon specifikus teszt (99%) is gyenge pozitív prevalenciaértéket ad alacsony prevalencia esetén. A populációs szűrés során a legtöbb pozitív eredmény álpozitív. Ezért nem szűrünk mindenkit mindenre.

🎯 Erdőparcella Gyémánt

Ha a gyémánt (összesített becslés) átlépi a hatás nélküli függőleges vonalat → az összesített eredmény NEM statisztikailag szignifikáns. Ha I² > 50% → jelentős heterogenitás → az összevont eredmény kevésbé megbízható.

🎯 Tölcsérdiagram aszimmetria

Egy rés a tölcsérdiagram bal alsó sarkában = publikációs torzítás – kisméretű negatív tanulmányokat nem publikáltak. Ez felnagyítja a kezelés látszólagos hatását a metaanalízisben.

🎯 Doboz és bajusz — Mindig átlagos, nem gonosz

A vonal belső a doboz az középsőA doboz = IQR (középső 50%). A bajuszokon túli pontok vagy körök = kiugró értékek.

🎯 Az RRR lenyűgözőbben hangzik, mint az ARR

A gyógyszergyárak imádják az RRR-t idézni, mert nagyobbnak hangzik. Az 50%-os RRR fantasztikusan hangzik – amíg nem tudjuk, hogy az alapkockázat csak 2% volt (→ ARR = 1%, NNT = 100). Mindig kérdezzük meg: mi volt az alapkockázat?

🎯 Medián — Használja ferde adatokhoz

Ferde eloszlások (jövedelem, kórházi tartózkodás, szérum bilirubin) → felhasználás középső nem átlagos. Az átlagot a kiugró értékek rajzolják; a mediánt nem.

🎯 Audit vs. Kutatás

Audit: intézkedések egy ellen létező standard; nincs szükség etikára; nincs hipotézis. Kutatás: generál új tudás; etikai jóváhagyásra szorul; hipotézise van. Ez egy kulcsfontosságú különbség, amelyet az AKT ismételten tesztel.

🎯 Kezelési szándék (ITT)

Az ITT elemzés magában foglalja az összes randomizált résztvevőt, függetlenül a betartásuktól. Ez egy konzervatív A hatékonyság becslése – reálisabb a klinikai gyakorlatban. A protokoll szerinti elemzés túlbecsüli a hatást.

🎯 ABPI határérték

ABPI < 0.9 = perifériás artériás betegség. ABPI > 1.3 = nem összenyomható (meszes) erek — megbízhatatlan eredmény. A kompressziós kötés ellenjavallt, ha ABPI < 0.8 (ellenőrizze a kompressziós irányelveket).

🎯 Cates Plot NNT

Számold meg az előnyökkel járó oldalakat (általában sárga vagy zöld). NNT = 100 ÷ (az előnyökkel járó oldalak száma). 5 sárga oldal → NNT = 20.

⚠️

Gyakori hibák és gyakornoki csapdák

Ezek azok a hibák, amelyek újra és újra előfordulnak az AKT pontozási rendszereiben. Mindegyik egy valódi pontvesztés, amelyet valódi jelöltek veszítettek el.

Elfelejti a százalékokat tizedesjegyekké alakítani az NNT kiszámítása előtt (pl. ARR = 5% → 0.05-öt kell használni, nem 5-öt, hogy NNT = 20-at, nem 0.2-t kapjon)
NNT kerekítése le- helyett up (NNT = 12.5 → a válasz 13, nem 12)
Az RRR és az ARR összekeverése, és a lenyűgözőbbnek hangzó relatív adat megadása klinikai előnyként.
Azt mondani, hogy egy eredmény „szignifikáns”, amikor a konfidenciaintervallum (CI) éppen csak eléri az 1.0-t – akkor is nem tartalmaz 1.0 jelentősnek tekinthető
A doboz-bajuszdiagram felállítása szerint a középső vonal az átlag – mindig a középső
Az érzékenység és a pozitív prevalenciaérték összekeverése – az érzékenység a teszt egy rögzített tulajdonsága; a pozitív prevalenciaérték az előfordulási gyakoriságtól függ.
Azt gondolni, hogy egy alacsony prevalenciájú populációban végzett, nagyon specifikus teszt megbízható pozitív eredményt ad – de nem fog (alacsony PPV).
OR és RR összekeverése – Az OR-ek nem használhatók közvetlenül RR-ként, kivéve, ha a betegség ritka.
Azt mondva, hogy egy eset-kontroll vizsgálat RR-t generál – azaz OR-t generál –, mert esetekkel és kontrollokkal kezdjük, nem pedig egy expozíciónak kitett kohorszsal.
A klinikai audit összekeverése a kutatással – az audithoz etikai jóváhagyás szükségességét állító állítás
Az átfutási idő torzításának félreértelmezése, miszerint a szűrőprogram valóban javítja a túlélést
Ha elfelejtjük, hogy az I² >50% egy erdőterületen, az aggályokat vet fel az összesített eredmény érvényességével kapcsolatban.
Az átlag használata ferde adatok leírására (pl. jövedelem, kórházi tartózkodás hossza) – a medián használata

🏁 Végső hazavihető pontok

NNT = 1 ÷ ARR. A százalékokat mindig tizedesjegyekre kell átváltani. Mindig felfelé kell kerekíteni. Alacsonyabb NNT = jobb bánásmód.
Az ARR klinikailag őszinte. Az RRR lenyűgözően hangzik, de félrevezető lehet. Mindig párosítsa az RRR-t az alap kockázattal.
Az érzékenység és a specificitás a teszt rögzített tulajdonságai. A pozitív prevalencia és a negatív prevalencia a betegség prevalenciájával változik.
SnNout: az érzékeny tesztek negatív esetben kizárják az KI eredményt. SpPin: a specifikus tesztek pozitív esetben kizárják az BE eredményt.
Az erdődiagram rombusz alakú része átlépi a hatástalan vonalat → az eredmény statisztikailag nem szignifikáns. I² >50% → a heterogenitás aggályos.
Tölcsérdiagram-aszimmetria → publikációs torzítás. A teljesítménymonitorozásban a tölcsérhatárokon kívül eső pontok → kiugró gyakorlatok.
1.0-t tartalmazó arány esetén a konfidenciaintervallum (CI) → nem szignifikáns. 0-t tartalmazó különbség esetén a CI → nem szignifikáns.
Eset-kontroll → OR. Kohorsz → RR. Keresztmetszeti → prevalencia. RCT/SR → kezelési arany standard.
Ferde adatok → mediánt használunk, nem átlagot. A dobozdiagram középső vonala = medián. A bajuszvonalakon túli pontok = kiugró értékek.
A klinikai auditok a szabványokhoz viszonyítják a méréseket – nincs szükség etikára, nincs hipotézis. A kutatás új ismereteket generál – etika szükséges.

Az AKT statisztikai kérdései a legmegbízhatóbban tanulható jegyek közé tartoznak a dolgozatban. Néhány óra ezzel az oldallal és egy maroknyi gyakorlókérdés megtérül a befektetésükön felül.