အထောက်အထားအခြေပြု အလေ့အကျင့်နှင့် ဆေးဘက်ဆိုင်ရာ စာရင်းအင်းများ
ဘာလို့လဲဆိုတော့ "အွန်လိုင်းမှာ တစ်ခုခုဖတ်တယ်" လို့ ပြောရုံနဲ့ AKT မှာ အပြည့်အစုံ မပါဝင်လို့ပါ။
နောက်ဆုံးအပ်ဒိတ်လုပ်ခဲ့သည်- ၂၀၂၆ ခုနှစ်၊ ဧပြီလ · အထောက်အထားအခြေပြုဆေးပညာ (EBM) ဟုလည်း လူသိများသည်
📥 ဒေါင်းလုဒ်များ
လက်ကမ်းစာစောင်များ၊ အကျဉ်းချုပ်များနှင့် သင်ကြားရေးအပိုပစ္စည်းများ — သင်လိုအပ်သည့်အခါ အသင့်ရှိနေပါသည်။
လမ်းကြောင်း: အထောက်အထားအခြေပြု ဆေးပညာကို အထောက်အထားအခြေပြု ဆေးပညာ သို့မဟုတ် အတိုကောက်အားဖြင့် EBM ဟုလည်း လူသိများသည်။
Web အရင်းအမြစ်များ
တရားဝင်လမ်းညွှန်ချက်နှင့် လက်တွေ့ကမ္ဘာ GP လေ့ကျင့်ရေးအရင်းအမြစ်များကို လက်ဖြင့်ရွေးချယ်ထားသော ရောနှောမှု။ အဘယ်ကြောင့်ဆိုသော် တစ်ခါတစ်ရံတွင် အကောင်းဆုံးပုလဲများသည် တရားဝင်စာရွက်စာတမ်းများတွင် ပုန်းအောင်းမနေသောကြောင့်ဖြစ်သည်။
တစ်မိနစ်အတွင်း ပြန်လည်သတိရခြင်း
ဆေးခန်းမပြခင် — ဒါမှမဟုတ် AKT စာရွက်မဖြေခင်ညမှာ ဒါကို စကင်ဖတ်နေတာလား။ ဒါတွေက မင်းကို အမှတ်ပေးတဲ့အရာတွေပါ။
🧮 အန္တရာယ်ဖော်မြူလာများ
- ARR = CER − EER
- NNT = 1 ÷ ARR
- Rrr = ARR ÷ CER
- RR = EER ÷ CER
- NNH = 1 ÷ ARI
🔬 ရောဂါရှာဖွေစစ်ဆေးခြင်း
- အာရုံ = TP ÷ (TP+FN) → SnNout
- spec = TN ÷ (TN+FP) → SpPin
- PPV အတွက် = TP ÷ (TP+FP) ← ဖြစ်ပွားမှုနည်းပါးပြီး ကျဆင်းသည်
- NPV = TN ÷ (TN+FN) ← မြင့်မားသောပျံ့နှံ့မှုဖြင့် ကျဆင်းသည်
📊 လေ့လာရေးဒီဇိုင်းများ
- SR/Meta-analysis → အမြင့်ဆုံးသက်သေအထောက်အထား
- RCT → ကုသမှုအတွက် ရွှေစံနှုန်း
- အုပ်စု → RR နှင့် ဖြစ်ပွားမှုနှုန်း
- လူနာထိန်းချုပ်မှု → OR၊ ရှားပါးရောဂါများ
- ဖြတ်ပိုင်းဖြတ်ခြင်း → ပျံ့နှံ့မှု
📈 ဂရပ်များ
- သစ်တောကွက် စိန်သည် မျဉ်းကြောင်းဖြတ်သွားသည် = အရေးမကြီးပါ
- ဖန်နယ် မညီမျှမှု = ထုတ်ဝေမှုဘက်လိုက်မှု
- Cates plot: NNT = 100 ÷ အဝါရောင် မျက်နှာပြင်များ
- လေးထောင့်ကွက် အလယ်မျဉ်း = ပျမ်းမျှ
- I² >50% = သိသာထင်ရှားသော မတူကွဲပြားမှု
📉 အရေးပါမှု
- p < 0.05 = စာရင်းအင်းအရ သိသာထင်ရှားသော
- CI ဖြတ်ကျော်မှု ၁.၀ (အချိုး) = အရေးမကြီးပါ
- CI သည် 0 ကိုဖြတ်ကျော်သည် (ကွာခြားချက်) = သိသာထင်ရှားမှုမရှိပါ
- ပျမ်းမျှ = ပျမ်းမျှ; အလယ်အလတ် = အလယ်အလတ်တန်ဖိုး
- ပုံမှန်ဖြန့်ဖြူးမှုအတွက် ၆၈-၉၅-၉၉.၇ စည်းမျဉ်း
⚖️ ဘက်လိုက်မှုအမျိုးအစားများ
- ရွေးချယ်မှု → ကိုယ်စားမပြုသော နမူနာ
- ပြန်လည်သတိရခြင်း → ကိစ္စရပ်များကို ပိုမိုမှတ်မိစေခြင်း
- ထုတ်ဝေမှု → အပြုသဘောဆောင်သော လေ့လာမှုများသာ
- ပို့ဆောင်ချိန် → စစ်ဆေးခြင်းဆိုင်ရာ မှားယွင်းသောအမြင်
- နုတ်ထွက်ခြင်း → ကျောင်းထွက်ခြင်းသည် ရလဒ်များကို ပုံပျက်စေသည်
GP နှင့် AKT တွင် အဘယ်ကြောင့် ၎င်းသည် အရေးကြီးသနည်း။
EBM နှင့် စာရင်းအင်းများသည် သီအိုရီသက်သက်မဟုတ်ပါ။ သင့်အတိုင်ပင်ခံခန်းတွင် ကုသမှုရွေးချယ်စရာများအကြောင်း ဆွေးနွေးမှုတိုင်းတွင် သင်ပြောသည်ဖြစ်စေ မပြောသည်ဖြစ်စေ NNT များ ပါဝင်သည်။ သွေးစစ်ဆေးမှုတိုင်းတွင် အာရုံခံနိုင်စွမ်းနှင့် တိကျမှုရှိသည်။ လမ်းညွှန်ချက်အသစ်တိုင်းသည် သင်မည်မျှယုံကြည်သင့်သည်ကို သက်ရောက်မှုရှိသော လေ့လာမှုဒီဇိုင်းတစ်ခုပေါ်တွင် အခြေခံထားသည်။
AKT မှာ ဒီခေါင်းစဉ်ဟာ အမှတ်အများကြီးရစေပါတယ် - RCGP လမ်းညွှန်ချက်အရ စာတမ်းရဲ့ ၁၀-၁၅% လောက်ရှိပါတယ်။ ပစ်မှတ်ထားတဲ့ ပြင်ဆင်မှုအနည်းငယ်က အကျိုးအမြတ်ရရှိစေတဲ့ နယ်ပယ်အနည်းငယ်ထဲက တစ်ခုပါ။ ချက်ချင်းကိုယ်စားလှယ်လောင်းအများစုဟာ ဒီမှာ လွယ်ကူတဲ့အမှတ်တွေ ဆုံးရှုံးကြတာက သဘောတရားတွေက ခက်ခဲလို့ မဟုတ်ဘဲ၊ သူတို့ဟာ တစ်ခါမှ ထိုင်ပြီး စနစ်တကျ မသင်ယူဖူးလို့ပါ။
AKT ရှိ စာရင်းအင်းမေးခွန်းများသည် မကြာခဏဆိုသလို စမ်းသပ်ဒေတာဇယားတစ်ခုကို တင်ပြပြီး တန်ဖိုးတစ်ခုကို တွက်ချက်ရန်၊ ဂရပ်တစ်ခုကို အဓိပ္ပာယ်ဖွင့်ဆိုရန် သို့မဟုတ် အကောင်းဆုံးလေ့လာမှုဒီဇိုင်းကို ဖော်ထုတ်ရန် သင့်အား တောင်းဆိုလေ့ရှိသည်။ ၎င်းတို့သည် ဆေးပညာဗဟုသုတမဟုတ်ဘဲ စနစ်တကျတွေးခေါ်မှုကိုသာ ဆုချီးမြှင့်သည်။ ဒါကြောင့် သူတို့ကို စာတမ်းမှာ "သင်ယူရလွယ်ကူဆုံး" အမှတ်တွေ ဖြစ်စေပါတယ်။
အထောက်အထား-အခြေခံဆေးပညာ (EBM)
"၁၉၈၀ ခုနှစ်လယ်ပိုင်းလောက်က ကျွန်တော် လေ့ကျင့်ရေးလုပ်နေတုန်း နှလုံးဖောက်ပြန်ပြီးနောက် တံခါးဝကနေ ဝင်လာသူတိုင်းကို lidocaine ဆေးကို သွေးကြောထဲ ထိုးပေးခဲ့တယ်။ အဲဒါက ပုံမှန်ပါပဲ။ လူတိုင်း လုပ်ကြတယ်။ ဒါက လုံးဝ အဓိပ္ပာယ်ရှိပုံရတယ်။"
— "အထောက်အထားအခြေပြု ဆေးပညာ" ဟူသော ဝေါဟာရကို တီထွင်ခဲ့သော ဆရာဝန် ပါမောက္ခ ဂေါ်ဒွန် ဂါယက်တ်သည် EBM မပေါ်ပေါက်မီက ၎င်း၏ကိုယ်ပိုင် လေ့ကျင့်မှုကို ဖော်ပြခဲ့သည်။
နောက်ပိုင်းတွင် သူလေ့ကျင့်သင်ကြားခဲ့သော အလေ့အကျင့်နှင့် ကမ္ဘာတစ်ဝှမ်းရှိ ဆရာဝန်ထောင်ပေါင်းများစွာ လုပ်ဆောင်နေသော အလေ့အကျင့်သည် အသုံးမဝင်ရုံသာမက လူများကို အသက်အန္တရာယ်ဖြစ်စေနိုင်ကြောင်း သူတွေ့ရှိခဲ့သည်။ ပေါ့လျော့မှုကြောင့် မဟုတ်ပါ။ မကျွမ်းကျင်မှုကြောင့်လည်း မဟုတ်ပါ။ သို့သော် ၎င်းသည် အမှန်တကယ် အလုပ်ဖြစ်မဖြစ်ကို မည်သူမျှ သေချာစွာ မစမ်းသပ်ဖူးသောကြောင့် ဖြစ်သည်။
အဲဒီဇာတ်လမ်းက အထောက်အထားအခြေပြုဆေးပညာ တည်ရှိနေရတဲ့ အကြောင်းရင်းနဲ့ သင်တွေ့ဖူးသမျှ လူနာတိုင်းအတွက် ဘာကြောင့် အရေးပါတာလဲ။
"လူတစ်ဦးချင်းစီ၏ စောင့်ရှောက်မှုနှင့်ပတ်သက်သည့် ဆုံးဖြတ်ချက်များချရာတွင် လက်ရှိအကောင်းဆုံးအထောက်အထားများကို အသိစိတ်ရှိရှိ၊ တိကျပြတ်သားစွာနှင့် ချင့်ချိန်စွာအသုံးပြုခြင်း။"
— David Sackett၊ BMJ ၁၉၉၆ — ဆေးပညာတွင် အကျယ်ပြန့်ဆုံး ကိုးကားထားသော အဓိပ္ပာယ်ဖွင့်ဆိုချက်
ရိုးရိုးရှင်းရှင်းပြောရရင် လူနာတွေကို အလေ့အကျင့်၊ ထင်မြင်ယူဆချက်၊ ရိုးရာဓလေ့ ဒါမှမဟုတ် ပါမောက္ခပြောတဲ့အရာတွေအပေါ် အခြေခံပြီး ကုသမယ့်အစား EBM က အကောင်းဆုံးသုတေသနကို အခြေခံပြီး ဆေးခန်းဆုံးဖြတ်ချက်တွေ ချမှတ်ဖို့ လိုအပ်ပါတယ်။ အဲဒါတွေကတော့ တင်းကြပ်စွာ ပြုလုပ်ထားတဲ့၊ ဝေဖန်ပိုင်းခြားထားတဲ့၊ ရိုးသားစွာ အဓိပ္ပာယ်ဖွင့်ဆိုထားတဲ့ သုတေသနတွေပါ။
၎င်းသည် ဆေးခန်းဆိုင်ရာ ဆုံးဖြတ်ချက်ကို အစားထိုးခြင်း မဟုတ်ပါ - ၎င်းသည် သတင်းအချက်အလက် ၎င်း။ EBM သည် အတူတကွ လုပ်ဆောင်ရမည့် ခွဲခြား၍မရသော ထောက်တိုင်သုံးခုပေါ်တွင် အခြေခံထားသည်-
🕰️ EBM ဘယ်လိုပေါ်ပေါက်လာတာလဲ။ — အကျဉ်းချုပ်သမိုင်း
EBM ဟာ ဘယ်ကမှ ပေါ်လာတာ မဟုတ်ပါဘူး။ ဒါဟာ ကနေဒါနဲ့ ယူကေမှာ ဆယ်စုနှစ်ပေါင်းများစွာ တိတ်တဆိတ် တော်လှန်ရေး အတွေးအခေါ်တွေရဲ့ အထွတ်အထိပ်ပါပဲ။
| ခုနှစ် | အဖြစ်အပျက် |
|---|---|
| 1938 | ဂျွန်ပေါလ် (ယေးလ်) သည် "ဆေးခန်းဆိုင်ရာ ကပ်ရောဂါဗေဒ" ဟူသော အသုံးအနှုန်းကို တီထွင်ခဲ့ပြီး ဆေးပညာကို တစ်ဦးချင်းလူနာများတွင်သာ လေ့လာခြင်းမဟုတ်ဘဲ လူဦးရေအလိုက် သိပ္ပံနည်းကျ လေ့လာသင့်သည်ဟူသော အယူအဆဖြစ်သည်။ |
| 1967 | McMaster တက္ကသိုလ် (Hamilton၊ Canada) သည် ၎င်း၏ ဆေးကျောင်းအသစ်ကို ဖွင့်လှစ်ခဲ့ပြီး ထိုအချိန်က အစွန်းရောက်သော ဆေးခန်းဆိုင်ရာ ဆုံးဖြတ်ချက်များတွင် သုတေသနနည်းလမ်းများကို အသုံးချရန် ရည်ရွယ်သည့် လက်တွေ့ ကပ်ရောဂါဗေဒနှင့် ဇီဝစာရင်းအင်းဌာန ပါဝင်သည်။ |
| 1972 | စကော့တလန်လူမျိုး ကူးစက်ရောဂါဗေဒပညာရှင် Archie Cochrane မှ ထုတ်ဝေသည် ထိရောက်မှုနှင့် ထိရောက်မှု- ကျန်းမာရေးဝန်ဆောင်မှုများအပေါ် ကျပန်းဆင်ခြင်သုံးသပ်ချက်များ — ဆေးပညာသည် ၎င်း၏ကိုယ်ပိုင်ကုသမှုများကို တင်းကြပ်စွာစမ်းသပ်ရမည်ဟု ငြင်းခုံသော အထင်ကရစာသားတစ်ခု။ သူ၏လုပ်ငန်းသည် နောက်ဆုံးတွင် သူ့အားဂုဏ်ပြုသောအားဖြင့် အမည်ပေးထားသော Cochrane Collaboration ကို မွေးဖွားပေးခဲ့သည်။ |
| 1981 | David Sackett နှင့် McMaster မှ လုပ်ဖော်ကိုင်ဖက်များသည် Canadian Medical Association Journal တွင် ဆေးပညာရှင်များအား ဆေးဘက်ဆိုင်ရာစာပေများကို ဝေဖန်ပိုင်းခြားသုံးသပ်နည်းကို သင်ကြားပေးသည့် ဆောင်းပါးကိုးပုဒ်ပါ စီးရီးတစ်ခုကို ထုတ်ဝေခဲ့သည်။ ဤသည်မှာ EBM လှုပ်ရှားမှု၏ တရားဝင်အစဖြစ်သည်။ |
| 1990 | McMaster မှာ ငယ်ရွယ်တဲ့ resident director ဖြစ်တဲ့ Gordon Guyatt က သင်ကြားရေးအစီအစဉ်အသစ်တစ်ခုကို ဒီဇိုင်းဆွဲပြီး အစပိုင်းမှာ "Scientific Medicine" လို့ခေါ်ပါတယ်။ လုပ်ဖော်ကိုင်ဖက်တွေက နောက်ဆုတ်သွားကြတယ် - လက်ရှိလုပ်ဆောင်မှုဟာ သိပ္ပံနည်းကျမဟုတ်ဘူးဆိုတဲ့ အဓိပ္ပာယ်သက်ရောက်တာက အရမ်းတိုက်ရိုက်လွန်းပါတယ်။ |
| 1991 | Guyatt က ချဉ်းကပ်မှုကို အမည်ပြောင်းလဲသည် "အထောက်အထားအခြေပြုဆေးပညာ" ပြီးတော့ ACP Journal Club မှာ အဲဒီအသုံးအနှုန်းကို အယ်ဒီတာ့အာဘော်မှာ ဖော်ပြပါတယ်။ အဲဒီစကားစုက ချက်ချင်းပဲ ကပ်ငြိသွားပါတယ်။ |
| 1992 | အထင်ကရ JAMA သတင်းစာ — "အထောက်အထားအခြေပြုဆေးပညာ- ဆေးပညာသင်ကြားရေးအတွက် ချဉ်းကပ်မှုအသစ်" — EBM ကို ကမ္ဘာသို့ မိတ်ဆက်ပေးသည်။ Guyatt က တုံ့ပြန်မှုမှာ အစပိုင်းတွင် "ဒေါသ" ဖြစ်သည်။ လုပ်ဖော်ကိုင်ဖက်များက ၎င်းတို့သည် ကောင်းမွန်သော ဆရာဝန်များ မဟုတ်ဟု ပြောခံနေရသည်ဟု ခံစားခဲ့ရသည်။ |
| 1993 | Cochrane Collaboration ကို တရားဝင်တည်ထောင်ခဲ့ပြီး ကျန်းမာရေးစောင့်ရှောက်မှုအထောက်အထားများကို စနစ်တကျပြန်လည်သုံးသပ်ချက်များ ထုတ်လုပ်ဖြန့်ဖြူးရန် နိုင်ငံတကာကွန်ရက်တစ်ခုဖြစ်သည်။ |
| 1996 | David Sackett သည် BMJ တွင် အဓိကအချက်သုံးချက်ပါ အဓိပ္ပာယ်ဖွင့်ဆိုချက်ကို ထုတ်ဝေခဲ့သည်။ EBM သည် အဓိကကျသော အခန်းကဏ္ဍမှ ပါဝင်လာခဲ့သည်။ |
| 2000 ခုနှစ် – လက်ရှိ | EBM ကို UK လေ့ကျင့်ရေးတွင် ထည့်သွင်းထားသည်- NICE လမ်းညွှန်ချက်များ၊ GMC ၏ ကောင်းမွန်သော ဆေးဘက်ဆိုင်ရာ အလေ့အကျင့်နှင့် RCGP သင်ရိုးညွှန်းတမ်းအားလုံးတွင် ၎င်းကို လိုအပ်သည်။ ၎င်းသည် UK ဆရာဝန်တိုင်းကို ယခုအခါ လေ့ကျင့်သင်ကြားပေးပြီး အကဲဖြတ်ခြင်း၏ အခြေခံအုတ်မြစ်ဖြစ်သည်။ |
⚠️ EBM မတိုင်မီက ဆေးပညာက ဘယ်လိုလဲ။ ဒီပြဿနာက ဖြေရှင်းပေးခဲ့တယ်။
EBM မတိုင်မီက ဆေးပညာဟာ Gordon Guyatt မှတ်မိလွယ်အောင် ခေါ်ခဲ့တဲ့အရာပေါ်မှာ အခြေခံပြီး လည်ပတ်ခဲ့ပါတယ်။ "ဂေါ့ဘ်ဆက်" - စားပွဲဝိုင်းမှာထိုင်နေတဲ့ ကောင်းမွန်တဲ့ ကောင်လေးတွေဆေးခန်းလမ်းညွှန်ချက်များကို အကြီးတန်းကျွမ်းကျင်သူများက ၎င်းတို့၏ကိုယ်ပိုင်အမြင်များကို စုစည်းရေးသားခဲ့ပြီး သင့်လူနာတွင်ဖြစ်ပျက်ခဲ့သည်မှာ မည်သည့်ဆရာဝန်က ၎င်းတို့ထံ လာရောက်ပြသခဲ့သည်အပေါ်တွင် အပြည့်အဝမူတည်ပါသည်။
- ထင်ရှားကျော်ကြားမှုကို အခြေခံသော ဆေးပညာ- ခင်ဗျားရဲ့ ပါမောက္ခလို လူနာတွေကို ဆက်ဆံခဲ့တယ်။ အခွင့်အာဏာဟာ သက်သေအထောက်အထားကနေ လာတာမဟုတ်ဘဲ ရာထူးအဆင့်အတန်းကနေ လာတာပါ။ "ဒီလိုပဲ အမြဲလုပ်ခဲ့တယ်" ဆိုတဲ့ အတိုင်ပင်ခံတစ်ယောက်ကို "ဒီလို" စစ်ဆေးမှု မလုပ်ဖူးရင်တောင်မှ ရွှေ့ဆိုင်းထားခဲ့တယ်။
- အာရုံခံစားမှုကို အခြေခံသော ဆေးပညာ- ကုသမှုတစ်ခုသည် ဇီဝကမ္မဗေဒအရ ကျိုးကြောင်းဆီလျော်ပုံရပါက ၎င်းကို အသုံးပြုခဲ့သည်။ မူမမှန်သော နှလုံးခုန်နှုန်းကို နှိမ်နင်းခြင်းသည် ယုတ္တိတန်သည်ဟု ထင်ရပါက သင်သည် ၎င်းတို့ကို နှိမ်နင်းခဲ့ခြင်း ဖြစ်သည်။ ၎င်းသည် လူနာများကို အမှန်တကယ် အထောက်အကူပြုခြင်း ရှိ၊ မရှိကို ရှားရှားပါးပါးသာ စမ်းသပ်လေ့ရှိသည်။
- ပုံပြင်များကို အခြေခံသည့် ဆေးပညာ- "ကျွန်တော့်အတွေ့အကြုံအရတော့..." ဆိုတာ သက်သေအထောက်အထားစံနှုန်းပါပဲ။ တစ်ဦးချင်းအမှုတွေက လက်တွေ့လုပ်ဆောင်မှုကို မောင်းနှင်ပေးခဲ့ပါတယ် - အဲဒီအမှုတွေက စာရင်းအင်းဆိုင်ရာ ကွဲလွဲမှုတွေဖြစ်နေရင်တောင်မှပါ။
- ကြီးမားသော ကွဲပြားမှု- ဆေးရုံနှစ်ရုံ သို့မဟုတ် ဆေးရုံတစ်ရုံတည်းရှိ ဆရာဝန်နှစ်ဦးကိုပင် တက်ရောက်ကုသသည့် တူညီသောလူနာသည် တူညီသောအခြေအနေအတွက် လုံးဝကွဲပြားသော ကုသမှုကို ခံယူရနိုင်သည်။
🔴 ဆေးပညာကို ပြောင်းလဲစေသော ဥပမာ — CAST စမ်းသပ်မှု
ဒါဟာ ယူဆချက်တစ်ခု မဟုတ်ပါဘူး။ ဒါဟာ ခေတ်သစ်ဆေးပညာမှာ အရေးအကြီးဆုံး တကယ့်ဇာတ်လမ်းတွေထဲက တစ်ခုဖြစ်ပြီး EBM လိုအပ်ခဲ့တဲ့ အခိုင်မာဆုံး ငြင်းခုံချက်တွေထဲက တစ်ခုလည်း ဖြစ်ပါတယ်။
စနစ်ထည့်သွင်းမှု — ငြင်းမရတဲ့ ယုတ္တိဗေဒ
နှလုံးဖောက်ပြန်ခြင်းသည် အန္တရာယ်ရှိသော နှလုံးခုန်စည်းချက် မူမမှန်မှုများ (ventricular arrhythmias) ကို ဖြစ်စေသည်။ Ventricular arrhythmias များသည် ရုတ်တရက် သေဆုံးခြင်းကို ဖြစ်စေသည်။ ထို့ကြောင့်- နှလုံးခုန်နှုန်းမမှန်ခြင်းကို နှိမ်နင်းပါ → ရုတ်တရက်သေဆုံးမှုကို ကာကွယ်ပါဒါက အလွန်မှန်ကန်ပုံရတာကြောင့် ၁၉၇၀ ပြည့်လွန်နှစ်တွေကစပြီး ကမ္ဘာတစ်ဝှမ်းက ဆေးရုံတွေမှာ နှလုံးခုန်နှုန်း ရပ်တန့်ဆေးတွေ - အထူးသဖြင့် lidocaine၊ flecainide နဲ့ encainide - တွေကို နှလုံးသွေးကြောကျဉ်းရောဂါနောက်ပိုင်း လူနာတွေကို ပုံမှန်ပေးခဲ့ပါတယ်။ ရံဖန်ရံခါ မဟုတ်ပါဘူး။ ပုံမှန်ပါပဲ။ စံစောင့်ရှောက်မှုအနေနဲ့ပါ။
စမ်းသပ်မှု — တစ်စုံတစ်ယောက်က ၎င်းကို အမှန်တကယ်စမ်းသပ်ခဲ့သည်
၁၉၈၇ ခုနှစ်တွင် နှလုံးခုန်မမှန်ခြင်း နှိမ်နင်းရေး စမ်းသပ်မှု (CAST) သည် နှလုံးခုန်မြန်ခြင်း ပြီးနောက် လူနာ ၁၇၀၀ ကျော်ကို စာရင်းသွင်းခဲ့ပြီး ၎င်းတို့အား နှလုံးခုန်မမှန်ခြင်း သက်သာစေသော ဆေးများ (flecainide သို့မဟုတ် encainide) သို့မဟုတ် placebo ပေးခဲ့သည်။ ဆေးဝါးများသည် ၎င်းတို့ လုပ်ဆောင်ရမည့်အရာကို အတိအကျ လုပ်ဆောင်ခဲ့သည် - ၎င်းတို့သည် နှလုံးခုန်မမှန်ခြင်းကို အောင်မြင်စွာ နှိမ်နင်းနိုင်ခဲ့သည်။ သို့သော် မမျှော်လင့်ထားသော တစ်စုံတစ်ခု ဖြစ်ပျက်ခဲ့သည်။
ရလဒ် — ဘယ်သူမှ မမျှော်လင့်ထားတဲ့အရာ
ဆေးသောက်နေတဲ့ လူနာတွေဟာ သေဖို့ 2.5 ကြိမ်ပိုဖွယ်ရှိ placebo ပေးသူတွေထက်။ အန္တရာယ်က အရမ်းရှင်းနေလို့ စမ်းသပ်မှုကို စောစောစီးစီး ရပ်တန့်လိုက်ရတယ်။ ဒီဆေးဝါးတွေက သူတို့ကာကွယ်ဖို့ ရည်ရွယ်ထားတဲ့ လူနာတွေကိုပါ သတ်နေခဲ့တယ်။
NNH = ၂၁။ flecainide သို့မဟုတ် encainide ဖြင့် ကုသခံယူသော လူနာ ၂၁ ဦးတိုင်းတွင် အသက်ရှင်ကျန်ရစ်မည့် လူတစ်ဦး ထပ်မံသေဆုံးခဲ့သည်။
သင်ခန်းစာ
ထိုစဉ်က နှလုံးအထူးကုဆရာဝန်ငယ်တစ်ဦးဖြစ်သူ Gordon Guyatt သည် သူ၏ဆောင်မှ ရောက်ရှိလာသော နှလုံးအထူးကုဆရာဝန်ကြီးများ၏ ကုသမှုအပြီး လူနာတိုင်းကို lidocaine ထိုးဆေးကိုယ်တိုင် ပေးခဲ့သည်။ သူသည် အကောင်းဆုံးလုပ်ဆောင်မှုကို လိုက်နာခဲ့သည်။ သူ့ကို မှန်ကန်စွာ သင်ကြားပေးခဲ့သည်။ သူ့မှာ ရည်ရွယ်ချက်ကောင်းတွေ ရှိခဲ့ပါတယ်။ ဒါပေမယ့် RCT ရဲ့ တိကျတဲ့စမ်းသပ်မှုမရှိဘဲနဲ့ သူနဲ့ သူ့လုပ်ဖော်ကိုင်ဖက်တွေ ကုသမှုဟာ အန္တရာယ်ရှိတယ်ဆိုတာ သိနိုင်တဲ့နည်းလမ်း မရှိပါဘူး။ ဒီအတွေ့အကြုံက သူ့ရဲ့အသက်မွေးဝမ်းကျောင်းလုပ်ငန်းကို EBM မှာ ဘာကြောင့် ရည်စူးထားရတဲ့ အဓိကအချက် ဖြစ်လာခဲ့ပါတယ်။ ဆေးပညာရဲ့သမိုင်းဟာ "ခိုင်မာတဲ့အထောက်အထားတွေထက် ခန့်မှန်းချက်နဲ့ ထိုးထွင်းသိမြင်မှုကို အခြေခံတဲ့ ကုသမှုတွေနဲ့ ပြည့်နှက်နေပါတယ်" လို့ နောက်ပိုင်းမှာ သူက ပြောခဲ့ပါတယ်။
EBM မတိုင်ခင်က သင်ရရှိတဲ့အရာတွေက သင်ဘယ်မှာနေထိုင်ခဲ့လဲ၊ ဘယ်ဆေးရုံမှာတက်ရောက်ခဲ့လဲ၊ ဘယ်ဆရာဝန်က သင့်ကိုပြသခဲ့လဲဆိုတဲ့အပေါ်မှာ မူတည်ပါတယ်။ တူညီတဲ့အခြေအနေရှိတဲ့ လူနာတစ်ယောက်တည်းဟာ Leeds နဲ့ London မှာ လုံးဝကွဲပြားတဲ့ ကုသမှုတွေကို ခံယူနိုင်ပါတယ်။ ဆေးရုံတွေ မတူညီကြဘူး။ နိုင်ငံတွေ မတူညီကြဘူး။ ရလဒ်တွေကလည်း လုံးဝကွဲပြားပါတယ်။
EBM က ဒါကို ပြောင်းလဲလိုက်ပါတယ်။ ဆေးခန်းဆိုင်ရာ ဆုံးဖြတ်ချက်တွေကို သက်သေအထောက်အထား တစ်ခုတည်း — တူညီတဲ့ စမ်းသပ်မှုတွေ၊ တူညီတဲ့ စနစ်တကျ ပြန်လည်သုံးသပ်ချက်တွေ၊ တူညီတဲ့ လမ်းညွှန်ချက်တွေ — မှာ ခိုင်မာအောင် လုပ်ဆောင်ခြင်းအားဖြင့် ဆေးပညာကို ဘုံဘာသာစကားနဲ့ ဘုံစံနှုန်းတစ်ခု ပေးစွမ်းခဲ့ပါတယ်။ ဒီနေ့ခေတ်မှာ Bradford မှာ MI ရှိတဲ့ လူနာနဲ့ Bristol မှာ MI ရှိတဲ့ လူနာဟာ အခြေခံအားဖြင့် တူညီတဲ့ အထောက်အထားအခြေပြု စောင့်ရှောက်မှုကို ရရှိသင့်ပါတယ်။ ဆရာဝန်တွေ တူညီလို့ မဟုတ်ဘဲ ကုသမှုကို လူတစ်ဦးချင်းစီရဲ့ နှစ်သက်မှုကြောင့် မဟုတ်ဘဲ အထောက်အထားတွေကြောင့် မောင်းနှင်တာကြောင့်ပါ။
UK မှာ ဒါကို ඉදිරියට လုပ်ဆောင်ပါတယ် NICE လမ်းညွှန်ချက်များ, အ RCGP သင်ရိုးညွှန်းတမ်း, QOF အညွှန်းကိန်းများ, ဆေးခန်းစစ်ဆေးမှုများနှင့် MRCGP စာမေးပွဲများ — ၎င်းအားလုံးသည် အထောက်အထားအခြေပြု အလေ့အကျင့်ကို လိုအပ်ပြီး အကဲဖြတ်ရန် လိုအပ်ပါသည်။ AKT စာမေးပွဲဖြေဆိုသည့်အခါ ဤမူဘောင်ကို အသုံးချနိုင်စွမ်းကို စစ်ဆေးနေပါသည်။
🌍 EBM မပါသော ကမ္ဘာ — နိုင်ငံတကာ ရုပ်ပုံလွှာ
NICE၊ NHS နှင့် ဘွဲ့လွန်သင်တန်းများမှတစ်ဆင့် UK ၏ EBM အပေါ် ကတိကဝတ်သည် လူတိုင်းအတွက် မဟုတ်ပါ။ ကမ္ဘာ့နေရာအတော်များများတွင် လူနာတစ်ဦးအနေဖြင့် သင်ရရှိသောအရာသည် သင့်အား မည်သူက ကြည့်ရှုသည်၊ သင်ဘယ်မှာပြသသည်၊ သင်မည်မျှပေးချေနိုင်သည်ပေါ်တွင် များစွာမူတည်နေဆဲဖြစ်သည်။ ဤအရာကို နားလည်ခြင်းက EBM သည် သင့်လူနာများကို မည်သည့်အရာမှ ကာကွယ်ပေးသည်ကို သဘောပေါက်ရန် ကူညီပေးပါသည်။
အောက်တွင်ဖော်ပြထားသော ကွဲပြားမှုသည် ထင်ဟပ်နေသည် ကျန်းမာရေးစောင့်ရှောက်မှုစနစ်များနှင့်ဖွဲ့စည်းပုံများတစ်ဦးချင်းဆရာဝန်များ၏ အရည်အချင်း သို့မဟုတ် စေတနာမဟုတ်ပါ။ ထက်မြက်ပြီး ကြိုးစားလုပ်ကိုင်သော ဆရာဝန်များစွာသည် စာရင်းပြုစုထားသော နိုင်ငံတိုင်းတွင် လုပ်ကိုင်ကြသည်။ ပြဿနာမှာ EBM မှ ပံ့ပိုးပေးသော စံသတ်မှတ်ထားသော အခြေခံအဆောက်အအုံများ — လမ်းညွှန်ချက်များ၊ ကြီးကြပ်မှု၊ လေ့ကျင့်ရေး မူဘောင်များ — မရှိခြင်းဖြစ်သည်။ တစ်ဦးချင်းဆရာဝန်များသည် စနစ်တကျပြဿနာများကို တစ်ယောက်တည်း ကျော်လွှားနိုင်မည်မဟုတ်ပါ။
| တိုင်းဒေသကြီး / တိုင်းဒေသကြီး | ခိုင်မာတဲ့ EBM မူဘောင်တွေမပါဘဲ လက်တွေ့လုပ်ဆောင်မှုတွေ ဘယ်လိုကွဲပြားသွားလဲ။ |
|---|---|
| 🇮🇳 အိန္ဒိယ (ပုဂ္ဂလိကကဏ္ဍ) | တစ်ဦးက 2018 ကမ္ဘာကျော်ဆေးပညာဂျာနယ် Lancet လေ့လာမှုတစ်ခုအရ ပုဂ္ဂလိကဆေးရုံများတွင် ခွဲစိတ်ကုသမှုနှုန်း ၄၀-၅၈% နှင့် အစိုးရဆေးရုံများတွင် ၁၀-၁၄% ရှိကြောင်း တွေ့ရှိခဲ့ပြီး ၎င်းသည် လက်တွေ့လိုအပ်ချက်ထက် ငွေကြေးဆိုင်ရာ လှုံ့ဆော်မှုများကြောင့် မကြာခဏ ဖြစ်ပေါ်လာလေ့ရှိသည်။ အလွန်အကျွံ စုံစမ်းစစ်ဆေးခြင်းနှင့် ဆေးဆိုင်များစွာတွင် ဆေးဝါးများစွာ သောက်သုံးခြင်းတို့ကို ပုဂ္ဂလိကကဏ္ဍတွင် ကျယ်ကျယ်ပြန့်ပြန့် မှတ်တမ်းတင်ထားသည်။ တူညီသော ကင်ဆာလူနာသည် ၎င်းတို့ ရောက်ရှိသည့်နေရာနှင့် ၎င်းတို့ မည်မျှတတ်နိုင်သည်အပေါ် မူတည်၍ သိသိသာသာ ကွဲပြားသော ကုသမှုကို ရရှိနိုင်သည် |
| 🇵🇰 ပါကစ္စတန် | ပဋိဇီဝဆေးညွှန်းများ လိုက်နာမှုတွင် သိသာထင်ရှားသော ကွဲပြားမှု — တောင်အာရှတွင် အမြင့်ဆုံး ပဋိဇီဝဆေးညွှန်းနှုန်းများထဲမှ တစ်ခုဖြစ်သည်။ ဆေးယဉ်ပါးတီဘီနှင့် ပိုးမွှားတိုက်ဖျက်ဆေးယဉ်ပါးမှုတို့သည် တိုက်ရိုက်အကျိုးဆက်များဖြစ်သည်။ အထူးကုစောင့်ရှောက်မှုနှင့် စံသတ်မှတ်ထားသော စီမံခန့်ခွဲမှုလမ်းကြောင်းများ ရရှိခြင်းသည် ပထဝီဝင်အနေအထားနှင့် ဝင်ငွေအပေါ် များစွာမူတည်ပါသည်။ |
| 🇳🇬 နိုင်ဂျီးရီးယား / 🇬🇭 ဂါနာ | မဂ္ဂနီဆီယမ်ဆာလဖိတ်သည် WHO မှ အကြံပြုထားသော၊ အထောက်အထားအခြေခံပြီး စျေးသက်သာသော ကုသမှုဖြစ်သည်။ လေ့လာမှုများအရ ၎င်းသည် မိခင်သေဆုံးမှုနှုန်းကို သိသိသာသာ လျော့ကျစေကြောင်း ပြသထားသည်။ သို့သော် နိုင်ဂျီးရီးယားနှင့် ဂါနာဆေးရုံများတွင် ရရှိနိုင်မှုနှင့် အမှန်တကယ်အသုံးပြုမှုသည် ဆေးရုံအရင်းအမြစ်များနှင့် ဆရာဝန်များ၏ လေ့ကျင့်မှုပေါ် မူတည်၍ အလွန်ကွဲပြားသည်။ ဆိုလိုသည်မှာ eclampsia ရှိသော အမျိုးသမီးတစ်ဦး အသက်ရှင်ကျန်ရစ်ခြင်း သို့မဟုတ် သေဆုံးခြင်းသည် သူမရောက်ရှိသည့် ဆေးရုံပေါ်တွင် မူတည်နိုင်သည်။ |
| 🇸🇩 ဆူဒန် / 🇮🇶 အီရတ် | ကြာရှည်စွာဖြစ်ပွားနေသော ပဋိပက္ခနှင့် မတည်ငြိမ်မှုများသည် ကျန်းမာရေးစောင့်ရှောက်မှု အခြေခံအဆောက်အအုံများကို ပျက်စီးစေခဲ့သည်။ ၂၀၀၃ ခုနှစ်နောက်ပိုင်း အီရတ်နိုင်ငံတွင် ပြည်သူ့ကျန်းမာရေးဝန်ဆောင်မှုများ ပြိုလဲသွားပြီး လမ်းညွှန်ချက်များ အကောင်အထည်ဖော်မှု ရပ်တန့်သွားကာ အခြေခံဆေးဝါးများ ရရှိနိုင်မှုသည် ပထဝီဝင်အနေအထားပေါ် မူတည်လာခဲ့သည်။ ဆူဒန်နိုင်ငံတွင် ပဋိပက္ခသည် ကာကွယ်ဆေးထိုးခြင်း အစီအစဉ်များ၊ မိခင်ကျန်းမာရေးဝန်ဆောင်မှုများနှင့် နာတာရှည်ရောဂါစီမံခန့်ခွဲမှုတို့ကို အနှောင့်အယှက်ဖြစ်စေခဲ့သည်။ ထိုကဲ့သို့သောပတ်ဝန်းကျင်များတွင် လက်တွေ့ကွဲပြားမှုသည် နှစ်သက်ရာကိစ္စမဟုတ်ဘဲ ရရှိနိုင်သည့်ကိစ္စဖြစ်သည်။ |
| 🇪🇬 အီဂျစ် / 🇮🇷 အီရန် | နှစ်နိုင်ငံစလုံးတွင် ကျွမ်းကျင်သောဆရာဝန်များကို မွေးထုတ်ပေးသည့် ဆေးကျောင်းများရှိပြီး EBM လမ်းညွှန်ချက်များကို ထုတ်ပြန်ထားသော်လည်း အကောင်အထည်ဖော်မှုမှာ အစိုးရနှင့် ပုဂ္ဂလိကကဏ္ဍများအကြား၊ မြို့ပြနှင့် ကျေးလက်ဒေသများအကြား ကိုက်ညီမှုမရှိပါ။ အီရန်တွင် နိုင်ငံတကာပိတ်ဆို့မှုများသည် ဆေးဝါးရရှိနိုင်မှုကို ထိခိုက်ခဲ့ပြီး အထောက်အထားအခြေခံ ပရိုတိုကောများနှင့် ကွဲပြားသော လိုက်လျောညီထွေဖြစ်အောင် လုပ်ဆောင်မှုများကို ဖြစ်ပေါ်စေခဲ့သည်။ |
| 🇷🇴ရိုမေးနီးယား | ရိုမေးနီးယားနိုင်ငံသည် အလေ့အကျင့်ကို မှတ်တမ်းတင်ထားသည် ပလစ်ကူလ် ("စာအိတ်") — စောင့်ရှောက်မှုသေချာစေရန် ဆရာဝန်များနှင့် သူနာပြုများအား တရားမဝင်ငွေသားပေးချေမှုများ။ တရားဝင်အားဖြင့် တရားမဝင်၊ ကျယ်ကျယ်ပြန့်ပြန့်ကျင့်သုံးသည်။ လွှတ်တော်စုံစမ်းစစ်ဆေးမှုများနှင့် စုံစမ်းထောက်လှမ်းသတင်းပညာတို့က ခွဲစိတ်ကုသမှု၏ အရည်အသွေးသည် လူနာတစ်ဦးသည် ၎င်းတို့၏တရားဝင် NHS နှင့်ညီမျှသော ရပိုင်ခွင့် မည်သို့ပင်ရှိစေကာမူ ပုဂ္ဂလိကအနေဖြင့် မည်မျှပေးချေနိုင်သည်အပေါ် မူတည်နိုင်ကြောင်း အတည်ပြုခဲ့သည်။ ဦးနှောက်ယိုစီးမှုကြောင့် EU သို့ ဝင်ရောက်ပြီးကတည်းက ခန့်မှန်းခြေအားဖြင့် ဆရာဝန် ၁၄,၀၀၀ ကျော်ကို ဖယ်ရှားခဲ့သည်။ |
| 🇺🇸 အမေရိကန် | ကမ္ဘာပေါ်တွင် အကုန်အကျအများဆုံး ကျန်းမာရေးစောင့်ရှောက်မှု — တစ်နှစ်လျှင် လူတစ်ဦးလျှင် ဒေါ်လာ ၁၂၀၀၀ ကျော် — သို့သော် ရလဒ်များသည် UK ထက် မကြာခဏ ပိုကောင်းလေ့မရှိပါ။ Dartmouth Atlas ပရောဂျက်သည် ဆေးခန်းလက်တွေ့လုပ်ဆောင်မှုတွင် ပထဝီဝင်အနေအထားအရ ကွဲပြားမှုများစွာကို မှတ်တမ်းတင်ထားသည်- မိုင်ယာမီရှိ တူညီသောလူနာသည် မင်နီယာပိုလစ်ရှိ တူညီသောလူနာထက် စုံစမ်းစစ်ဆေးမှုများနှင့် လုပ်ထုံးလုပ်နည်းများကို နှစ်ဆပိုမိုရရှိနိုင်ပြီး ရလဒ်များတွင် ကွာခြားမှုမရှိပါ။ ၂၀၁၉ ခုနှစ် JAMA လေ့လာမှုတစ်ခုအရ အမေရိကန်ဒေါ်လာ ၉၃၅ ဘီလီယံ — အမေရိကန်ကျန်းမာရေးစောင့်ရှောက်မှုအသုံးစရိတ်အားလုံး၏ လေးပုံတစ်ပုံခန့် — သည် မလိုအပ်သောစောင့်ရှောက်မှုအတွက် အလဟဿဖြစ်နေသည်ဟု ခန့်မှန်းထားသည်။ opioid အကျပ်အတည်းသည် EBM မူဘောင်များပြင်ပရှိ ဆေးညွှန်းလုပ်ငန်းများကို ဆေးဝါးကုမ္ပဏီများက လွှမ်းမိုးမှုကြောင့် တစ်စိတ်တစ်ပိုင်း ဖြစ်ပေါ်လာခဲ့သည်။ |
| 🇫🇷 ပြင်သစ် | ပြင်သစ်နိုင်ငံသည် အလွန်ကောင်းမွန်သော ကျန်းမာရေးစောင့်ရှောက်မှုရှိသည် — သို့သော် ပဋိဇီဝဆေးညွှန်းနှုန်းထားများသည် သမိုင်းကြောင်းအရ ဥရောပတွင် အမြင့်ဆုံးများထဲတွင် ပါဝင်ခဲ့ပြီး၊ တိုင်ပင်ဆွေးနွေးမှုတစ်ခုသည် အမြဲတမ်း ဆေးညွှန်းဖြင့် အဆုံးသတ်သင့်သည်ဟူသော ယဉ်ကျေးမှုဆိုင်ရာ မျှော်လင့်ချက်များကြောင့် တစ်စိတ်တစ်ပိုင်း တွန်းအားပေးခံခဲ့ရသည်။ ၎င်းကို လျှော့ချရန် လှုပ်ရှားမှုများ ("ပဋိဇီဝဆေးများသည် အလိုအလျောက်မဟုတ်ပါ") သည် အထောက်အကူဖြစ်စေခဲ့သော်လည်း ပုံစံသည် ယဉ်ကျေးမှုနှင့် ကုန်သွယ်ရေးဖိအားများသည် ခေတ်မီစနစ်များတွင်ပင် အထောက်အထားအခြေခံလမ်းညွှန်ချက်များကို မည်သို့ကျော်လွန်နိုင်သည်ကို သရုပ်ပြသည်။ |
| 🇮🇹အီတလီနိုင်ငံ | မြောက်ပိုင်းအီတလီ (မီလန်၊ ဘိုလော့ဂ်နာ) ရှိ ကျန်းမာရေးစောင့်ရှောက်မှုအရည်အသွေးသည် ဥရောပတွင် အကောင်းဆုံးများထဲတွင် ပါဝင်သည်။ တောင်ပိုင်းအီတလီ၏ အစိတ်အပိုင်းအချို့တွင် အခြေအနေမှာ အလွန်ကွာခြားပါသည် - ကင်ဆာခွဲစိတ်မှုအတွက် စောင့်ဆိုင်းချိန် ပိုကြာခြင်း၊ စစ်ဆေးရေးအစီအစဉ်များကို တသမတ်တည်း အသုံးချမှု နည်းပါးခြင်း၊ လမ်းညွှန်ချက်အခြေပြု စောင့်ရှောက်မှုကို လိုက်နာမှု နည်းပါးခြင်း။ တူညီသောနိုင်ငံအတွင်း ပထဝီဝင်ဇာစ်မြစ်သည် ရလဒ်များကို သိသိသာသာ သက်ရောက်မှုရှိနိုင်ပါသည်။ |
| 🇬🇷 ဂရိ / 🇪🇸 စပိန် | ဂရိနိုင်ငံ၏ ခြိုးခြံချွေတာရေး အကျပ်အတည်း (၂၀၁၀-၂၀၁၅) ကြောင့် ကျန်းမာရေးစောင့်ရှောက်မှု အသုံးစရိတ် ၂၅% ကျော် လျှော့ချခဲ့ရပြီး ဆေးဝါးပြတ်လပ်မှု၊ ဝန်ထမ်းလျှော့ချမှုနှင့် အရည်အသွေး ယိုယွင်းပျက်စီးမှုတို့ကို မှတ်တမ်းတင်ထားခဲ့သည်။ ကျန်းမာရေးစောင့်ရှောက်မှု ဝန်ထမ်း ၃၅၀၀၀ ကျော်သည် ရွှေ့ပြောင်းနေထိုင်ခဲ့ကြသည်။ စပိန်နိုင်ငံတွင် ကင်ဆာရှင်သန်နှုန်းတွင် သိသာထင်ရှားသော ဒေသအလိုက် ကွဲပြားမှုကို မှတ်တမ်းတင်ထားပြီးဖြစ်သည် - သင်ဖြစ်ပွားသော အကျိတ်သည် သင်နေထိုင်သည့် ဒေသပေါ် မူတည်၍ ကွဲပြားစွာ ပြုမူနိုင်သည်၊ ဇီဝဗေဒကွဲပြားခြင်းကြောင့် မဟုတ်ဘဲ စနစ်၏ အထောက်အထားအခြေပြု ကုသမှုအသုံးပြုမှုကြောင့် ဖြစ်သည်။ |
ခိုင်မာသော EBM မူဘောင်များ သို့မဟုတ် လူတိုင်းအတွက် ရပိုင်ခွင့်များမရှိသော ကျန်းမာရေးစောင့်ရှောက်မှုစနစ်များတွင် ငွေပေးချေမှုနှင့် ကုသမှုအရည်အသွေးကြား ဆက်နွယ်မှုသည် တိုက်ရိုက်ဖြစ်ပြီး မှတ်တမ်းတင်ထားလေ့ရှိသည်-
- အိန္ဒိယပုဂ္ဂလိကဆေးရုံအချို့တွင် ရင်ဘတ်အောင့်သည့်လူနာသည် ပုဂ္ဂလိကစောင့်ရှောက်မှုအတွက် ငွေပေးချေနိုင်ပြီး ချက်ချင်း ဆီးပိုက်ထည့်ခြင်းနှင့် သွေးကြောချဲ့ခြင်းတို့ကို ခံယူနိုင်ပါသည်။ အစိုးရစနစ်ရှိ တူညီသောလူနာသည် ECG ရိုက်ရန် နာရီပေါင်းများစွာ စောင့်ဆိုင်းရနိုင်ပါသည်။
- ဆာဟာရအောက်ပိုင်း အာဖရိကဒေသအချို့တွင် ပြင်းထန်သောငှက်ဖျားရောဂါခံစားနေရသော ကလေးတစ်ဦးသည် artemisinin-based combination therapy (အထောက်အထားအခြေခံစံနှုန်း) ကို ခံယူသည်ဖြစ်စေ သို့မဟုတ် ရှေးကျပြီး အာနိသင်နည်းသောဆေးကို ခံယူသည်ဖြစ်စေ ၎င်းတို့ရောက်ရှိသည့် ဆေးခန်းနှင့် ၎င်းတို့၏မိသားစု မည်မျှပေးချေနိုင်သည်အပေါ် မူတည်ပါသည်။
- ဆေးဝါးအားလုံးကို လူတိုင်းရရှိနိုင်ခြင်းမရှိသော နိုင်ငံများတွင် ကင်ဆာဓာတုကုထုံးဆေးဝါးများကို ကိုယ်တိုင်ပေးချေနိုင်သူများအတွက်သာ ရရှိနိုင်ပြီး ဆိုလိုသည်မှာ တူညီသောကင်ဆာများသည် ဝင်ငွေအပေါ်တွင်သာ အခြေခံ၍ သိသိသာသာကွဲပြားသော ရလဒ်များရှိသည်။
- ရိုမေးနီးယားနှင့် အခြားအရှေ့ဥရောပနိုင်ငံအချို့တွင် ခွဲစိတ်ကုသမှု၏ အရည်အသွေး - ခွဲစိတ်ဆရာဝန်၏ လုံ့လဝီရိယ၊ မေ့ဆေးပေးစောင့်ကြည့်မှု အရည်အသွေး၊ ခွဲစိတ်ပြီးနောက် သူနာပြုစုစောင့်ရှောက်မှု ရရှိနိုင်မှုပင် - သည် ဆေးခန်းလိုအပ်ချက်ပေါ်တွင် မဟုတ်ဘဲ တရားဝင်မဟုတ်သော ငွေပေးချေမှုပေါ်တွင် မူတည်ကြောင်း မှတ်တမ်းတင်ထားသည်။
စီးပွားဖြစ်လေယာဉ်တစ်စင်းပေါ်တက်တိုင်း လူသားတွေတည်ဆောက်ခဲ့တဲ့ အထိရောက်ဆုံးဘေးကင်းရေးစနစ်တွေထဲက တစ်ခုကနေ အကျိုးကျေးဇူးရရှိမှာပါ။ တစ်ဦးချင်းလေယာဉ်မှူးတွေဟာ အလွန်ထူးချွန်ထက်မြက်လို့တော့ မဟုတ်ပါဘူး - ဒါပေမယ့် သူတို့မှာ ထူးချွန်ကြလို့ပါ။ ဒါပေမယ့် လေကြောင်းပျံသန်းမှုကို အခြေခံပြီး တည်ဆောက်ထားလို့ပါ။ စံသတ်မှတ်ထားသော၊ အထောက်အထားစမ်းသပ်ထားသော ပရိုတိုကောများလေယာဉ်မှူးတိုင်း၊ လေကြောင်းလိုင်းတိုင်း၊ နိုင်ငံတိုင်းသည် ပျံသန်းမှုမတိုင်မီ စစ်ဆေးရမည့်စာရင်းများ၊ ဆင်းသက်မှုလုပ်ထုံးလုပ်နည်းများနှင့် အရေးပေါ်လုပ်ထုံးလုပ်နည်းများကို လိုက်နာကြသည်။ မည်သည့်လေယာဉ်မှူးကို ရွေးချယ်သည်ဖြစ်စေ စနစ်သည် သင့်အား ကာကွယ်ပေးပါသည်။
EBM မပါတဲ့ ဆေးပညာဆိုတာ စစ်ဆေးရမယ့်စာရင်းမပါတဲ့ လေကြောင်းပျံသန်းမှုပါပဲ။ သင့်ရဲ့ဘေးကင်းရေးဟာ ကောင်းမွန်တဲ့ လေယာဉ်မှူးတစ်ယောက်ကို ရခဲ့လား၊ အဲဒီလေယာဉ်မှူးက မကြာသေးခင်ကမှ လေ့ကျင့်သင်ကြားခဲ့လား၊ သူတို့ ကောင်းမွန်တဲ့နေ့တစ်နေ့ကို ဖြတ်သန်းနေလား၊ သူတို့ယုံကြည်ရတဲ့သူတစ်ယောက်ဆီကနေ နောက်ဆုံးပေါ်အတွေးအခေါ်တွေကို ကြားခဲ့ရလားဆိုတဲ့အပေါ်မှာပဲ အပြည့်အဝမူတည်ပါတယ်။
EBM ကို ကံတရားကို စနစ်များဖြင့် အစားထိုးသည်။ ၎င်းသည် "ကျွန်ုပ်၏အတွေ့အကြုံအရ" ကို "လူနာ ၂ သန်းပါဝင်သော စမ်းသပ်မှု ၁၅၀၀၀ တွင်" ဖြင့် အစားထိုးသည်။ ၎င်းသည် အခန်းထဲတွင် အကြီးတန်းဆုံးဖြစ်သော မည်သူမဆို၏ ထင်မြင်ချက်ကို လူသားတို့၏ စုပေါင်း ဆေးခန်းအတွေ့အကြုံများ၏ စုဆောင်းထားသော အထောက်အထားများဖြင့် အစားထိုးသည်။ မင်းရဲ့လူနာတွေအတွက် အဲဒါကို မင်းပိုနှစ်သက်မှာ မဟုတ်ဘူးလား။ မင်းရဲ့လူနာတွေက သူတို့ကိုယ်တိုင်အတွက်ပဲ ပိုနှစ်သက်မှာ မဟုတ်ဘူးလား။
- သင်လိုက်နာသော NICE လမ်းညွှန်ချက်တိုင်းသည် စနစ်တကျ အထောက်အထား ပြန်လည်သုံးသပ်ခြင်း၏ ရလဒ်ဖြစ်သည် - တစ်စုံတစ်ယောက်သည် သင်လုပ်ဆောင်သည့်အရာကို အကောင်းဆုံးရရှိနိုင်သော သိပ္ပံပညာဖြင့် ထောက်ခံထားကြောင်း သေချာစေရန် လုပ်ဆောင်ခဲ့သည်။
- စာရင်းအင်းနှင့် သုတေသနနည်းလမ်းများဆိုင်ရာ AKT မေးခွန်းတိုင်းသည် အထောက်အထားများကို ဝေဖန်ပိုင်းခြား အကဲဖြတ်နိုင်စွမ်းကို စမ်းသပ်ခြင်းဖြစ်သည် - ညွှန်ကြားချက်များကို လိုက်နာသူမဟုတ်ဘဲ EBM ၏ တက်ကြွသော စားသုံးသူတစ်ဦးဖြစ်ရန်ဖြစ်သည်။
- လူနာတစ်ဦးကို NNT အကြောင်း ရှင်းပြတဲ့အခါ၊ ဒါမှမဟုတ် စစ်ဆေးခြင်းစစ်ဆေးမှုရဲ့ ကန့်သတ်ချက်တွေကို ဆွေးနွေးတဲ့အခါ၊ ဒါမှမဟုတ် ညွှန်ပြမထားတဲ့ ပဋိဇီဝဆေးကို ညွှန်းပေးဖို့ ငြင်းဆိုတဲ့အခါ၊ သင်ဟာ EBM ကို သိစိတ်နဲ့၊ ရှင်းရှင်းလင်းလင်းနဲ့ ဆင်ခြင်တုံတရားနဲ့ လေ့ကျင့်နေခဲ့တာပါ။
- ဆေးဝါးကိုယ်စားလှယ်တစ်ဦးက သင့်ရှေ့တွင်ထိုင်ပြီး ၎င်းတို့၏ဆေးဝါးအသစ်သည် နှလုံးသွေးကြောဆိုင်ရာဖြစ်ရပ်များကို ၃၅% လျှော့ချပေးသည်ဟု သင့်အားပြောပြသောအခါ၊ သင်၏ပထမဆုံးမေးခွန်း — "၃၅% ဆွေမျိုး သို့မဟုတ် လုံးဝလား" — သည် EBM မှ ဆေးပညာကို သင်ကြားပေးခဲ့သော မေးခွန်းဖြစ်သည်။
လေ့လာမှုဒီဇိုင်းများနှင့် အထောက်အထားများ၏ အဆင့်ဆင့်
ရလဒ်တစ်ခုခုကို အဓိပ္ပာယ်ဖွင့်ဆိုခြင်းမပြုမီ သင်သိထားသင့်သည်များ ဘယ်ကလာတာလဲ။။ လေ့လာမှုဒီဇိုင်းအမျိုးမျိုးသည် မေးခွန်းအမျိုးမျိုးကို ဖြေဆိုကြပြီး၊ စာရင်းအင်းအမျိုးမျိုးကို ထုတ်ပေးကာ၊ ယုံကြည်စိတ်ချရမှုအဆင့်အမျိုးမျိုးကို သယ်ဆောင်ကြသည်။
သက်သေအထောက်အထားပိရမစ်
အပေါ်ဆုံးမှာ အခိုင်မာဆုံးသက်သေ၊ အောက်ဆုံးမှာ အအားနည်းဆုံးသက်သေ
⬆ အခိုင်မာဆုံးသက်သေအထောက်အထား | ⬇ အအားနည်းဆုံးသက်သေအထောက်အထား
| လေ့လာမှုဒီဇိုင်း | Direction အဖွဲ့ | သည်အကောင်းဆုံး | ထုတ်ပေး | အဓိက အားနည်းချက် |
|---|---|---|---|---|
| စနစ်တကျ ပြန်လည်သုံးသပ်ခြင်း/ မက်တာ-ခွဲခြမ်းစိတ်ဖြာခြင်း | - | မေးခွန်းတစ်ခုအပေါ် အကောင်းဆုံး အလုံးစုံသက်သေအထောက်အထား | စုပေါင်းအကျိုးသက်ရောက်မှုအရွယ်အစား | အခြေခံလေ့လာမှုများကဲ့သို့သာ ကောင်းမွန်သည်။ မျိုးကွဲများစွာရှိခြင်း |
| RCT (ကျပန်းထိန်းချုပ်ထားသော စမ်းသပ်မှု) | ရှေ့သို့ | X ကုသမှုက အလုပ်ဖြစ်ပါသလား။ | RR၊ ARR၊ NNT | ဈေးကြီးသော၊ အတုအယောင်ပတ်ဝန်းကျင်၊ ကျင့်ဝတ်ဆိုင်ရာပြဿနာများ |
| Cohort Study | ရှေ့သို့ (အလားအလာရှိသော) သို့မဟုတ် နောက်သို့ (နောက်ကြောင်းပြန်သော) | ထိတွေ့မှုက ရလဒ်ကို ဖြစ်စေသလား။ ဖြစ်ပွားမှုနှုန်းလား။ | ဆွေမျိုးအန္တရာယ် (RR)၊ ဖြစ်ပွားမှုနှုန်း | ပျက်စီးခြင်း၊ အချိန်ကြာလာသည်နှင့်အမျှ စျေးကြီးခြင်း၊ ရှုပ်ထွေးခြင်း |
| ဖြစ်ရပ်ထိန်းချုပ်မှုလေ့လာမှု | နောက်ပြန် | ရှားပါးရောဂါများ၊ အန္တရာယ်အချက်များ | အတိုးနှုန်း (OR) | ပြန်လည်သတိရခြင်းဘက်လိုက်မှု; ဖြစ်ပွားမှုကို တိုက်ရိုက်တွက်ချက်၍မရပါ |
| ဖြတ်ပိုင်းလေ့လာမှု | တစ်ချက်တည်းသော လျှပ်တစ်ပြက်ပုံရိပ် | X ဟာ အခုအချိန်မှာ ဘယ်လောက်အဖြစ်များလဲ။ (ပျံ့နှံ့မှု) | ပျံ့နှံ့ | အကြောင်းရင်းကို မဖော်ထုတ်နိုင်ပါ။ ယာယီမရေမရာမှု |
| ဖြစ်ရပ်အစီရင်ခံစာ / ကျွမ်းကျင်သူ၏ ထင်မြင်ချက် | - | ယူဆချက်ထုတ်လုပ်ခြင်း၊ ရှားပါးဖြစ်ရပ်များ | ဖော်ပြချက်သာ | ဘက်လိုက်မှု အလွန်အမင်း ခံရလွယ်သည်။ ယေဘုယျအားဖြင့် အသုံးမဝင်ပါ |
📖 အရည်အသွေးဆိုင်ရာ သုတေသန vs အရေအတွက်ဆိုင်ရာ သုတေသန
"ဘယ်လောက်" သို့မဟုတ် "ဘယ်လောက်" ဟူသော အဖြေများ။ နံပါတ်များ၊ စာရင်းအင်းများနှင့် ဖွဲ့စည်းတည်ဆောက်ထားသော အချက်အလက်များကို အသုံးပြုသည်။ ဥပမာ- RCT များ၊ cohort လေ့လာမှုများ၊ ဂဏန်းသင်္ချာရလဒ်များပါရှိသော စစ်တမ်းများ။ p-တန်ဖိုးများ၊ CIs များ၊ NNTs များကို ထုတ်ပေးသည်။
"ဘာကြောင့်" သို့မဟုတ် "ဘယ်လို" ဟူသော အဖြေများ။ စကားလုံးများ၊ အကြောင်းအရာများနှင့် အင်တာဗျူးများကို အသုံးပြုသည်။ ဥပမာ- အာရုံစိုက်အဖွဲ့များ၊ လူမျိုးစုဆိုင်ရာ လေ့လာမှုများ၊ အခြေခံသီအိုရီ။ လူနာအတွေ့အကြုံများနှင့် ယုံကြည်ချက်များကို စူးစမ်းလေ့လာသည်။
🔬 စနစ်တကျ ပြန်လည်သုံးသပ်ခြင်း vs မက်တာ-ခွဲခြမ်းစိတ်ဖြာခြင်း — အတူတူပင် မဟုတ်ပါ
စနစ်တကျ ပြန်လည်သုံးသပ်ခြင်း- မေးခွန်းတစ်ခုနှင့်ပတ်သက်သည့် သက်ဆိုင်ရာလေ့လာမှုအားလုံးကို ဖော်ထုတ်၊ ရွေးချယ်ပြီး ဝေဖန်ပိုင်းခြားသုံးသပ်သည့် တိကျပြီး စနစ်တကျဖွဲ့စည်းထားသော စာပေရှာဖွေမှု။ ရလဒ်အနေဖြင့် အထောက်အထားများ၏ အရည်အသွေးဆိုင်ရာ အနှစ်ချုပ်ဖြစ်သည်။
Meta-Analysis- တစ်ဆင့်တက်လှမ်းသော စနစ်တကျ ပြန်လည်သုံးသပ်ချက်တစ်ခု — ၎င်း သင်္ချာနည်းအရ ရေကန်များ လေ့လာမှုများစွာမှ အရေအတွက်ဆိုင်ရာရလဒ်များကို တစ်ခုတည်းသော ပေါင်းစပ်ခန့်မှန်းချက်အဖြစ်သို့ ပြောင်းလဲခြင်း။ စနစ်တကျ ပြန်လည်သုံးသပ်ချက်အားလုံးတွင် meta-analysis မပါဝင်ပါ (ဥပမာ၊ လေ့လာမှုများသည် ပေါင်းစပ်ရန် မတူညီလွန်းပါက)။
🔄 PICO မူဘောင်
PICO သည် ဆေးခန်းသုတေသနမေးခွန်းတစ်ခုကို ဖွဲ့စည်းရန်အတွက် စံသတ်မှတ်ထားသော မူဘောင်ဖြစ်ပြီး စာပေနှင့် ဒီဇိုင်းလေ့လာမှုများကို ရှာဖွေရန်အသုံးပြုသည်။
| အက္ခရာ | ရပ်တည်သည်။ | နမူနာ |
|---|---|---|
| P | လူဦးရေ / လူနာ | အမျိုးအစား ၂ ဆီးချိုရောဂါရှိသူလူကြီးများ |
| I | ဝင်စွက်ခြင်း | SGLT2 တားဆေးများ |
| C | နှိုင်းယှဉ်မှု | မက်ဖော်မင် တစ်မျိုးတည်း |
| O | အကျိုး | ၅ နှစ်တွင် နှလုံးသွေးကြောဆိုင်ရာ ဖြစ်ရပ်များ |
🎲 RCT ဒီဇိုင်းအင်္ဂါရပ်များ (အများအားဖြင့် စမ်းသပ်ပြီး)
| လက္ခဏာ | ဘာကိုဆိုလိုတာလဲ | အဘယ်ကြောင့်ဒါဟာကိစ္စ |
|---|---|---|
| Randomisation | ပါဝင်သူများကို အုပ်စုများသို့ မတော်တဆ ခွဲဝေပေးသည် | ရွေးချယ်မှုဘက်လိုက်မှုကို ဖယ်ရှားပေးပြီး ရှုပ်ထွေးမှုများကို ဟန်ချက်ညီစေသည် |
| တစ်ယောက်တည်း လိုက်ကာ | ပါဝင်သူများသည် ၎င်းတို့၏ ခွဲဝေမှုကို မသိရှိကြပါ။ | placebo effect နှင့် ပါဝင်သူဘက်လိုက်မှုကို လျှော့ချပေးသည် |
| နှစ်ထပ်ကန်း | ပါဝင်သူများ သို့မဟုတ် စုံစမ်းစစ်ဆေးသူများ နှစ်ဦးစလုံး ခွဲဝေမှုကို မသိရှိကြပါ။ | လေ့လာသူဘက်လိုက်မှုနှင့် ပါဝင်သူဘက်လိုက်မှုကို ဖယ်ရှားပေးသည် |
| သုံးထပ်ကန်း | ပါဝင်သူများ၊ စုံစမ်းစစ်ဆေးသူများနှင့် အချက်အလက် ခွဲခြမ်းစိတ်ဖြာသူများ မျက်စိကွယ်သွားခြင်း | အများဆုံးဘက်လိုက်မှုလျှော့ချခြင်း |
| ကုသရန် ရည်ရွယ်ချက် (ITT) | လိုက်နာမှုရှိမရှိ မခွဲခြားဘဲ ၎င်းတို့၏ မူလအဖွဲ့တွင် ခွဲခြမ်းစိတ်ဖြာထားသည် | ကျပန်းရွေးချယ်မှုကို ထိန်းသိမ်းထားပြီး လက်တွေ့အသုံးပြုမှုကို ထင်ဟပ်စေသည် |
| ပရိုတိုကောတစ်ခုစီ | ၎င်းတို့သည် ပရိုတိုကောကို ပြီးမြောက်မှသာ ခွဲခြမ်းစိတ်ဖြာသည် | ဇီဝဗေဒဆိုင်ရာ ထိရောက်မှုကို ပြသသော်လည်း လက်တွေ့ကမ္ဘာ၏ အကျိုးကျေးဇူးကို အလွန်အကျွံ ခန့်မှန်းထားသည် |
| crossover ဒီဇိုင်း | ပါဝင်သူများသည် ကုသမှုနှစ်မျိုးလုံးကို အစဉ်လိုက်ရရှိကြသည် | လူတိုင်းဟာ သူတို့ရဲ့ကိုယ်ပိုင်ထိန်းချုပ်မှုအဖြစ် လုပ်ဆောင်ကြပြီး washout ကာလလိုအပ်ပါတယ် |
| ခွဲဝေချထားပေးမှုကို ဖုံးကွယ်ထားခြင်း | ပါဝင်သူများကို စုဆောင်းသူသည် နောက်ပါဝင်သူကို မည်သည့်အုပ်စုတွင် သတ်မှတ်ပေးမည်ကို မမြင်ရမချင်း မမြင်နိုင်ပါ။ ပြီးနောက် သူတို့စာရင်းသွင်းပြီးပြီ | ကျန်းမာသောလူနာများကို ကုသမှုအဖွဲ့သို့ မသိစိတ်ဖြင့် (သို့မဟုတ် ရည်ရွယ်ချက်ရှိရှိ) ခွဲဝေပေးခြင်းမှ စုဆောင်းသူအား ကာကွယ်ပေးသည် - ကျပန်းရွေးချယ်မှုတစ်ခုတည်းဖြင့် မတားဆီးနိုင်သော ရွေးချယ်မှုဘက်လိုက်မှုပုံစံတစ်ခု |
| အစုအဖွဲ့ RCT | အဖွဲ့တစ်ခုလုံး (ဥပမာ GP ဆေးခန်းများ၊ ဆောင်များ၊ ကျောင်းများ) ကို တစ်ဦးချင်းမဟုတ်ဘဲ ကျပန်းရွေးချယ်သည်။ | တစ်ဦးချင်း ကျပန်းရွေးချယ်မှုသည် လက်တွေ့မကျသည့်အခါ (ဥပမာ- တိုင်ပင်ဆွေးနွေးမှုပုံစံအသစ်ကို စမ်းသပ်ခြင်း) အသုံးပြုသည်။ clustering effect အတွက် နမူနာအရွယ်အစား ပိုမိုကြီးမားပြီး စာရင်းအင်းဆိုင်ရာ ချိန်ညှိမှုများ လိုအပ်ပါသည်။ |
ကုသရန် ရည်ရွယ်ချက်က ပိုမိုပေးစွမ်းသည် ရှေးရိုးစွဲ (နိမ့်သော) ထိရောက်မှုခန့်မှန်းချက် — လိုက်နာမှုမရှိသော ပါဝင်သူများ ပါဝင်သောကြောင့်ဖြစ်သည်။ ဤသည်မှာ ဆေးခန်းဆုံးဖြတ်ချက်များအတွက် ဦးစားပေး ခွဲခြမ်းစိတ်ဖြာမှုဖြစ်သည်။ ပရိုတိုကောတစ်ခုအရ ထိရောက်မှုကို လွန်ကဲစွာခန့်မှန်းသော်လည်း ဇီဝဗေဒယန္တရားကို နားလည်ရန်အတွက် အသုံးဝင်ပါသည်။
⚖️ သာလွန်မှု၊ မနိမ့်ကျမှုနှင့် ညီမျှမှုစမ်းသပ်မှုများ
စမ်းသပ်မှုအားလုံးက မေးခွန်းတစ်ခုတည်းကို မမေးပါဘူး။ AKT သည် စမ်းသပ်မှုတစ်ခုကို အမှန်တကယ်ပြသရန် ဒီဇိုင်းထုတ်ထားခြင်းနှင့် ၎င်း၏ရလဒ်များကို အဓိပ္ပာယ်ဖွင့်ဆိုသည့်အခါ ၎င်းသည် အဘယ်ကြောင့်အရေးကြီးသည်ကို သင်နားလည်ခြင်းရှိမရှိနှင့် စမ်းသပ်မှုရလဒ်များကို အဓိပ္ပာယ်ဖွင့်ဆိုရာတွင် အဘယ်ကြောင့်အရေးကြီးသည်ကို သင်နားလည်ခြင်းရှိမရှိကို တစ်ခါတစ်ရံ စစ်ဆေးပါသည်။
| အစမ်းအမျိုးအစား | မေးနေတဲ့ မေးခွန်း | အဖြစ်များသော အခြေအနေ |
|---|---|---|
| သာလွန်မှုစမ်းသပ်မှု | "ကုသမှုအသစ်လား" ထက် သာ. ကောင်း၏ နှိုင်းယှဉ်သူလား?" | စံ RCT အများစု — အမှန်တကယ် ဆေးဝါးအသစ် သို့မဟုတ် ချဉ်းကပ်မှုအသစ်ကို စမ်းသပ်ခြင်း |
| ယုတ်ညံ့မှုမဟုတ်သော ရုံးတင်စစ်ဆေးမှု | "ကုသမှုအသစ်လား" ထက် မဆိုးပါဘူး နှိုင်းယှဉ်ကိရိယာကို ကြိုတင်သတ်မှတ်ထားသော အနားသတ်ငယ်တစ်ခုထက်ပို၍ နှိုင်းယှဉ်ပါသလား။ | ဘေးထွက်ဆိုးကျိုးနည်းပါးပြီး ကုန်ကျစရိတ်နည်းပါးသော သို့မဟုတ် သောက်သုံးရလွယ်ကူသော ဆေးဝါးအသစ် — ရည်ရွယ်ချက်မှာ ၎င်းသည် "လုံလောက်သော ကောင်းမွန်သော" ဆေးဝါးဖြစ်ကြောင်း ပြသရန်ဖြစ်သည်။ |
| ညီမျှမှုစမ်းသပ်မှု | "ကုသမှုနှစ်ခုလား" အခြေခံအားဖြင့် အတူတူပါပဲ?" | ဇီဝဆင်တူဆေးဝါးများ၊ ယေဘုယျဆေးဝါးများ၊ ပေးသွင်းသည့်လမ်းကြောင်းအမျိုးမျိုး |
သွေးခဲပျော်ဆေးအသစ်တစ်ခုသည် လေဖြတ်ခြင်းကို ကာကွယ်ရန်အတွက် warfarin ထက် "မနိမ့်ကျ" ကြောင်း ပြသနိုင်သည် - ပိုကောင်းသည်မဟုတ်သော်လည်း သိသိသာသာ ပိုဆိုးသွားသည်ဟု မဆိုနိုင်ပါ။ အသုံးပြုရလွယ်ကူသည် (INR စောင့်ကြည့်ခြင်း မပါ)။ ဆေးသည် warfarin ကို "အနိုင်ယူ" ခြင်းမရှိသော်လည်း ၎င်းသည် ဆေးခန်းအရ အဖိုးတန်သော တွေ့ရှိချက်တစ်ခုဖြစ်သည်။ AKT သည် သင့်အား မနိမ့်ကျသော စမ်းသပ်မှုရလဒ်ကို မှန်ကန်စွာ အဓိပ္ပာယ်ဖွင့်ဆိုရန် တောင်းဆိုနိုင်ပါသည်။
"သိသာထင်ရှားသော ကွာခြားချက်မရှိ" ဟုပြသသည့် နိမ့်ကျမှုမရှိသော စမ်းသပ်ချက်တစ်ခုသည် မဟုတ် "သိသာထင်ရှားသော ကွာခြားချက်မရှိ" ပြသသည့် သာလွန်မှုစမ်းသပ်မှုနှင့် အတူတူပင်ဖြစ်သည်။ သာလွန်မှုစမ်းသပ်မှုတွင်၊ မသိသာသောရလဒ်သည် သင်သည် ဆေးဝါးအသစ်သည် ပိုမိုကောင်းမွန်စွာ အလုပ်လုပ်ကြောင်း သက်သေမပြနိုင်ဟု ဆိုလိုသည်။ နိမ့်ကျမှုမရှိသော စမ်းသပ်မှုတွင်၊ မသိသာသော ကွာခြားချက်သည် သင်မျှော်လင့်ထားသည့်အရာဖြစ်သည်။
သုတေသနဘက်လိုက်မှု၊ တရားဝင်မှုနှင့် ယုံကြည်စိတ်ချရမှု
| Bias အမျိုးအစား | အဓိပ္ပာယ် | ဘယ်လေ့လာမှုဒီဇိုင်းတွေလဲ။ | လျှော့နည်း |
|---|---|---|---|
| ရွေးချယ်မှုဘက်လိုက်မှု | ပါဝင်သူများသည် ပစ်မှတ်လူဦးရေကို ကိုယ်စားမပြုပါ။ | အားလုံးအမျိုးအစားများ | ကျပန်းရွေးချယ်ခြင်း; ဂရုတစိုက် နမူနာယူခြင်း |
| ပြန်လည်သတိရခြင်းဘက်လိုက်မှု | လူနာများ (ရောဂါရှိသူများ) သည် ထိန်းချုပ်သူများထက် အတိတ်ကထိတွေ့မှုများကို ပိုမိုရှင်းလင်းစွာ မှတ်မိကြသည်။ | ဖြစ်ရပ်ထိန်းချုပ်မှုလေ့လာမှုများ | ရည်ရွယ်ချက်ရှိရှိ အချက်အလက်ရင်းမြစ်များ၊ စံသတ်မှတ်ထားသော မေးခွန်းထုတ်ခြင်း |
| ထုတ်ဝေမှုဘက်လိုက်မှု | အပြုသဘော/သိသာထင်ရှားသော လေ့လာမှုများကို အနုတ်လက္ခဏာဆောင်သော လေ့လာမှုများထက် ပိုမိုထုတ်ဝေလေ့ရှိသည် | မက်တာ-ခွဲခြမ်းစိတ်ဖြာမှုများ (funnel plot မှတစ်ဆင့် တွေ့ရှိသည်) | အစမ်းသုံးမှတ်ပုံတင်ခြင်း၊ မီးခိုးရောင်စာပေရှာဖွေခြင်း |
| ယိုယွင်းပျက်စီးမှုဘက်လိုက်မှု | နောက်ဆက်တွဲလေ့လာမှုတွင် ပါဝင်သူများ ဆုံးရှုံးခြင်းသည် ရလဒ်များကို ပျက်ပြားစေသည် (ကျောင်းထွက်ခြင်းသည် ပြီးဆုံးသူများနှင့် ကွဲပြားသည်) | အုပ်စုလိုက်လေ့လာမှုများ၊ RCT များ | ကုသမှုရည်ရွယ်ချက် ခွဲခြမ်းစိတ်ဖြာခြင်း၊ ကျောင်းထွက်မှုကို အနည်းဆုံးဖြစ်အောင် လုပ်ဆောင်ခြင်း |
| ဦးဆောင်ချိန် ဘက်လိုက်မှု | ရောဂါကို စောစီးစွာ သိရှိခြင်းဖြင့် ရှင်သန်နိုင်ခြေ တိုးတက်လာသည်ဟု ထင်ယောင်ထင်မှား ဖြစ်စေသည်။ | စစ်ဆေးခြင်းဆိုင်ရာ လေ့လာမှုများ | ရောဂါရှာဖွေခြင်းမှ ရှင်သန်မှုကို မဟုတ်ဘဲ ရောဂါအလိုက် သေဆုံးမှုကို အသုံးပြုပါ |
| အရှည်ဘက်လိုက်မှု | စစ်ဆေးခြင်းသည် ပိုမိုနှေးကွေးသော (ပြင်းထန်မှုနည်းသော) ရောဂါများကို တွေ့ရှိနိုင်သည်။ | စစ်ဆေးခြင်းဆိုင်ရာ လေ့လာမှုများ | ရောဂါအလိုက် ရလဒ်များပါရှိသော RCT များ |
| စောင့်ကြည့်သူ / အကဲဖြတ်မှုဘက်လိုက်မှု | ကုသမှုခွဲဝေချထားပေးခြင်းဆိုင်ရာ အသိပညာသည် ရလဒ်အကဲဖြတ်မှုကို သက်ရောက်မှုရှိသည် | RCTs | မျက်စိကွယ်ခြင်း (တစ်ခုတည်း၊ နှစ်ခု၊ သုံးထပ်) |
| ဟောသွန်းအကျိုးသက်ရောက်မှု | ပါဝင်သူများသည် ၎င်းတို့ကို စောင့်ကြည့်ခံနေရကြောင်း သိရှိသောကြောင့် ၎င်းတို့၏ အပြုအမူကို ပြောင်းလဲကြသည် | အမျိုးအစားအားလုံး၊ အထူးသဖြင့် စောင့်ကြည့်ရေး | ထိန်းချုပ်အဖွဲ့များ၊ မျက်မမြင်စောင့်ကြည့်သူများ |
| အတည်ပြုခြင်းဘက်လိုက်မှု | စစ်ဆေးမှုရလဒ် အပေါင်းပြသော လူနာများသာ ရွှေစံနှုန်း အတည်ပြုစစ်ဆေးမှုကို ရရှိသည် — ထို့ကြောင့် အာရုံခံနိုင်စွမ်းသည် မှားယွင်းစွာ မြင့်မားပြီး တိကျမှုမှာ မှားယွင်းစွာ နိမ့်ကျနေပုံရသည်။ | ရောဂါရှာဖွေရေးစမ်းသပ်မှုလေ့လာမှုများ | လူနာအားလုံး (အပေါင်းလက္ခဏာဆောင်သော နှင့် အနုတ်လက္ခဏာဆောင်သော) ရွှေစံနှုန်းစစ်ဆေးမှုကို ခံယူကြောင်း သေချာပါစေ။ |
| ရှုပ်ထွေး | တတိယမြောက် variable သည် ထိတွေ့မှုနှင့် ရလဒ် နှစ်မျိုးလုံးနှင့် ဆက်စပ်နေပြီး ထင်ရှားသော ဆက်နွယ်မှုကို ပုံပျက်စေသည်။ | စူးစမ်းလေ့လာမှုများ | ကျပန်းရွေးချယ်မှု (RCTs); အလွှာခွဲခြားမှု; ဘက်စုံပြောင်းလဲမှု ခွဲခြမ်းစိတ်ဖြာမှု |
🔀 ရှုပ်ထွေးခြင်း — အရာနှစ်ခုသည် ဆက်စပ်နေပုံရသော်လည်း ဆက်စပ်မှုမရှိသည့်အခါ
ရှုပ်ထွေးခြင်းသည် သုတေသနနည်းလမ်းတွင် အရေးကြီးဆုံးသော အယူအဆများထဲမှ တစ်ခုဖြစ်ပြီး ယုံကြည်လောက်ဖွယ် လေ့လာတွေ့ရှိချက်များ မှားယွင်းသွားရခြင်း၏ အဖြစ်အများဆုံး အကြောင်းရင်းများထဲမှ တစ်ခုဖြစ်သည်။ အဓိကအချက်မှာ ရိုးရှင်းပါသည်။ အရာနှစ်ခုသည် တစ်ခုနှင့်တစ်ခု တိုက်ရိုက်အကျိုးသက်ရောက်သောကြောင့်မဟုတ်ဘဲ နှစ်ခုစလုံးသည် ဝှက်ထားသော တတိယကိန်းရှင်တစ်ခုနှင့် ဆက်စပ်နေသောကြောင့် ဆက်စပ်နေပုံရသည်။
A ရှုပ်ထွေးစေသူ (သို့မဟုတ် confounding variable) သည် သီးခြားစီ ဆက်စပ်နေသော တတိယမြောက် variable တစ်ခုဖြစ်သည်။ နှစ်ခုလုံး ထိတွေ့မှု နှင့် ရလဒ်။ ၎င်းသည် သင်လေ့လာနေသော ထိတွေ့မှုနှင့် ရလဒ်အကြားတွင် မှားယွင်းသော (မှားယွင်းသော) ဆက်စပ်မှုတစ်ခု သို့မဟုတ် တကယ့်ဆက်စပ်မှုကို ဖုံးကွယ်ထားမှုကို ဖန်တီးပေးသည်။
ဂန္ထဝင် ဥပမာများ
| ထင်ရှားသောလင့်ခ် | ရှုပ်ထွေးစေသူ | အဘယ်ကြောင့် ၎င်းသည် အရာအားလုံးကို ရှင်းပြသနည်း |
|---|---|---|
| ရေခဲမုန့်ရောင်းချခြင်း → ရေနစ်သေဆုံးမှုများ | ပူပြင်းတဲ့ရာသီဥတု (နွေရာသီ) | ပူပြင်းတဲ့ရာသီဥတုက ရေခဲမုန့်ပိုစားတာရော ရေကူးတာရော နှစ်မျိုးလုံးကို ဖြစ်စေပါတယ် → ရေနစ်သေဆုံးမှုတွေ ပိုများစေပါတယ်။ ရေခဲမုန့်က ရေနစ်သေဆုံးမှုကို ဖြစ်စေတာ မဟုတ်ပါဘူး။ |
| ကော်ဖီသောက်ခြင်း → အဆုတ်ကင်ဆာ | ဆေးလိပ်သောက်ခြင်း | ဆေးလိပ်သောက်သူများသည် ပျမ်းမျှအားဖြင့် ကော်ဖီပိုမိုသောက်သုံးကြသည်။ အစောပိုင်းလေ့လာမှုများအရ ကော်ဖီသည် ကင်ဆာနှင့် ဆက်စပ်မှုရှိကြောင်း တွေ့ရှိခဲ့သည်။ ဆေးလိပ်သောက်ခြင်းကို မထိန်းချုပ်နိုင်မီအထိ။ |
| မီးခြစ်ကိုင်ဆောင်ခြင်း → အဆုတ်ကင်ဆာ | ဆေးလိပ်သောက်ခြင်း | ဆေးလိပ်သောက်သူများသည် မီးခြစ်များကို သယ်ဆောင်ကြသည်။ မီးခြစ်တွင် ဇီဝဗေဒဆိုင်ရာ အကျိုးသက်ရောက်မှု မရှိပါ။ ဆေးလိပ်သောက်ခြင်းသည် ဇီဝဗေဒဆိုင်ရာ အကျိုးသက်ရောက်မှု ရှိပါသည်။ |
| ဆံပင်ဖြူ → နှလုံးရောဂါ | အသက်အရွယ် | ဆံပင်ဖြူခြင်းနှင့် နှလုံးရောဂါ နှစ်မျိုးလုံးသည် အသက်အရွယ်နှင့်အမျှ တိုးလာပါသည်။ ဆံပင်အရောင်မဟုတ်ဘဲ အသက်အရွယ်ကသာ ရှုပ်ထွေးစေသော အရာဖြစ်သည်။ |
| ဖိနပ်အရွယ်အစား → စာဖတ်စွမ်းရည် (ကလေးများတွင်) | အသက်အရွယ် | အသက်ကြီးတဲ့ကလေးတွေမှာ ခြေထောက်တွေပိုကြီးပြီး စာဖတ်ပိုကောင်းပါတယ်။ အသက်အရွယ်က နှစ်ခုစလုံးကို ရှင်းပြပါတယ်။ |
variable တစ်ခုသည် ကိုက်ညီပါက confounder ဖြစ်သည် သုံးလုံး ဤအရာများထဲမှ
- ၎င်းနှင့်ဆက်စပ်နေသည်။ ထိတွေ့မှု (သင်လေ့လာနေတဲ့အရာ)
- ၎င်းနှင့်ဆက်စပ်နေသည်။ အကျိုး (သင်တိုင်းတာနေတဲ့ ရလဒ်)
- ဒါဟာဖြစ်ပါသည် မဟုတ် ထိတွေ့မှုနှင့် ရလဒ်ကြား ဖြစ်စဉ်လမ်းကြောင်းပေါ်တွင် (၎င်းသည် သီးခြား တတိယမြောက် variable တစ်ခုဖြစ်ပြီး အကြားအဆင့်မဟုတ်ပါ)
- Randomisation (RCTs များတွင်) — သိထားသောနှင့် မသိသော ရှုပ်ထွေးစေသောအရာများကို အုပ်စုများအကြား ညီတူညီမျှ ဖြန့်ဝေပေးသည်။ ၎င်းသည် အခိုင်မာဆုံးကာကွယ်မှုဖြစ်သည်။
- ကန့်ကွက်ခြင်း — ရှုပ်ထွေးမှုတွင် ဆင်တူသော ပါဝင်သူများကိုသာ စာရင်းသွင်းပါ (ဥပမာ ကော်ဖီလေ့လာမှုတွင် ဆေးလိပ်မသောက်သူများကိုသာ)
- ကိုက်ညီခြင်း — confounder variable တွင် pair case များနှင့် control များ
- stratification — ရှုပ်ထွေးစေသော အဆင့်တစ်ခုစီအတွက် ရလဒ်များကို သီးခြားစီ ခွဲခြမ်းစိတ်ဖြာပါ
- ဘက်စုံစာရင်းအင်းချိန်ညှိမှု — တစ်ပြိုင်နက်တည်း ရှုပ်ထွေးစေသော အရာများစွာကို စာရင်းအင်းအရ ထည့်သွင်းစဉ်းစားခြင်း
ကောင်းမွန်စွာပြုလုပ်ထားသော RCT တွင်၊ ကျပန်းရွေးချယ်ခြင်းသည် ရှုပ်ထွေးစေသောအချက်များ (သိပြီး မသိသော နှစ်မျိုးလုံး) ကို အုပ်စုများအကြား ညီတူညီမျှ ဖြန့်ဝေပေးပြီး ကွဲပြားချက်များအတွက် ရှင်းလင်းချက်အဖြစ် ရှုပ်ထွေးစေခြင်းကို ဖယ်ရှားပေးပါသည်။ cohort နှင့် case-control လေ့လာမှုများတွင်၊ သင်သိပြီး တိုင်းတာထားသော ရှုပ်ထွေးစေသောအချက်များအတွက်သာ ချိန်ညှိနိုင်ပါသည်။ မတိုင်းတာရသေးသော ရှုပ်ထွေးစေသောအချက်များသည် တွေ့ရှိရသည့် မည်သည့်ဆက်စပ်မှုအတွက်မဆို အမြဲတမ်းဖြစ်နိုင်ခြေရှိသော ရှင်းလင်းချက်တစ်ခုအဖြစ် ရှိနေပါသည် - ထို့ကြောင့် လေ့လာတွေ့ရှိချက်လေ့လာမှုများသည် အကြောင်းရင်းကို ဘယ်တော့မှ အတိအကျ သက်သေမပြနိုင်ပါ။
✅ တရားဝင်မှုနှင့် ယုံကြည်စိတ်ချရမှု — ကွာခြားချက်ကဘာလဲ။
လေ့လာမှုသည် လေ့လာမှုလူဦးရေအတွင်း တိုင်းတာသည်ဟု ဆိုထားသည့်အရာကို တိုင်းတာပါသလား။ ရလဒ်များသည် ဤ ယုံကြည်စိတ်ချရသော လေ့လာမှုလား။ ဘက်လိုက်မှုနှင့် ရှုပ်ထွေးမှုများ၏ ခြိမ်းခြောက်မှု။
ရလဒ်များကို အခြားလူဦးရေ သို့မဟုတ် လက်တွေ့ကမ္ဘာပတ်ဝန်းကျင်တွင် အသုံးချနိုင်ပါသလား။ အထူးကုဌာနတစ်ခုတွင် အလွန်အမင်းထိန်းချုပ်ထားသော RCT သည် မူလတန်းစောင့်ရှောက်မှုတွင် ဖြစ်ပျက်သည်များကို ထင်ဟပ်မည်မဟုတ်ပါ။
တူညီသောအခြေအနေများတွင် ထပ်ခါတလဲလဲပြုလုပ်သောအခါ စမ်းသပ်မှုသည် တသမတ်တည်းရလဒ်များကို ထုတ်ပေးပါသလား။ အကဲဖြတ်သူများအကြား ယုံကြည်စိတ်ချရမှု (kappa စာရင်းအင်း) သို့မဟုတ် စမ်းသပ်မှု-ပြန်လည်စမ်းသပ်မှု ယုံကြည်စိတ်ချရမှုဖြင့် တိုင်းတာသည်။
အကဲဖြတ်သူနှစ်ဦးအကြား သဘောတူညီချက်ကို ကံကြမ္မာထက် ကျော်လွန်၍ တိုင်းတာသည်။ κ = 1 (ပြီးပြည့်စုံသော သဘောတူညီချက်)၊ κ = 0 (ကံကြမ္မာထက် သဘောတူညီချက် မပိုပါ)၊ κ < 0 (ကံကြမ္မာထက် ပိုဆိုးသည်)။
အန္တရာယ်နှင့် ကုသမှုအကျိုးသက်ရောက်မှုကို တိုင်းတာခြင်း
ဒါကဖြစ်ပါသည် အစမ်းသပ်ခံရဆုံးဒေသ AKT စာရင်းအင်းများတွင်။ ဤဖော်မြူလာများကို သင်ကောင်းစွာသိရှိပြီး စာမေးပွဲအခြေအနေများအောက်တွင် အစမ်းဒေတာဇယားများတွင် အသုံးချနိုင်ရန် လိုအပ်ပါသည်။
သော့မက်ထရစ်များ
📊 NNT အဓိပ္ပာယ်ဖွင့်ဆိုချက် — ဂဏန်းတွေက တကယ်ဘာကိုဆိုလိုတာလဲ။
NNT က သင်ကုသဖို့လိုအပ်တဲ့ လူနာဘယ်နှစ်ယောက်ကို ပြောပြပေးပါလိမ့်။ တစ် အကျိုးရှိစေရန်။ ဒါကြောင့် ပိုနည်း အကျိုးကျေးဇူးတစ်ခုရရှိရန် သင်ကုသရန်လိုအပ်သော လူနာများလေလေ ကုသမှုပိုမိုထိရောက်လေလေဖြစ်သည်။ NNT = 2 ဆိုသည်မှာ လူနာ ၂ ယောက်တွင် ၁ ယောက် အကျိုးခံစားခွင့်ရှိသည်ကို ဆိုလိုသည် — အလွန်ကောင်းမွန်ပါသည်။ NNT = 100 ဆိုသည်မှာ အကျိုးကျေးဇူး ၁၀၀ တွင် ၁ ယောက်သာရှိသည်ကို ဆိုလိုသည် — များစွာအားနည်းပါသည်။
| NNT အကွာအဝေး | ကြမ်းတမ်းသော အဓိပ္ပာယ်ဖွင့်ဆိုချက် | ဥပမာ စကားစပ် |
|---|---|---|
| <10 | အလွန်ထိရောက်သော | အချို့သောရောဂါပိုးများအတွက် ပဋိဇီဝဆေးများ၊ အချို့သောပြင်းထန်သောကုသမှုများ |
| 10 - 50 | အလယ်အလတ်အကျိုးသက်ရောက်မှု | အဖြစ်များသော ကာကွယ်ဆေးများစွာ |
| > 100 | အားနည်းသောအကျိုးသက်ရောက်မှု | လူဦးရေအဆင့် ကြိုတင်ကာကွယ်ရေး မဟာဗျူဟာအချို့ |
ဤကန့်သတ်ချက်များသည် မဟုတ် NICE သို့မဟုတ် RCGP မှ — ၎င်းတို့သည် ကြမ်းတမ်းသော သင်ကြားရေး အထောက်အကူပစ္စည်းများသာ ဖြစ်သည်။ "မှန်ကန်သော" NNT သည် အမြဲတမ်း အကြောင်းအရာပေါ် မူတည်ပါသည်။
- NNT တစ်ခု ၁၀၀ က တန်ဖိုးရှိနေတုန်းပဲလား အကယ်၍ ရလဒ်သည် သေဆုံးခြင်း သို့မဟုတ် ပြင်းထန်သော မပြောင်းလဲနိုင်သော ထိခိုက်ဒဏ်ရာရရှိမှုအဖြစ် ကာကွယ်ခံရပါက
- NNT တစ်ခု ၅ ခုက လက်ခံနိုင်စရာ မရှိဘူး ကုသမှုတွင် မကြာခဏ သို့မဟုတ် ပြင်းထန်သော ဘေးထွက်ဆိုးကျိုးများရှိပါက
တစ်ကြောင်းတည်းသော စည်းမျဉ်း- NNT က လူနာတစ်ယောက်အတွက် သင်ကုသပေးမယ့် လူနာဘယ်နှစ်ယောက်ရဲ့ အကျိုးကျေးဇူးကို ပြောပြပါတယ် - အကျိုးသက်ရောက်မှုနည်းရင် ပိုပြင်းထန်ပါတယ်။ ဒါပေမယ့် ရလဒ်ရဲ့ပြင်းထန်မှုနဲ့ ကုသမှုရဲ့ဝန်ထုပ်ဝန်ပိုးကို အမြဲတမ်းချိန်ဆပါ။
လူနာ ၁၀၀ မှာ ၆၀ အကျိုးခံစားရရင် ARR က ၆၀% (= ၀.၆) ဖြစ်ပြီး NNT = ၁ ÷ ၀.၆ ≈ ဖြစ်ပါတယ်။ 1.7 — အလွန်ကောင်းမွန်သော ရလဒ်တစ်ခု။ NNT သည် အကျိုးခံစားရမည့် အရေအတွက် မဟုတ်ဘဲ သင်ရရှိရန် ရည်စူးထားသော အရေအတွက် ဖြစ်သည်။ တစ် အကျိုးကျေးဇူး။
📖 အခွင့်အလမ်းအချိုးနှင့် အန္တရာယ်အချိုး — ၎င်းတို့ကို မည်သည့်အချိန်တွင် အသုံးပြုသနည်း။
| အတိုင်းအတာ | တွင်အသုံးပြုသည်။ | စကားပြန်ချက် |
|---|---|---|
| ဆွေမျိုးအန္တရာယ် (RR) | အုပ်စုလိုက်လေ့လာမှုများ၊ RCT များ | အုပ်စုနှစ်စုတွင် အန္တရာယ်ကို တိုက်ရိုက်နှိုင်းယှဉ်သည်။ OR ထက် ပိုမိုထိုးထွင်းသိမြင်နိုင်သည်။ |
| အတိုးနှုန်း (OR) | ဖြစ်ရပ်ထိန်းချုပ်မှုလေ့လာမှုများ | ရောဂါဖြစ်ပွားမှုများနှင့် ထိန်းချုပ်မှုများတွင် ထိတွေ့မှုအခွင့်အလမ်းများကို နှိုင်းယှဉ်သည်။ ရောဂါရှားပါးသည့်အခါ RR ကို ခန့်မှန်းသည်။ |
| Hazard Ratio (HR) | ရှင်သန်မှု ခွဲခြမ်းစိတ်ဖြာခြင်း (ဖြစ်ရပ်အထိ အချိန်) | RR လိုပဲ ဒါပေမယ့် အဓိပ္ပါယ်ရှိပါတယ် အခါ, ဖြစ်ရပ်များသည် အချိန်နှင့်အမျှ ဖြစ်ပေါ်တတ်သည်။ HR <1 = ကုသမှုအုပ်စုတွင် အန္တရာယ်လျော့နည်းသွားသည်။ |
အဖြစ်များသောရောဂါများအတွက်၊ OR သည် RR နှင့်နှိုင်းယှဉ်ပါက အန္တရာယ်ကို လွန်ကဲစွာခန့်မှန်းသည်။ ရှားပါးရောဂါများ (ဖြစ်ပွားမှု ၁၀% အောက်) အတွက်၊ ၎င်းတို့သည် ခန့်မှန်းခြေအားဖြင့် တူညီကြသည်။ case-control လေ့လာမှုတစ်ခုသည် OR ကိုထုတ်ပေးသည် — သင် မပေးနိုင် case-control လေ့လာမှုမှ ဖြစ်ပွားမှုနှုန်း သို့မဟုတ် RR ကို တိုက်ရိုက်တွက်ချက်သည်။
🧮 အလုပ်လုပ်သော ဥပမာ — စမ်းသပ်ဒေတာမှ NNT တွက်ချက်ခြင်း
🎯 အခြေအနေ- Statin စမ်းသပ်မှု
၅ နှစ်ကြာ RCT အရ နှလုံးသွေးကြောဆိုင်ရာအန္တရာယ် မြင့်မားသောလူနာများတွင်- placebo အုပ်စုတွင် ၆% သည် နှလုံးဖောက်ပြန်ခြင်း ဖြစ်ပွားခဲ့ပြီး၊ statin အုပ်စုတွင် ၄% သာ ရှိကြောင်း ပြသထားသည်။
နှလုံးဖောက်ပြန်မှု ၁ ကြိမ် မဖြစ်အောင် လူနာ ၅၀ ကို ၅ နှစ်ကြာ ကုသပေး
အထင်ကြီးစရာပဲ! ဒါပေမယ့် အကျိုးကျေးဇူးက ၂% ပဲရှိတယ်။
statin အုပ်စုတွင် placebo အုပ်စုထက် အန္တရာယ် ၆၇% ရှိပြီး နှိုင်းယှဉ်ချက်အရ ၃၃% လျော့ကျမှုရှိသည်။
လူနာတစ်ယောက်က "ဒီ statin က ကျွန်တော့်ကို ကူညီပေးနိုင်မလား" လို့ မေးတဲ့အခါ NNT ကိုသုံးပါ။ "ခင်ဗျားလိုလူ ၅၀ က ဒီဆေးပြားကို ၅ နှစ်ကြာသောက်ရင် နှလုံးဖောက်ပြန်မှု ၁ ကြိမ်ကို ကာကွယ်ပေးနိုင်ပါတယ်။ ခင်ဗျားအတွက်ကတော့ ၂% အကျိုးအမြတ်ပဲ ရှိပါတယ်။" အဲဒါက "ခင်ဗျားရဲ့အန္တရာယ်ကို ၃၃% လျှော့ချပေးတယ်" ထက် အများကြီးပိုရိုးသားပါတယ်။
💬 လူနာများအား အန္တရာယ်အကြောင်း အသိပေးခြင်း (AKT အကြိုက်ဆုံး)
AKT သည် လူနာများအား စာရင်းအင်းဆိုင်ရာ အချက်အလက်များကို မည်သို့ရှင်းပြမည်ကို မကြာခဏ စမ်းသပ်လေ့ရှိသည်။ အဓိကပုံစံလေးမျိုးရှိသည်-
| ပုံစံ | နမူနာ | သည်အကောင်းဆုံး |
|---|---|---|
| သဘာဝအကြိမ်ရေ | "လူ ၁၀၀ မှာ ၅ ယောက်" | လူနာတွေအတွက် အလွယ်ဆုံးနားလည်နိုင်တဲ့ |
| ရာခိုင်နှုန်း | "လူ ၅%" | ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုကြသော်လည်း လမ်းလွဲစေနိုင်သည် |
| NNT | "ဖြစ်ရပ်တစ်ခု မဖြစ်အောင် ၂၀ ကို ကုသပါ" | အကျိုးကျေးဇူးအပြည့်အဝကို ရှင်းရှင်းလင်းလင်း ဖော်ပြသည် |
| ကိတ်စ်ရဲ့ ဇာတ်လမ်း | မျက်နှာ ၁၀၀ ၏ အမြင်အာရုံဇယားကွက် | မျှဝေဆုံးဖြတ်ချက်ချရန်အတွက် အကောင်းဆုံး အမြင်အာရုံအကူအညီ |
အခြေခံအန္တရာယ်ကို မပေးဘဲ "ဒါက သင့်ရဲ့အန္တရာယ်ကို ၃၃% လျှော့ချပေးတယ်" လို့ ပြောတာက မှားယွင်းပါတယ်။ အခြေခံ ၀.၃% ကနေ ၃၃% RRR ဆိုတာက သင့်ရဲ့ အကျိုးအမြတ်က ၀.၁% ရှိတယ်လို့ ဆိုလိုပါတယ်။ RRR ကို အခြေခံအန္တရာယ်နဲ့ အမြဲတမ်း တွဲသုံးပါ ဒါမှမဟုတ် အဲဒီအစား ARR/NNT ပေးပါ။
💊 ဆေးဝါးကိုယ်စားလှယ်လှည့်ကွက် — ဆေးဝါးကုမ္ပဏီများသည် စာရင်းအင်းများကို မည်သို့လှည့်ပတ်ကြသည်
ဆေးဝါးကုမ္ပဏီကိုယ်စားလှယ်များကို စမ်းသပ်မှုဒေတာများကို အကောင်းဆုံးအခြေအနေတွင် တင်ပြရန် လေ့ကျင့်သင်ကြားပေးထားပါသည်။ ၎င်းတို့သည် ရိုးရှင်းသော်လည်း ထိရောက်သော စာရင်းအင်းပညာကို အသုံးပြုကြသည်။
- အကျိုးကျေးဇူးများ → နှိုင်းရအန္တရာယ်လျှော့ချရေး (RRR) အဖြစ် ကိုးကားထားသည် — အဘယ်ကြောင့်ဆိုသော် ၎င်းသည် ပိုကြီးပြီး ပို၍ အထင်ကြီးစရာကောင်းသောကြောင့်ဖြစ်သည်
- အန္တရာယ်များ → Absolute Risk Increase (ARI) အဖြစ် ကိုးကားထားသည် — အဘယ်ကြောင့်ဆိုသော် ၎င်းသည် ပိုသေးငယ်ပြီး စိုးရိမ်မှုနည်းသည်ဟု ထင်ရသောကြောင့်ဖြစ်သည်
အလုပ်လုပ်သော ဥပမာ — စိတ်ကူးယဉ် statin ကိုယ်စားလှယ် လာရောက်လည်ပတ်မှု
statin ဆေးအသစ်တစ်မျိုးသည် ၅ နှစ်အတွင်း နှလုံးဖောက်ပြန်ခြင်းကို ၂% မှ ၁% အထိ လျော့ကျစေသော်လည်း၊ ကြွက်သားရောင်ရမ်းခြင်းကို ၁% မှ ၂% အထိ မြင့်တက်စေပါသည်။
ဖြေဆေး- အမြဲမေးတယ် - "လုံးဝကွာခြားချက်ကဘာလဲ။" ကိုယ်စားလှယ်တစ်ဦးသည် နှိုင်းရကိန်းဂဏန်းတစ်ခုကို ကိုးကားသောအခါ၊ ၎င်းကို သင်ကိုယ်တိုင်ပြောင်းလဲပါ- ARR = CER − EER၊ ထို့နောက် NNT = 1 ÷ ARR။ ၎င်းသည် အကျိုးခံစားခွင့်များအတွက်လည်း အညီအမျှသက်ဆိုင်သည်။ နှင့် ထိခိုက်စေသည်။
ရောဂါရှာဖွေစစ်ဆေးခြင်းနှင့် စစ်ဆေးခြင်း — ၂×၂ ဇယား
၂×၂ အရေးပေါ်ဇယားသည် ရောဂါရှာဖွေရေးစာရင်းအင်းအားလုံး၏ အခြေခံအုတ်မြစ်ဖြစ်သည်။ ဤဇယားကို သင်တည်ဆောက်ပြီး ဖတ်ရှုနိုင်ပါက ရောဂါရှာဖွေရေး AKT မေးခွန်းအများစုကို သင်ဖြေဆိုနိုင်ပါသည်။
၂×၂ စားပွဲ
| တကယ့်ရောဂါအခြေအနေ | ||
|---|---|---|
| စမ်းသပ်မှုရလဒ် | အနာ လက်ဆောင် | အနာ မရှိသော |
| စစ်ဆေးမှု အပြုသဘောဆောင်သည် | True Positive (TP) စစ်ဆေးမှုအရ ဟုတ်သည်ဟု ምናልባတ်ပြောသည် → ရောဂါရှိကြောင်း ✓ |
False Positive (FP) စစ်ဆေးမှုက ဟုတ်ပါတယ် → ရောဂါမရှိဘူးလို့ ပြောတာ ✗ |
| စစ်ဆေးမှု အနုတ်လက္ခဏာ | မှားယွင်းသော အနုတ်လက္ခဏာ (FN) စစ်ဆေးမှုအရ ရောဂါမရှိကြောင်း တွေ့ရှိရသည် → ရောဂါရှိကြောင်း တွေ့ရှိရသည် ✗ |
True Negative (TN) စစ်ဆေးမှုက ရောဂါမရှိဘူးလို့ပြောတယ် → ရောဂါမရှိဘူးလို့ပြောတယ် ✓ |
🧠 SnNout & SpPin — မှတ်ဉာဏ် အထောက်အကူပြုပစ္စည်းများ (နှင့် ၎င်းတို့ အဘယ်ကြောင့် အလုပ်လုပ်သနည်း)
Snထွက်: အလွန်မြင့်မားစွာ Senအပြုသဘောဆောင်သောစမ်းသပ်မှု၊ အကယ်၍ Nအပြုသဘောဆောင်သော၊ ရောဂါကို ထိန်းချုပ်သည် အထဲက.
ရောဂါပိုးကူးစက်ခံရနိုင်ခြေ အလွန်မြင့်မားပါက၊ စစ်ဆေးမှုရလဒ် အနုတ်လက္ခဏာဆောင်သည်ဟုဆိုလိုသည် (မှားယွင်း-အနုတ်လက္ခဏာဆောင်နှုန်း နည်းပါးသည်)။ ရောဂါရှာဖွေစစ်ဆေးရန်နှင့် ရောဂါမရှိကြောင်း ဖယ်ထုတ်ရန် ရောဂါပိုးကူးစက်ခံရနိုင်ခြေ မြင့်မားသော စစ်ဆေးမှုတစ်ခုကို အသုံးပြုပါ။
Spin: အလွန်မြင့်မားစွာ Spထိရောက်သောစမ်းသပ်မှု၊ အကယ်၍ Pအပြုသဘောဆောင်သော၊ ရောဂါကို ထိန်းချုပ်သည် In.
တိကျမှု အလွန်မြင့်မားပါက၊ စစ်ဆေးမှုရလဒ် အပေါင်းလက္ခဏာဆောင်ပါက ရောဂါဖြစ်နိုင်ခြေ အလွန်များသည်ဟု ဆိုလိုသည် (မှားယွင်းသော အပေါင်းလက္ခဏာဆောင်နှုန်း နည်းပါးသည်)။ ရောဂါရှာဖွေမှုကို အတည်ပြုရန် တိကျသော စစ်ဆေးမှုတစ်ခုကို အသုံးပြုပါ။
📊 PPV နှင့် NPV အပေါ် ပျံ့နှံ့မှု၏ အကျိုးသက်ရောက်မှု — အရေးကြီး AKT ခေါင်းစဉ်
၎င်းသည် ရောဂါရှာဖွေစာရင်းအင်းများတွင် အရေးကြီးဆုံးနှင့် စမ်းသပ်ပြီးသော အယူအဆများထဲမှ တစ်ခုဖြစ်သည်။ အာရုံခံနိုင်စွမ်းနှင့် တိကျမှုသည် စစ်ဆေးမှု၏ ပုံသေဂုဏ်သတ္တိများဖြစ်သည်။ သို့သော် PPV နှင့် NPV တို့သည် သင်စစ်ဆေးနေသော လူဦးရေတွင် ရောဂါမည်မျှအဖြစ်များသည်ပေါ် မူတည်၍ သိသိသာသာပြောင်းလဲသွားသည်။
| မြင်ကွင်း | ပျံ့နှံ့ | PPV အတွက် | NPV |
|---|---|---|---|
| ယေဘုယျလူဦးရေတွင် ရှားပါးရောဂါ (ဥပမာ- အန္တရာယ်နည်းသောနေရာတွင် HIV) ရှိမရှိ စစ်ဆေးခြင်း | 1% | အနိမ့် (~၁၆%) | မြင့်မားသော (~၉၅%) |
| အန္တရာယ်များသော အထူးကုဆေးခန်းတွင် စစ်ဆေးခြင်း | 50% | မြင့်မားသော (~၉၅%) | မြင့်မားသော (~၉၅%) |
- ပျံ့နှံ့မှု ↑ → PPV ↑၊ NPV ↓ အဖြစ်
- ပျံ့နှံ့မှုအနေဖြင့် ↓ → PPV ↓၊ NPV ↑
- ရောဂါဖြစ်ပွားမှုနှုန်းနည်းသော လူဦးရေတွင် အပြုသဘောဆောင်သော ရလဒ်အများစုသည် မှားယွင်းသော အပြုသဘောဆောင်မှုများ (PPV နည်း) ဖြစ်သည် — အလွန်တိကျသော စစ်ဆေးမှုတစ်ခုဖြင့်ပင်။
- ရောဂါဖြစ်ပွားမှုနှုန်းမြင့်မားသောလူဦးရေတွင် စစ်ဆေးမှုအနုတ်လက္ခဏာတစ်ခုသည် ရောဂါကို လွတ်သွားနိုင်သည် (NPV နိမ့်သည်)
📐 ဖြစ်နိုင်ခြေအချိုးများ — သင်ပိုမိုလုပ်ဆောင်လိုသည့်အခါ
ဖြစ်နိုင်ခြေအချိုး (LRs) များသည် အာရုံခံနိုင်စွမ်းနှင့် တိကျမှုကို စစ်ဆေးမှုရလဒ်တစ်ခုက ရောဂါဖြစ်နိုင်ခြေကို မည်မျှပြောင်းလဲစေသည်ကို ပြောပြသည့် တစ်ခုတည်းသော ဂဏန်းတစ်ခုအဖြစ် ပေါင်းစပ်ထားသည်။ PPV/NPV ထက် ပိုမိုအဆင့်မြင့်သော်လည်း အသုံးဝင်ပြီး ရံဖန်ရံခါ AKT တွင် စမ်းသပ်သည်။
| LR+ | စမ်းသပ်မှုအပြီးဖြစ်နိုင်ခြေအပေါ် အကျိုးသက်ရောက်မှု |
|---|---|
| > 10 | ဖြစ်နိုင်ခြေ ကြီးမားပြီး မကြာခဏ အပြီးသတ် တိုးလာခြင်း |
| 5-10 | အလယ်အလတ် တိုးတယ်။ |
| 2-5 | တိုးလာမှုအနည်းငယ် |
| 1 | ပြောင်းလဲမှု မရှိပါ (စမ်းသပ်မှုသည် အသုံးမဝင်ပါ) |
| 0.1-0.5 | အနည်းငယ်မှ အသင့်အတင့် ကျဆင်းမှု |
| ကျဆင်းမှု များပြားခြင်း — ပြင်းထန်သော အနုတ်လက္ခဏာဆောင်သော စည်းမျဉ်းဖယ်ထုတ်မှု |
လူဦးရေစာရင်းအင်းနှင့် ကူးစက်ရောဂါဗေဒ
📊 စံသတ်မှတ်ထားသော သေဆုံးမှုနှုန်း (SMR)
| SMR တန်ဖိုး | စကားပြန်ချက် |
|---|---|
| = 100 | သေဆုံးမှုနှုန်းသည် ရည်ညွှန်းလူဦးရေနှင့် အတူတူပင်ဖြစ်သည် |
| > 100 | အလွန်အကျွံသေဆုံးမှု (မျှော်မှန်းထားသည်ထက် မြင့်မားသည်) |
| <100 | မျှော်မှန်းထားသည်ထက် သေဆုံးမှုနှုန်း နည်းပါးခြင်း |
🎯 စစ်ဆေးခြင်း — ပို့ဆောင်ချိန်နှင့် ကြာချိန် ဘက်လိုက်မှု (အဓိက AKT ထောင်ချောက်များ)
ရောဂါရှာဖွေစစ်ဆေးခြင်းသည် ရောဂါကို စောစီးစွာတွေ့ရှိပြီး လူနာသည် တစ်ချိန်တည်းတွင် သေဆုံးသည့်တိုင် ရှင်သန်နိုင်မှုတိုးတက်လာသည်ဟု ထင်ရစေသည်။ "ရောဂါရှာဖွေတွေ့ရှိချိန်မှ အသက်ရှင်နိုင်သည့်အချိန်" ကို တကယ့်ကုသမှုအကျိုးကျေးဇူးဖြင့် မဟုတ်ဘဲ စောစောစီးစီးရှာဖွေတွေ့ရှိခြင်းဖြင့် တိုးချဲ့ခဲ့ခြင်းဖြစ်သည်။ လူနာသည် ပိုကြာကြာမနေထိုင်ပါ။ ၎င်းတို့သည် ပိုကြာကြာသိရုံသာဖြစ်သည်။
စစ်ဆေးရေးအစီအစဉ်များသည် အလျင်အမြန်တိုးတက်လာသော ရန်လိုသောရောဂါထက် နှေးကွေးစွာကြီးထွားပြီး ပျင်းရိသောရောဂါ ("ရှာဖွေတွေ့ရှိနိုင်သော လက်တွေ့မတိုင်မီအဆင့်" ပိုရှည်သည်) ကို ရှာဖွေတွေ့ရှိနိုင်ခြေပိုများသည်။ ၎င်းသည် ပြင်းထန်သောရောဂါအတွက် စစ်ဆေးခြင်းထက် ပိုမိုထိရောက်ပုံရသည်။
✅ Wilson & Jungner စိစစ်ရေး သတ်မှတ်ချက်
စစ်ဆေးရေးအစီအစဉ်တစ်ခု မမိတ်ဆက်မီ၊ ၎င်းသည် Wilson & Jungner စံနှုန်းများ (၁၉၆၈ ခုနှစ်တွင် မူလထုတ်ဝေခဲ့ပြီး၊ ယခုထိ စံသတ်မှတ်ချက်ဘောင်) နှင့် ကိုက်ညီရမည်။ AKT သည် ဤစံနှုန်းများအကြောင်း ဗဟုသုတနှင့် ၎င်းတို့ကို အခြေအနေများတွင် အသုံးချမှု နှစ်မျိုးလုံးကို စမ်းသပ်သည်။
| # | စံ | လက်တွေ့မှာ ဘာကိုဆိုလိုတာလဲ |
|---|---|---|
| 1 | အရေးကြီးတဲ့ ကျန်းမာရေးပြဿနာ | အခြေအနေတွင် သိသာထင်ရှားသော ရောဂါဖြစ်ပွားမှု သို့မဟုတ် သေဆုံးမှုနှုန်းရှိသည် — စစ်ဆေးရန် ကြိုးစားအားထုတ်ရကျိုးနပ်သည် |
| 2 | လက်ခံထားသော ကုသမှုရရှိနိုင်ပါသည် | မကုသနိုင်တဲ့ ရောဂါကို ရှာဖွေတွေ့ရှိဖို့ အဓိပ္ပာယ်မရှိပါဘူး |
| 3 | ရောဂါရှာဖွေခြင်းနှင့် ကုသခြင်းအတွက် အထောက်အကူပြု အထောက်အကူပြု အဆောက်အအုံများ ရှိပြီး | စတင်ခြင်းမပြုမီ အခြေခံအဆောက်အအုံများ ရှိရမည် |
| 4 | မှတ်မိနိုင်သော ငုပ်လျှိုးနေသော သို့မဟုတ် အစောပိုင်းအဆင့် | ရောဂါသည် ရောဂါလက္ခဏာမပြမီ အဆင့်တွင် တွေ့ရှိနိုင်သည် |
| 5 | သင့်တော်သော စမ်းသပ်မှု ရရှိနိုင်ပါသည် | စစ်ဆေးမှုသည် လူထုလက်ခံနိုင်ရမည်ဖြစ်ပြီး၊ ဘေးကင်းလုံခြုံရမည်ဖြစ်ပြီး၊ သင့်တင့်လျောက်ပတ်သော တိကျမှုရှိရမည်။ |
| 6 | လူဦးရေလက်ခံနိုင်သောစမ်းသပ်မှု | လူတွေက ဒါကို ခံယူဖို့ ဆန္ဒရှိရမယ် — ကျူးကျော်ဝင်ရောက်တဲ့ ဒါမှမဟုတ် မသက်မသာဖြစ်စေတဲ့ စစ်ဆေးမှုတွေက စုပ်ယူမှုကို ဟန့်တားနိုင်ပါတယ် |
| 7 | သဘာဝသမိုင်းကို ကောင်းစွာနားလည်ခြင်း | ကုသမှုမခံယူပါက ရောဂါမည်သို့ဖြစ်ပွားသည်ကို သိရှိထားရမည် |
| 8 | ဘယ်သူ့ကို ကုသပေးရမလဲဆိုတဲ့ သဘောတူညီချက်မူဝါဒ | ရှင်းလင်းသော ပရိုတိုကောများ လိုအပ်သည် - ထောက်လှမ်းခြင်းသာမက နောက်ဘာဆက်ဖြစ်မည်နည်း |
| 9 | ကုန်ကျစရိတ်-ထိရောက်သော | အမှုတစ်ခုချင်းစီကို ရှာဖွေခြင်း၏ ကုန်ကျစရိတ်နှင့် အကျိုးကျေးဇူးကို မျှတစွာ တွက်ချက်ရမည် |
| 10 | တစ်ကြိမ်တည်းမဟုတ်ဘဲ စဉ်ဆက်မပြတ်လုပ်ငန်းစဉ် | ရောဂါဖြစ်ပွားမှု ဆက်လက်ဖြစ်ပွားနေ — စစ်ဆေးမှုကို ဆက်လက်လုပ်ဆောင်ရမည် |
ဆီးကျိတ်ကင်ဆာအတွက် PSA စစ်ဆေးခြင်းသည် မဟုတ် NHS အမျိုးသား စစ်ဆေးရေး အစီအစဉ်၏ အစိတ်အပိုင်းတစ်ခု ဖြစ်သည်- PSA သည် လုံလောက်သော တိကျမှု စစ်ဆေးမှု မဟုတ်ပါ (တိကျမှု နည်းပါးခြင်း → မှားယွင်းသော အပေါင်းလက္ခဏာ အများအပြား)၊ နှင့် အဆင့်နိမ့် ဆီးကျိတ်ကင်ဆာ အများအပြား၏ သဘာဝသမိုင်းကြောင်းကြောင့် လူနာ၏ တစ်သက်တာတွင် ရောဂါလက္ခဏာများ ဘယ်တော့မှ မဖြစ်စေပါ။ ၎င်းသည် အလွန်အကျွံ ရောဂါရှာဖွေခြင်းနှင့် တိုက်ရိုက် ဆက်စပ်နေသည် (အောက်တွင် ကြည့်ပါ)။
🔍 အလွန်အကျွံရောဂါရှာဖွေခြင်း — ပြဿနာမဖြစ်စေမည့် ပြဿနာများကို ရှာဖွေခြင်း
အလွန်အကျွံရောဂါရှာဖွေခြင်းသည် တကယ့်ရောဂါတစ်ခု (တကယ်ရှိနေသော) ကို တွေ့ရှိသည့်အခါ ဖြစ်ပွားသော်လည်း ထိုရောဂါသည် ရောဂါလက္ခဏာများ၊ အန္တရာယ် သို့မဟုတ် သေဆုံးမှုကို ဘယ်သောအခါမှ မဖြစ်စေခဲ့ပါ လူနာရဲ့ တစ်သက်တာလုံးမှာ မတွေ့ရှိဘူးဆိုရင်ပေါ့။ ဒါဟာ မှားယွင်းတဲ့ အပေါင်းလက္ခဏာ မဟုတ်ပါဘူး (ရောဂါက တကယ်ရှိပါတယ်)။ ရှာဖွေဖို့ မလိုအပ်တဲ့ တကယ့် အပေါင်းလက္ခဏာပါ။
အလွန်အကျွံရောဂါရှာဖွေခြင်းသည် ကောင်းမွန်သူများကို လူနာများအဖြစ်သို့ ပြောင်းလဲပေးသည်။ ၎င်းသည် ၎င်းတို့အား ဘယ်သောအခါမှ ထိခိုက်မည်မဟုတ်သော အခြေအနေတစ်ခုအတွက် ကုသမှု၏ စိုးရိမ်ပူပန်မှု၊ ဘေးထွက်ဆိုးကျိုးများနှင့် အန္တရာယ်များကို ကြုံတွေ့ရစေသည်။ ၎င်းသည် စစ်ဆေးမှုအစီအစဉ်များ၏ အရေးကြီးဆုံးသော ဆိုးကျိုးများထဲမှ တစ်ခုဖြစ်ပြီး AKT မှ တိုက်ရိုက်စစ်ဆေးသည့် တစ်ခုဖြစ်သည်။
| အခွအေန | အလွန်အကျွံရောဂါရှာဖွေခြင်း ဥပမာ |
|---|---|
| ဆီးကျိတ်ကင်ဆာ | PSA မှ တွေ့ရှိရသည့် အဆင့်နိမ့်ကင်ဆာများစွာသည် ဘယ်တော့မှ တိုးတက်မလာဘဲ ရောဂါလက္ခဏာများ မပြဘဲ အမျိုးသားများ သေဆုံးကြသည်။ နှင့် မဟုတ်ဘူး၊ မှ သူတို့ကို |
| သိုင်းရွိုက်ကင်ဆာ | အာထရာဆောင်းဖြင့် သေးငယ်သော ပါပီလာရီ သိုင်းရွိုက်ကင်ဆာများကို တွေ့ရှိနိုင်သော်လည်း သေဆုံးမှုနှုန်းမှာ မပြောင်းလဲပါ။ |
| DCIS (ရင်သားကင်ဆာ) | ရင်သားဓာတ်မှန်ဖြင့် တွေ့ရှိရသည့် Ductal carcinoma in situ - အချို့မှာ ကျူးကျော်ကင်ဆာ မဖြစ်တော့ပါ။ |
အလွန်အကျွံရောဂါရှာဖွေခြင်း = ရှာဖွေရန်မလိုအပ်သော ရောဂါတစ်ခုကို ရှာဖွေခြင်း။ အလွန်အကျွံကုသမှု = ကုသရန်မလိုအပ်သော ရောဂါတစ်ခုကို ကုသခြင်း (အလွန်အကျွံရောဂါရှာဖွေပြီးနောက်တွင် ဖြစ်နိုင်သည် သို့မဟုတ် သီးခြားစီဖြစ်ပွားနိုင်သည်)။ ၎င်းတို့သည် ဆက်စပ်နေသော်လည်း ကွဲပြားသော အယူအဆများဖြစ်သည်။
🔢 အသက်အရွယ် စံသတ်မှတ်ခြင်း
လူဦးရေအမျိုးမျိုး (ဥပမာ- နိုင်ငံအမျိုးမျိုး၊ အချိန်ကာလအမျိုးမျိုး) အကြား ရောဂါဖြစ်ပွားနှုန်း သို့မဟုတ် သေဆုံးနှုန်းကို နှိုင်းယှဉ်သည့်အခါ ထိုလူဦးရေများတွင် အသက်အရွယ်အလိုက် ဖြန့်ကျက်မှု မတူညီနိုင်သည်ဟူသော အချက်ကို သင်ချိန်ညှိရန် လိုအပ်ပါသည်။ အသက်ကြီးသော လူဦးရေများသည် ၎င်းတို့၏ ကျန်းမာရေး ကောင်းမွန်နေသော်လည်း သေဆုံးမှုနှုန်း ပိုမိုမြင့်မားလေ့ရှိသည်။
အသက်အရွယ်စံသတ်မှတ်ခြင်းသည် လူဦးရေအကြား ကျန်းမာရေးရလဒ်များကို နှိုင်းယှဉ်သောအခါ အသက်အရွယ်အလိုက် ဖြန့်ဖြူးမှု မတူညီခြင်း၏ ပုံပျက်စေသော အကျိုးသက်ရောက်မှုကို ဖယ်ရှားပေးသည့် စာရင်းအင်းနည်းပညာတစ်ခုဖြစ်သည်။ ၎င်းသည် လူဦးရေနှစ်ခုလုံးတွင် အသက်အရွယ်ဖွဲ့စည်းပုံတူညီပါက တွေ့ရှိရမည့်နှုန်း ("စံလူဦးရေ") ကို ထုတ်လုပ်ပေးသည်။
🎗️ ကင်ဆာစာရင်းအင်းများ — AKT မဖြစ်မနေသိထားရမည့်အချက်များ
AKT သည် ရံဖန်ရံခါတွင် ကင်ဆာစာရင်းအင်းများကို စစ်ဆေးပါသည်။ သင်သည် ကင်ဆာဆေးပညာဆိုင်ရာ ပြည့်စုံသော ဗဟုသုတ မလိုအပ်သော်လည်း ဤအဓိက ကိန်းဂဏန်းများသည် ပေါ်လာပြီး သိထားသင့်ပါသည်။
| ကင်ဆာ | အဓိက စာရင်းအင်း | အဘယ်ကြောင့်ဒါဟာကိစ္စ |
|---|---|---|
| testicular ကင်ဆာ | ၁၀ နှစ်ကြာ ရှင်သန်နိုင်မှု ၉၈% ကျော် | ကုသရလွယ်ကူသော ကင်ဆာများထဲမှ တစ်ခု — လူငယ်အမျိုးသားများကို အကြံပေးရန်အတွက် သိထားသင့်သော အရေးကြီးသော ကင်ဆာများ |
| အဆုတ်ကင်ဆာ | ကင်ဆာရောဂါကြောင့် သေဆုံးမှု၏ အဓိကအကြောင်းရင်း (ယူကေ) | အဖြစ်အများဆုံးကင်ဆာမဟုတ်သော်လည်း အခြားကင်ဆာများထက် လူပိုမိုသေဆုံးစေသည် |
ကင်ဆာတစ်ခုဟာ မြင့်မားတဲ့ ဖြစ်ပွားမှု (အဖြစ်များသော်လည်း) နည်းပါးသည် သေဆုံးမှု (ကုသနိုင်သော) ရင်သားကင်ဆာကဲ့သို့။ သို့မဟုတ် ပန်ကရိယကင်ဆာကဲ့သို့ ဖြစ်ပွားမှုနှုန်းနည်းသော်လည်း သေဆုံးမှုနှုန်း အလွန်မြင့်မားနိုင်သည်။ AKT သည် ကင်ဆာစာရင်းအင်းများကို မှန်ကန်စွာ အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်စွမ်းကို စမ်းသပ်နိုင်သည် - အဖြစ်အများဆုံးကင်ဆာသည် အသေအပျောက်အများဆုံးဟု မယူဆပါနှင့်။
⚖️ ကျန်းမာရေး မညီမျှမှုများ
ကျန်းမာရေး မညီမျှမှုများသည် မတူညီသော လူအုပ်စုများအကြား ကျန်းမာရေးတွင် မတရားသော၊ ရှောင်ရှားနိုင်သော ကွာခြားချက်များကို ဖော်ပြသည်။ ၎င်းတို့သည် ယူကေပြည်သူ့ကျန်းမာရေးမူဝါဒ၏ အဓိကအာရုံစိုက်မှုတစ်ခုဖြစ်ပြီး AKT တွင် ကူးစက်ရောဂါဗေဒနှင့် ကျန်းမာရေး၏ လူမှုရေးဆိုင်ရာ ဆုံးဖြတ်ချက်များနှင့်အညီ ပေါ်လာသည်။
ကျန်းမာရေး မညီမျှမှုများသည် ကျန်းမာရေးအခြေအနေ သို့မဟုတ် မတူညီသောလူဦးရေအုပ်စုများအကြား ကျန်းမာရေးအဆုံးအဖြတ်ပေးသည့်အချက်များ ဖြန့်ဖြူးမှုတွင် မမျှတသော၊ ရှောင်ရှားနိုင်သော ကွာခြားချက်များ၎င်းတို့သည် "ရှောင်ရှားနိုင်သည်" ၊ အဘယ်ကြောင့်ဆိုသော် ၎င်းတို့သည် ကျပန်းတိုက်ဆိုင်မှု သို့မဟုတ် ဇီဝဗေဒဆိုင်ရာ ကွဲလွဲမှုများမှ မဟုတ်ဘဲ မူအရ ပြောင်းလဲနိုင်သော လူမှုရေး၊ စီးပွားရေး သို့မဟုတ် ပတ်ဝန်းကျင်အခြေအနေများမှ ပေါက်ဖွားလာသောကြောင့်ဖြစ်သည်။
| ပုံစံ | UK ရှိ ဥပမာများ |
|---|---|
| လူမှုစီးပွားရေး | ဆင်းရဲနွမ်းပါးသောဒေသများတွင် သက်တမ်းတိုခြင်း၊ ဆင်းရဲသောရပ်ရွာများတွင် နှလုံးသွေးကြောဆိုင်ရာရောဂါ၊ ဆီးချိုရောဂါနှင့် စိတ်ရောဂါများ ဖြစ်ပွားမှုနှုန်း မြင့်မားခြင်း |
| ပထဝီ | "မြောက်-တောင် ကွာဟချက်" — တောင်ပိုင်းနှင့် နှိုင်းယှဉ်ပါက မြောက်ပိုင်းအင်္ဂလန်ဒေသအချို့တွင် ကျန်းမာရေးရလဒ်များ ညံ့ဖျင်းခြင်း |
| တိုင်းရင်းသားရေးရာ | တောင်အာရှလူဦးရေတွင် အမျိုးအစား ၂ ဆီးချိုရောဂါဖြစ်ပွားမှုနှုန်း မြင့်မားနေပြီး လူမည်းလူဦးရေတွင် နှလုံးသွေးကြောဆိုင်ရာအန္တရာယ် မြင့်မားနေ |
| ကျား | အမျိုးသားများသည် သက်တမ်းတိုသော်လည်း အမျိုးသမီးများသည် ကျန်းမာရေးချို့ယွင်းမှု (ရောဂါဖြစ်ပွားမှု) နှစ်များ ပိုမိုများပြားသည် |
ဒေတာဖြန့်ဖြူးမှုနှင့် စာရင်းအင်းဆိုင်ရာ အရေးပါမှု
Central Tendency ၏ ဆောင်ရွက်ချက်များ
| အတိုင်းအတာ | အဓိပ္ပာယ် | ဘယ်အချိန်မှာ အကောင်းဆုံးသုံးလဲ။ | သတိထား |
|---|---|---|---|
| ဆိုလို | တန်ဖိုးအားလုံး၏ ပေါင်းလဒ် ÷ တန်ဖိုးအရေအတွက် | ဒေတာကို ပုံမှန်အားဖြင့် ဖြန့်ဝေထားသည် | ပြင်ပအချက်များကြောင့် အလွယ်တကူ စောင်းမြောင်းခံရခြင်း |
| ပျမ်းမျှ | အစီအစဉ်အတိုင်း စီထားသောအခါ အလယ်အလတ်တန်ဖိုး။ ရှိပါက စုံဂဏန်း တန်ဖိုးများ၏၊ အလယ်အလတ်ကိန်းသည် အလယ်ဂဏန်းနှစ်ခု၏ ပျမ်းမျှဖြစ်သည်။ | ကွဲလွဲနေသော အချက်အလက် (ဥပမာ- ဝင်ငွေ၊ ဆေးရုံတက်ရသည့်ကြာချိန်) | အစွန်းရောက်များတွင် တကယ့်တန်ဖိုးများကို လျစ်လျူရှုသည် |
| ပုံ | အဖြစ်အများဆုံးတန်ဖိုး | အမျိုးအစားအလိုက်ဒေတာ; နှစ်ပုံစံဖြန့်ဖြူးမှုများ | စဉ်ဆက်မပြတ်ဒေတာဖြင့် အဓိပ္ပာယ်မရှိနိုင်ပါ။ |
| အကွာအဝေး | အများဆုံး − အနည်းဆုံး | ပျံ့နှံ့မှုကို လျင်မြန်စွာ ခံစားရခြင်း | ပြင်ပအချက်များဖြင့် အပြည့်အဝဆုံးဖြတ်ထားသည် |
| IQR (Interquartile Range) | ၇၅ ရာခိုင်နှုန်း − ၂၅ ရာခိုင်နှုန်း | စောင်းနေသောဒေတာအတွက် အလယ်အလတ်နှင့် တွဲထားသည် | အပေါ်နှင့်အောက် ၂၅% ကို လျစ်လျူရှုထားသည် |
| စံသွေဖည်မှု (SD) | ပျမ်းမျှမှ ပျမ်းမျှပျံ့နှံ့မှု | ပုံမှန်ဖြန့်ဝေထားသောဒေတာ | ဒေတာကို ပုံမှန်ဖြန့်ဝေမထားပါက လမ်းလွဲစေသည် |
🗂️ ဒေတာအမျိုးအစားများ — အမည်ခံ၊ အစဉ်လိုက်၊ ကြားကာလ၊ အချိုး
ဘာကိုနားလည်လဲ။ ပုံစံ သင်ရရှိထားသော အချက်အလက်ပမာဏသည် မည်သည့်အကျဉ်းချုပ်စာရင်းအင်းများနှင့် မည်သည့်စာရင်းအင်းစစ်ဆေးမှုများသည် သင့်လျော်သည်ကို ဆုံးဖြတ်ပေးသည်။ AKT သည် ၎င်းကို စမ်းသပ်သည် - များသောအားဖြင့် dataset တစ်ခုကို တင်ပြပြီး မည်သည့်စမ်းသပ်မှု သို့မဟုတ် တိုင်းတာမှုကို အသုံးပြုရမည်ကို မေးမြန်းခြင်းဖြင့် ဖြစ်သည်။
| ပုံစံ | အဓိပ္ပာယ် | ဥပမာ | နှိုင်းယှဉ်မယ်ဆိုရင် |
|---|---|---|---|
| အမည်ခံ | သဘာဝအလျောက် အစီအစဉ်မရှိသော အမျိုးအစားများ | သွေးအုပ်စု (A, B, AB, O)၊ ကျား/မ၊ မျက်လုံးအရောင်၊ သေဆုံးရသည့်အကြောင်းရင်း | သစ်သီးပန်းကန်လုံး — ပန်းသီးနဲ့ ငှက်ပျောသီးက ကွာခြားပါတယ်၊ ဘယ်ဟာကမှ "ပို" တာ မဟုတ်ပါဘူး |
| သာမန် | အမျိုးအစားများကို အစီအစဉ်တကျ စီစဉ်ထားသော်လည်း ၎င်းတို့အကြား ကွာဟချက်များသည် မဟုတ် မဖြစ်မနေ တန်းတူညီမျှ | NYHA နှလုံးခုန်ရပ်ခြင်း အမျိုးအစား (I–IV); နာကျင်မှု အဆင့် (အပျော့စား/အလယ်အလတ်/ပြင်းထန်); Likert အဆင့်များ | ပြိုင်ပွဲအဆင့်များ — ပထမ၊ ဒုတိယ၊ တတိယ။ ကျွန်ုပ်တို့ အစီအစဉ်အတိုင်း သိပါသည်၊ သို့သော် ပထမနှင့် ဒုတိယကြား ကွာဟချက်သည် ဒုတိယနှင့် တတိယကြား ကွာဟချက်နှင့် အလွန်ကွာခြားနိုင်ပါသည်။ |
| ကြားဖြတ် | တန်ဖိုးများအကြား ညီမျှသောကွာဟချက်များဖြင့် စီစဉ်ပေးထားသော်လည်း၊ သုညအစစ်အမှန်မရှိ | °C ဖြင့် အပူချိန်၊ ပြက္ခဒိန်ရက်စွဲများ၊ IQ ရမှတ်များ | သာမိုမီတာ — ၀°C ဆိုတာ "အပူချိန်မရှိ" လို့ မဆိုလိုပါဘူး။ ၂၀°C ဟာ ၁၀°C ထက် "နှစ်ဆပိုနွေးတယ်" လို့ လုံးဝပြောလို့မရပါဘူး။ |
| အချိုးအစား | အစီအစဉ်တကျ၊ ညီမျှသော ကွာဟချက်များ၊ နှင့် စစ်မှန်သော ပကတိသုည | အရပ်၊ ကိုယ်အလေးချိန်၊ သွေးပေါင်ချိန်၊ အသက်၊ ဝင်ငွေ၊ ဆေးဝါးပမာဏ | ငွေကြေး — ပေါင် 0 ဆိုသည်မှာ သင်၌ အမှန်တကယ် ဘာမှမရှိဟု ဆိုလိုသည်။ ပေါင် 40 သည် ပေါင် 20 ထက် နှစ်ဆပိုများသည်။ |
- အမည်ခံ/ အစဉ်လိုက်ဒေတာ → ပျမ်းမျှအတွက် non-parametric စမ်းသပ်မှုများ၊ mode သို့မဟုတ် median ကို အသုံးပြုပါ။
- ကြားကာလ/အချိုးဒေတာ (ပုံမှန်ဖြန့်ဝေထားသည်) → ပျမ်းမျှ၊ SD၊ ပါရာမက်ထရစ် စမ်းသပ်မှုများကို အသုံးပြုနိုင်သည်
- သငျသညျ ပျမ်းမျှကို အဓိပ္ပာယ်ရှိရှိ တွက်ချက်၍မရပါ အမည်ခံဒေတာအတွက် (ဥပမာ "ပျမ်းမျှသွေးအုပ်စု" သည် အဓိပ္ပါယ်မရှိပါ) သို့မဟုတ် ကြားကာလဒေတာဖြင့် အချိုးကျဖော်ပြချက်များပြုလုပ်ပါ (IQ ၁၂၀ ရှိသောသူသည် ၆၀ ရှိသောသူထက် "နှစ်ဆထက်မြက်သည်" ဟု သင်ပြော၍မရပါ)
🔬 ကန့်သတ်ချက်နှင့် ကန့်သတ်ချက်မဟုတ်သော စမ်းသပ်မှုများ
စာရင်းအင်းစစ်ဆေးမှုများသည် သင့်ဒေတာနှင့်ပတ်သက်သည့် ၎င်းတို့ပြုလုပ်ထားသော ယူဆချက်များပေါ် မူတည်၍ မိသားစုနှစ်စု ခွဲခြားနိုင်သည်။ AKT သည် မည်သည့်စစ်ဆေးမှုအမျိုးအစားသည် ပေးထားသောအခြေအနေအတွက် သင့်လျော်သည်ကို စစ်ဆေးသည် - သင်သည် တွက်ချက်မှုများကို လုပ်ဆောင်ရန် မလိုအပ်ပါ၊ မည်သည့်အချိန်တွင် အသုံးပြုရမည်ကိုသာ သိပါ။
ကန့်သတ်ချက်စမ်းသပ်မှုများ ဒေတာသည် ပုံမှန်ဖြန့်ဝေထားသည် (သို့မဟုတ် နမူနာသည် အရေးမကြီးလောက်အောင် ကြီးမားသည်) နှင့် ဒေတာသည် အနည်းဆုံး interval-level ဖြစ်သည်ဟု ယူဆပါ။ ကန့်သတ်ချက်မရှိသော စမ်းသပ်မှုများ ထိုကဲ့သို့သော ယူဆချက်များ မပြုပါနှင့် — ၎င်းတို့သည် အဆင့်များ သို့မဟုတ် အမျိုးအစားများဖြင့် အလုပ်လုပ်ပြီး စောင်းနေသောဒေတာ၊ နမူနာငယ်များ သို့မဟုတ် အစဉ်လိုက်/အမည်ခံဒေတာအတွက် သင့်လျော်ပါသည်။
| ရည်ရွယ်ချက် | ကန့်သတ်ချက်စမ်းသပ်မှု | ကန့်သတ်ချက်မရှိသော ညီမျှမှု |
|---|---|---|
| လွတ်လပ်သောအုပ်စု ၂ ခု၏ ပျမ်းမျှတန်ဖိုးများကို နှိုင်းယှဉ်ပါ | လွတ်လပ်သော t-စမ်းသပ်မှု | မန်း-ဝှစ်နီ ယူ စစ်ဆေးမှု |
| နှိုင်းယှဉ်ခြင်းဆိုသည်မှာ တူညီသောအုပ်စု၊ အချိန်အမှတ် ၂ ခု | တွဲထားသော t-test | Wilcoxon လက်မှတ်ရေးထိုးထားသော အဆင့်စစ်ဆေးမှု |
| အုပ်စု ၃ ခု သို့မဟုတ် ၃ ခုထက်ပိုသော အုပ်စုများ၏ ပျမ်းမျှတန်ဖိုးများကို နှိုင်းယှဉ်ပါ | ANOVA (ကွဲလွဲမှု ခွဲခြမ်းစိတ်ဖြာခြင်း) | Kruskal-Wallis စမ်းသပ်မှု |
| စဉ်ဆက်မပြတ်ပြောင်းလဲနေသော ကိန်းရှင်နှစ်ခုကြား ဆက်စပ်မှု | ပီယာဆန် ဆက်စပ်မှု | Spearman အဆင့် ဆက်စပ်မှု |
| အချိုးအစားများ / အမျိုးအစားအလိုက် ဒေတာများကို နှိုင်းယှဉ်ပါ | - | ချီ-စကွဲ စမ်းသပ်မှု (χ²) |
- Data ဖြစ်ပါ တယ်။ skewed or ပုံမှန်အားဖြင့် မဖြန့်ဝေသော → ကန့်သတ်ချက်မရှိသော အချက်အလက်များကို အသုံးပြုပါ
- နမူနာအရွယ်အစားအသေး (နှင့် ပုံမှန်ဖြစ်မှု မသေချာပါ) → non-parametric ကိုသုံးပါ
- Data ဖြစ်ပါ တယ်။ ထုံးစံ (ဥပမာ နာကျင်မှုရမှတ်များ၊ Likert) → non-parametric ကိုသုံးပါ
- နှိုငျးယှဉျ အချိုးအစားများ သို့မဟုတ် အမျိုးအစားများ → ချီ-စကွဲယား စမ်းသပ်မှု
- နမူနာကြီး၊ စဉ်ဆက်မပြတ်၊ ခန့်မှန်းခြေအားဖြင့် ပုံမှန် → ပါရာမက်ထရစ် စမ်းသပ်မှု အဆင်ပြေပါသည်
🔔 ပုံမှန်ဖြန့်ဖြူးမှု — ၆၈-၉၅-၉၉.၇ စည်းမျဉ်း
ပုံမှန်ဖြန့်ဖြူးမှုဆိုသည်မှာ ခေါင်းလောင်းပုံသဏ္ဍာန် မျဉ်းကွေးတစ်ခုဖြစ်သည်။ ပျမ်းမျှ၊ အလယ်အလတ် နှင့် မုဒ်တို့သည် အားလုံးတူညီပြီး အလယ်ဗဟိုတွင် တည်ရှိသည်။
| အကွာအဝေး | ပါဝင်သည့်တန်ဖိုးများ၏ % |
|---|---|
| ပျမ်းမျှ ± 1 SD | 68% |
| ပျမ်းမျှ ± 2 SD | 95% |
| ပျမ်းမျှ ± 3 SD | 99.7% |
အပြုသဘောဆောင်သော ကွဲလွဲနေသော အချက်အလက် (ဥပမာ- ဝင်ငွေ၊ GP စောင့်ဆိုင်းချိန်များ၊ ဆောင်တစ်ခုရှိ သွေးရည်ကြည် bilirubin) ဖြင့်၊ ပျမ်းမျှကို မြင့်မားသော outliers အနည်းငယ်ဖြင့် ညာဘက်သို့ ဆွဲယူသည်။ ဤကိစ္စတွင်၊ ပျမ်းမျှ — ၎င်းသည် ပုံမှန်တန်ဖိုးကို ပိုမိုကောင်းမွန်စွာ ကိုယ်စားပြုသည်။ AKT သည် ဤခြားနားချက်ကို စမ်းသပ်ခြင်းကို နှစ်သက်သည်။
📉 P-တန်ဖိုးများနှင့် ယုံကြည်မှုကြားကာလများ — ၎င်းတို့၏ အမှန်တကယ် အဓိပ္ပာယ်
P-တန်ဖိုးများ
p-တန်ဖိုးဆိုသည်မှာ မြင်တွေ့ရသည့်ရလဒ်များကဲ့သို့ အနည်းဆုံး အစွန်းရောက်သောရလဒ်များကို လေ့လာတွေ့ရှိနိုင်ခြေဖြစ်သည် အကယ်၍ null hypothesis မှန်ကန်ပါက (ဆိုလိုသည်မှာ တကယ့်အကျိုးသက်ရောက်မှုမရှိပါက)။ ၎င်းသည် မဟုတ် null hypothesis မှန်ကန်နိုင်ခြေ။
| p-တန်ဖိုးကို | စကားပြန်ချက် |
|---|---|
| p <0.05 | စာရင်းအင်းအရ သိသာထင်ရှားမှု — ဤရလဒ်သည် မတော်တဆဖြစ်ပွားနိုင်ခြေ ၅% အောက်သာရှိသည် |
| p> 0.05 | စာရင်းအင်းအရ သိသာထင်ရှားမှု မရှိပါ — ရလဒ်သည် မတော်တဆမှုကြောင့် ဖြစ်နိုင်သည် |
| p = ၂၉ | တကယ့်အကျိုးသက်ရောက်မှုမရှိရင် ဒီရလဒ်ရဖို့ ၁% အခွင့်အလမ်းရှိတယ် |
ယုံကြည်မှုကြားကာလများ (CIs)
၉၅% CI ဆိုသည်မှာ- သင်သည် လေ့လာမှုအား ၁၀၀ ကြိမ် ထပ်ခါတလဲလဲ ပြုလုပ်ပါက၊ ထိုအကြိမ်များအနက် ၉၅ ကြိမ်တွင် အမှန်တကယ် လူဦးရေတန်ဖိုးသည် ဤအပိုင်းအခြားအတွင်း ကျရောက်မည်ဖြစ်သည်။
- တစ်ဘို့ အချိုးအစား (RR, OR, HR): CI ၉၅% ပါဝင်ပါက 1.0 → စာရင်းအင်းအရ သိသာထင်ရှားမှု မရှိပါ။
- တစ်ဘို့ ခြားနားချက် (ပျမ်းမျှကွာခြားချက်၊ ARR): CI ၉၅% ပါဝင်ပါက 0 → စာရင်းအင်းအရ သိသာထင်ရှားမှု မရှိပါ။
- CI သည် ၁ (အချိုးများအတွက်) လုံးဝအထက်တွင်ရှိပါက → အန္တရာယ်သိသိသာသာတိုးလာသည်
- CI သည် ၁ အောက် လုံးဝရှိနေပါက (အချိုးများအတွက်) → အန္တရာယ်ကို သိသိသာသာ လျှော့ချပေးသည်
❌ အမျိုးအစား I နှင့် အမျိုးအစား II အမှားများ — ငိုနေသောဝံပုလွေ vs ဝံပုလွေကို လွမ်းဆွတ်ခြင်း
အမှန်တကယ်မှန်ကန်သော်လည်း null hypothesis ကိုငြင်းပယ်ခြင်း။ တစ်နည်းအားဖြင့်ဆိုရသော် ကုသမှုတစ်ခုသည် အလုပ်မဖြစ်သည့်အခါ အလုပ်ဖြစ်သည်ဟု ကောက်ချက်ချခြင်း။ false positive rate။ 5% တွင် ရိုးရာအစဉ်အလာအရ လက်ခံနိုင်သည် (α = 0.05၊ p < 0.05)။
"ငိုနေသောဝံပုလွေ" — ဝံပုလွေမရှိသည့်အခါ အချက်ပေးသံမြည်ခြင်း။
အမှန်တကယ် မှားယွင်းနေချိန်တွင် null hypothesis ကို ငြင်းပယ်ရန် ပျက်ကွက်ခြင်း။ တစ်နည်းအားဖြင့်- စစ်မှန်သော ကုသမှုအကျိုးသက်ရောက်မှု ပျောက်ဆုံးခြင်း။ မှားယွင်းသော အနုတ်လက္ခဏာနှုန်း။ 20% (β = 0.2၊ power = 80%) တွင် ရိုးရာအစဉ်အလာအရ လက်ခံနိုင်သည်။
"ဝံပုလွေကို လွမ်းတယ်" — ဝံပုလွေရှိလျက်နဲ့ မရှိဘူးလို့ ပြောခြင်း။
ပါဝါ = 1 − β။ ၎င်းသည် စစ်မှန်သောအကျိုးသက်ရောက်မှုကို မှန်ကန်စွာ ထောက်လှမ်းနိုင်ခြေဖြစ်သည်။ ပါဝါမြင့် = စစ်မှန်သောအကျိုးသက်ရောက်မှုကို လွတ်သွားနိုင်ခြေ နည်းပါးသည်။ ပါဝါသည် နမူနာအရွယ်အစား ကြီးလာသည်နှင့်အမျှ တိုးလာသည်။ ကောင်းမွန်စွာ ဒီဇိုင်းထုတ်ထားသော စမ်းသပ်မှုတစ်ခုသည် ပါဝါ ၈၀% ထက် ပိုမိုလိုအပ်သည်။
⚡ စာရင်းအင်းဆိုင်ရာ အရေးပါမှု ≠ ဆေးခန်းဆိုင်ရာ အရေးပါမှု
ဒါက AKT စာရင်းအင်းတွေမှာ အရေးအကြီးဆုံးနဲ့ အစမ်းသပ်ခံရဆုံး သိမ်မွေ့တဲ့အချက်တွေထဲက တစ်ခုဖြစ်ပြီး သင်တန်းသားတော်တော်များများ လွတ်သွားတဲ့ အချက်တစ်ခုပါ။
ရလဒ်တစ်ခု ဖြစ်နိုင်တယ် စာရင်းအင်းအရ သိသာထင်ရှားသည်။ (p < 0.05) ဖြစ်နေစဉ် ဆေးပညာအရ အဓိပ္ပါယ်မရှိသောစာရင်းအင်းဆိုင်ရာ အရေးပါမှုက ရလဒ်ဟာ တိုက်ဆိုင်မှုကြောင့် မဖြစ်နိုင်ဘူးလို့သာ ပြောပြနေပါတယ် — လို့ ဆိုပါတယ်။ ဘာမြှ အကျိုးသက်ရောက်မှုသည် လက်တွေ့တွင် အရေးပါလောက်အောင် ကြီးမားခြင်း ရှိ၊ မရှိနှင့် ပတ်သက်၍။
| မြင်ကွင်း | စာရင်းအင်းအရ သိသာထင်ရှားပါသလား။ | ဆေးပညာအရ အရေးကြီးပါသလား။ |
|---|---|---|
| သွေးပေါင်ချိန် ၁၂ mmHg ကျဆင်း၊ n=၅၀၀၊ p=၀.၀၂ | Yes | အဘယ်သူမျှမ |
| သွေးပေါင်ချိန် ၁၂ mmHg ကျဆင်း၊ n=၅၀၀၊ p=၀.၀၂ | အဘယ်သူမျှမ | ဖြစ်နိုင်တယ်။ |
| သွေးပေါင်ချိန် ၁၂ mmHg ကျဆင်း၊ n=၅၀၀၊ p=၀.၀၂ | Yes | Yes |
အမြဲတမ်း ကြည့်ပါ အကျိုးသက်ရောက်မှုအရွယ်အစား (ARR၊ NNT၊ ပျမ်းမျှကွာခြားချက်) ကို p-တန်ဖိုးများနှင့် CIs များနှင့်အတူ ကြည့်ပါ။ သုည သို့မဟုတ် တစ်ခုကို ဖယ်ထုတ်သည့် ကျဉ်းမြောင်းသော ယုံကြည်မှုကြားကာလသည် p-တန်ဖိုးတစ်ခုတည်းထက် ပို၍ အဓိပ္ပာယ်ရှိသည် — ၎င်းသည် အကျိုးသက်ရောက်မှု၏ ဦးတည်ရာနှင့် တိကျမှု နှစ်မျိုးလုံးကို သင့်အား ပြောပြသည်။
- ကျဉ်းမြောင်းသော CI → တိကျသော ခန့်မှန်းချက် → ယုံကြည်မှု မြင့်မားခြင်း စစ်မှန်သော တန်ဖိုးသည် အမှတ်ခန့်မှန်းချက်နှင့် နီးစပ်သည် (များသောအားဖြင့် ကြီးမားသော နမူနာမှ)
- ကျယ်ပြန့်သော CI → မသေချာသော ခန့်မှန်းချက် → တကယ့်တန်ဖိုးသည် ကျယ်ပြန့်သော အတိုင်းအတာအတွင်း မည်သည့်နေရာတွင်မဆို ရှိနိုင်သည် (များသောအားဖြင့် သေးငယ်သော သို့မဟုတ် ကွဲပြားသော နမူနာမှ)
ဥပမာ- RR = 1.5 (95% CI 1.4–1.6) → တိကျသည်၊ ယုံကြည်စိတ်ချရသည်။ RR = 1.5 (95% CI 0.6–3.8) → ကျယ်သည်၊ မသေချာသည် — နှင့် 1.0 ကို ဖြတ်ကျော်နေသောကြောင့် အရေးမကြီးပါ။
📈 ပျမ်းမျှတန်ဖိုးသို့ နောက်ပြန်ဆုတ်ခြင်း — ဆေးခန်းလက်တွေ့လုပ်ဆောင်မှု၏ လျှို့ဝှက်ရှုပ်ထွေးမှု
ပျမ်းမျှသို့ ဆုတ်ယုတ်ခြင်းဆိုသည်မှာ အစွန်းရောက်တိုင်းတာမှုတစ်ခုသည် ဒုတိယတိုင်းတာမှုတွင် ပျမ်းမျှနှင့် ပိုမိုနီးကပ်လာရန် စာရင်းအင်းဆိုင်ရာ လမ်းကြောင်းဖြစ်သည်။ မည်သည့်ဝင်ရောက်စွက်ဖက်မှုမှမပါဘဲ၎င်းသည် ဆေးပညာတွင် မှားယွင်းသော နိဂုံးချုပ်ချက်များ၏ လူသိနည်းဆုံး အရင်းအမြစ်များထဲမှ တစ်ခုဖြစ်သည်။
လူနာများကို ၎င်းတို့၏ ရောဂါလက္ခဏာများ သို့မဟုတ် တိုင်းတာမှုများ အဆိုးဆုံးဖြစ်နေချိန်တွင် တိကျစွာ စုံစမ်းစစ်ဆေးခြင်း သို့မဟုတ် ကုသမှုပေးလေ့ရှိသည်။ သဘာဝအလျောက် ကွဲပြားမှုဆိုသည်မှာ ထိုတိုင်းတာမှုများသည် ပြန်လည်စစ်ဆေးခြင်းတွင် မည်သို့ပင်ဖြစ်စေ တိုးတက်ကောင်းမွန်လာဖွယ်ရှိသည် - သင်၏ ဝင်ရောက်စွက်ဖက်မှုကြောင့် မဟုတ်ပါ။ ထိန်းချုပ်အဖွဲ့မရှိဘဲ ပျမ်းမျှသို့ နောက်ပြန်ဆုတ်ခြင်းနှင့် စစ်မှန်သော ကုသမှုအကျိုးသက်ရောက်မှုကို ခွဲခြားရန် မဖြစ်နိုင်ပါ။
| မြင်ကွင်း | ကုသမှုရဲ့ အကျိုးသက်ရောက်မှုက ဘယ်လိုပုံစံမျိုးလဲ | တကယ်ဘာတွေဖြစ်လာနိုင်လဲ |
|---|---|---|
| လူနာသည် တစ်ကြိမ်စာတွင် သွေးပေါင်ချိန် အလွန်မြင့်မားနေပါက → ဆေးစတင်သောက်သုံးခြင်း → နောက်တစ်ကြိမ်လာရောက်ပြသချိန်တွင် သွေးပေါင်ချိန် ကျဆင်းသွားခြင်း | ဆေးက အလုပ်လုပ်တယ် | ပထမဆုံး တိုင်းတာမှုက လွဲမှားနေနိုင်ပါတယ်။ ထပ်ခါတလဲလဲ တိုင်းတာတဲ့အခါ BP က ပိုနည်းနေမှာပါ။ |
| ကျောင်းသားသည် စာမေးပွဲတွင် အမှတ်အလွန်ညံ့ဖျင်းသည် → အပိုပညာသင်ကြားမှုရရှိသည် → နောက်တစ်ကြိမ်တွင် အမှတ်များပိုကောင်းလာသည် | ကျူရှင်က ကူညီပေးခဲ့တယ် | ညံ့ဖျင်းသောရမှတ်သည် ကိုယ်စားပြုမှုမဖြစ်နိုင်ပါ။ သဘာဝစွမ်းဆောင်ရည်သည် ၎င်းတို့၏ပျမ်းမျှအဆင့်သို့ ဦးတည်သွားသည် |
| နှင်းခူရောဂါ ပြင်းထန်စွာ ပေါ်လာသော လူနာသည် ခရင်မ်အသစ် စတင်သုံးစွဲသည် → ရောင်ရမ်းမှု သက်သာလာသည် | ခရင်မ်က ထိရောက်မှုရှိတယ် | ပြင်းထန်သော ရောင်ရမ်းမှုများသည် ကုသမှုမခံယူဘဲ အချိန်ကြာလာသည်နှင့်အမျှ သဘာဝအတိုင်း ပျောက်ကင်းသွားတတ်ပါသည်။ |
- ယူ အခြေခံတိုင်းတာမှုများစွာ ကုသမှုမစတင်မီ ပျမ်းမျှကို အသုံးပြုပါ
- တစ်ဦးကိုသုံးပါ ထိန်းချုပ်မှုအုပ်စု — ပျမ်းမျှသို့ ဆုတ်ယုတ်မှုသည် အုပ်စုနှစ်စုလုံးကို တူညီစွာ သက်ရောက်မှုရှိသောကြောင့် အုပ်စုများအကြား ကွာခြားချက်တိုင်းသည် တကယ့်ကုသမှုအကျိုးသက်ရောက်မှု ဖြစ်နိုင်ခြေပိုများပါသည်။
- ဒါက အခိုင်မာဆုံး အကြောင်းပြချက်တွေထဲက တစ်ခုပါ မထိန်းချုပ်နိုင်သော လေ့လာမှုများ၏ မတိုင်မီနှင့် ပြီးနောက် လေ့လာမှုများအပေါ် RCT များ
စာရင်းအင်းဇယားများ — ရှာဖွေရမည့်အရာများ
AKT က ဂရပ်တွေကို ပုံမှန်တင်ပြပြီး အဓိပ္ပာယ်ဖွင့်ဆိုဖို့ သင့်အား တောင်းဆိုပါတယ်။ ဂရပ်အမျိုးအစားတစ်ခုချင်းစီရဲ့ အဓိကအင်္ဂါရပ်ကို ရှာဖွေဖော်ထုတ်နည်းကို လေ့လာပါ - အားလုံးကို ဖတ်ဖို့ မကြိုးစားပါနဲ့။ ပစ်မှတ်ထား လေ့လာတွေ့ရှိချက်တစ်ခုတည်းနဲ့သာ လိုအပ်တာပါ။
| ဂရပ်အမျိုးအစား | အဓိကအသုံးပြုမှု | ရှာဖွေရမယ့်တစ်ခုတည်းသောအရာ |
|---|---|---|
| သစ်တောမြေကွက် | မက်တာ-ခွဲခြမ်းစိတ်ဖြာမှု ရလဒ်များ | အဆိုပါမ စိန် အကျိုးသက်ရောက်မှုမရှိတဲ့ ဒေါင်လိုက်မျဉ်းကို ဖြတ်ကျော်မလား။ |
| Funnel Plot | ထုတ်ဝေမှုဘက်လိုက်မှု ထောက်လှမ်းခြင်း / GP outlier စောင့်ကြည့်ခြင်း | ဇာတ်ကွက်ကလား အချိုးမညီ(ကွာဟချက် = မထုတ်ဝေရသေးသော လေ့လာမှုများ ပျောက်ဆုံးနေခြင်း) |
| ကိတ်စ် ဇာတ်လမ်း | လူနာများအား NNT ကို ရုပ်မြင်သံကြားဖြင့် ဆက်သွယ်ပြောဆိုခြင်း | အရောင်ခြယ်ထားသော "အကျိုးခံစားခွင့်" မျက်နှာများကို ရေတွက်ပါ။ NNT = 100 ÷ ထိုမျက်နှာများ |
| L'Abbé Plot | မက်တာ-ခွဲခြမ်းစိတ်ဖြာမှုများတွင် မတူကွဲပြားမှုကို စူးစမ်းလေ့လာခြင်း | ထောင့်ဖြတ်မျဉ်းပေါ်ရှိ အစက် = ကုသမှုအကျိုးသက်ရောက်မှု သုည |
| Box-and-Wisker ဇာတ်လမ်း | ဒေတာဖြန့်ဖြူးခြင်းနှင့် ဖြန့်ဝေခြင်း | အလယ်လိုင်း = ပျမ်းမျှ (ဆိုလိုတာမဟုတ်ပါဘူး); မုတ်ဆိတ်မွှေးထက်ကျော်လွန်သော အစက်များ = ပြင်ပအချက်များ |
| ဖာဂန်၏ နိုမိုဂရမ် | စမ်းသပ်မှုမတိုင်မီ → စမ်းသပ်မှုအပြီး ဖြစ်နိုင်ခြေ | စမ်းသပ်မှုမတိုင်မီ ဖြစ်နိုင်ခြေမှ LR အထိ မျဉ်းတစ်ကြောင်းဆွဲပြီး စမ်းသပ်မှုအပြီး ဖြစ်နိုင်ခြေကို ဖတ်ရှုပါ။ |
| ပင်စည်နှင့်အရွက်ကွက် | ဖြန့်ဖြူးမှု — မူရင်းတန်ဖိုးများကို ထိန်းသိမ်းထားသည် | Histogram ကဲ့သို့ပင် တစ်ခုချင်းစီသော data point များကို ပြသသည် |
| ကက်ပလန်-မီယာ ကွေးညွှတ်မှု | ရှင်သန်ရပ်တည်ရေး ခွဲခြမ်းစိတ်ဖြာခြင်း — အဖြစ်အပျက်တစ်ခုအတွက် အချိန် | ဖြစ်ရပ်များဖြစ်ပေါ်လာသောအခါ အဆင့်များ ကျဆင်းသွားသည်၊ အစောပိုင်းတွင် ကွဲပြားပြီး ဝေးကွာနေသော မျဉ်းကွေးများသည် ရေရှည်ကုသမှုအကျိုးကျေးဇူးကို ညွှန်ပြသည် |
| Histogram | စဉ်ဆက်မပြတ်ဒေတာဖြန့်ဖြူးမှု | ကွေးညွှတ်ပုံသဏ္ဌာန်- ဆ៊ီမက်ထရစ် = ပုံမှန်ဖြန့်ဖြူးမှု၊ စောင်း = ပျမ်းမျှကို မဟုတ်ဘဲ အလယ်အလတ်ကို အသုံးပြုရန် |
🌲 သစ်တောမြေကွက်များ — အသေးစိတ်
- စတုရန်းတစ်ခုချင်းစီ = လေ့လာမှုတစ်ခု။ စတုရန်း၏ အရွယ်အစား = လေ့လာမှု၏ အလေးချိန် (များသောအားဖြင့် နမူနာအရွယ်အစားအပေါ် မူတည်သည်)
- အလျားလိုက်လိုင်း = ထိုလေ့လာမှုအတွက် ယုံကြည်မှုကြားကာလ ၉၅%
- စိန် အောက်ခြေမှာ = စုပေါင်းထားသော အလုံးစုံခန့်မှန်းချက်။ ၎င်း၏အနံ = စုပေါင်းထားသော 95% CI
- ၁.၀ မှာ ဒေါင်လိုက်မျဉ်း = "အကျိုးသက်ရောက်မှုမရှိသောမျဉ်း" (အချိုးများအတွက်)။ CI မျဉ်း သို့မဟုတ် စိန်သည် ဒီမျဉ်းကို ဖြတ်ကျော်ပြီး, အဲဒီရလဒ်က စာရင်းအင်းအရ အရေးမပါသော
I² သည် လေ့လာမှုများအကြား ကွဲပြားမှုသည် ကံအားလျော်စွာ မဟုတ်ဘဲ အမှန်တကယ် ကွဲပြားမှုများ (တကယ့်ကွာခြားချက်များ) ကြောင့် မည်မျှကွာခြားသည်ကို တိုင်းတာသည်။
I² < ၂၅% = မျိုးကွဲနည်းပါးခြင်း ✓
I² = ၂၅–၅၀% = အသင့်အတင့် မျိုးကွဲများ
I² > ၅၀% = သိသာထင်ရှားသော မတူကွဲပြားမှု — စုပေါင်းရလဒ်သည် ယုံကြည်စိတ်ချရမှု နည်းပါးသည် ⚠️
📯 Funnel Plots — ထုတ်ဝေမှုဘက်လိုက်မှုနှင့် GP Outlier စောင့်ကြည့်ခြင်း
Funnel plot များသည် AKT တွင် လုံးဝကွဲပြားသော အခြေအနေနှစ်ခုတွင် ပေါ်လာသည် — နှစ်ခုလုံးကို မှတ်မိကြောင်း သေချာပါစေ။
ပုံကြမ်းများသည် အရွယ်အစား (x-ဝင်ရိုး) ကို လေ့လာမှုတိကျမှု သို့မဟုတ် အရွယ်အစား (y-ဝင်ရိုး) နှင့် အကျိုးသက်ရောက်စေသည်။ ညီမျှသော ပြောင်းပြန်လှန်ထားသော funnel = ဘက်လိုက်မှုမရှိပါ။ အောက်ခြေဘယ်ဘက်တွင် ကွာဟချက်ပါသော asymmetric funnel = အနုတ်လက္ခဏာဆောင်သော လေ့လာမှုငယ်များ ပျောက်ဆုံးနေခြင်း → ထုတ်ဝေမှုဘက်လိုက်မှု။
GP လုပ်ငန်းဆောင်တာများကို မက်ထရစ်များ (ဥပမာ ရည်ညွှန်းနှုန်းများ၊ သေဆုံးမှုနှုန်း) တွင် နှိုင်းယှဉ်ပါ။ funnel မျဉ်းများပြင်ပရှိ အချက်အလက်များသည် စာရင်းအင်းဆိုင်ရာ ပြင်ပအချက်များ စုံစမ်းစစ်ဆေးရန် လိုအပ်သည် — စွမ်းဆောင်ရည်ညံ့ဖျင်းခြင်း၏ သက်သေအထောက်အထား မဟုတ်ပါ။
😊 Cates Plots — NNT ကို အမြင်အာရုံဖြင့် ထုတ်ယူနည်း
Cate ရဲ့ ဇာတ်လမ်း (တစ်ခါတစ်ရံ "အပြုံးမျက်နှာဇာတ်လမ်း" လို့လည်း ခေါ်ပါတယ်) မှာ လူနာတွေရဲ့ အကျိုးကျေးဇူးနဲ့ ဆိုးကျိုးတွေကို မြင်ယောင်နိုင်အောင် ကူညီပေးဖို့ မျက်နှာ ၁၀၀ ပါဝင်တဲ့ ဇယားကွက်ကို အသုံးပြုပါတယ်။
- မျက်နှာ ၁၀၀ စီသည် ကုသခံရသူ ၁၀၀ လျှင် တစ်ဦးစီကို ကိုယ်စားပြုသည်
- အဝါရောင်/အစိမ်းရောင် မျက်နှာများ = အကျိုးခံစားခွင့်ရသူများ (ဖြစ်ရပ်များကို ကာကွယ်နိုင်ခဲ့သည်)
- မျက်နှာနီများ = ဒုက္ခခံစားခဲ့ရသူများ
- မီးခိုးရောင်/ဖြူဖျော့သော မျက်နှာများ = ဘယ်လိုမှ အကျိုးသက်ရောက်မှု မရှိပါဘူး
📉 Kaplan-Meier ရှင်သန်ရေးမျဉ်းကွေးများ — ၎င်းတို့ကို မည်သို့ဖတ်ရှုရမည်နည်း
Kaplan-Meier (KM) မျဉ်းကွေးများသည် အချိန်ကြာလာသည်နှင့်အမျှ အသက်ရှင်ကျန်ရစ်နိုင်ခြေ (သို့မဟုတ် ဖြစ်ရပ်မရှိဘဲ ဆက်လက်တည်ရှိနေခြင်း) ကို ပြသသည်။ ၎င်းတို့သည် ကင်ဆာစမ်းသပ်မှုများ၊ နှလုံးသွေးကြောဆိုင်ရာ လေ့လာမှုများနှင့် ဖြစ်ရပ်တစ်ခုအတွက် အချိန်ကို ခြေရာခံသည့် မည်သည့်သုတေသနနှင့်မဆိုပတ်သက်သည့် AKT မေးခွန်းများတွင် ပေါ်လာသည်။
| လက္ခဏာ | ဘာကိုဆိုလိုတာလဲ |
|---|---|
| Y-ဝင်ရိုး | ရှင်သန်နိုင်ခြေ (သို့မဟုတ် ဖြစ်ရပ်မရှိဘဲ ရှင်သန်နိုင်ခြေ) — ၁.၀ (၁၀၀%) မှစတင်ပြီး အချိန်နှင့်အမျှ ကျဆင်းသွားသည် |
| X-ဝင်ရိုး | အချိန် (ရက်၊ လ၊ နှစ်) |
| အောက်ကိုဆင်းတဲ့ခြေလှမ်းတိုင်း | ဖြစ်ရပ်တစ်ခု ဖြစ်ပွားခဲ့သည် (ဥပမာ- သေဆုံးခြင်း၊ ပြန်လည်ဖြစ်ပွားခြင်း)။ ပိုကြီးသောအဆင့်များ = ထိုအချိန်တွင် ဖြစ်ရပ်များ ပိုမိုများပြားလာခြင်း |
| မျဉ်းကြောင်းပေါ်ရှိ အမှတ်အသားများကို ခြစ်ပါ | ဆင်ဆာဖြတ်တောက်ခံထားရသော လူနာများ — နောက်ဆက်တွဲလေ့လာမှု သို့မဟုတ် လေ့လာမှုပြီးဆုံးသွားသည်အထိ ပျက်ကွက်သွားပါသည်။ ဖြစ်ရပ်များမဟုတ်ပါ။ |
| အစောပိုင်းတွင် ကွေးညွှတ်မှုနှစ်ခု ကွဲလွဲပြီး ဝေးကွာနေခြင်း | နောက်ဆက်တွဲ ကုသမှုတစ်လျှောက်လုံး ရေရှည်ကုသမှု အကျိုးကျေးဇူးကို အကြံပြုထားသည် |
| ကွေ့ကောက်များဖြတ်ကူးခြင်း | အန္တရာယ်သည် အချိန်နှင့်အမျှ အချိုးကျမဟုတ်ကြောင်း အကြံပြုထားသည် — အဓိပ္ပာယ်ဖွင့်ဆိုချက်ကို ရှုပ်ထွေးစေသည် |
| ပျမ်းမျှရှင်သန်မှု | ရှင်သန်နှုန်း မျဉ်းကွေး ၅၀% ကို ဖြတ်ကျော်သည့် အချိန်အမှတ် — လူနာထက်ဝက်ခန့်သည် ဖြစ်ရပ်တစ်ခု ဖြစ်ပွားခဲ့သည့် အမှတ် |
အဆိုပါ log-rank စမ်းသပ်မှု KM မျဉ်းကွေးနှစ်ခုကို စာရင်းအင်းအရ နှိုင်းယှဉ်သည်။ အန္တရာယ်အချိုး (HR) မျဉ်းကွေးများအကြား အလုံးစုံကွာခြားချက်ကို အကျဉ်းချုပ်ဖော်ပြထားသည်။ HR < 1 = ကုသမှုအုပ်စုတွင် အချိန်နှင့်အမျှ ဖြစ်ရပ်များ နည်းပါးသည်။ မျဉ်းကွေးများ သိသိသာသာ ထပ်နေပါက HR သည် 1 နှင့် နီးကပ်နေမည် (အကျိုးကျေးဇူးမရှိ)။
📊 ဟစ်စတိုဂရမ်များ — ဖြန့်ဖြူးမှု တစ်ချက်ကြည့်လိုက်ခြင်း
ဟစ်စတိုဂရမ်သည် တန်ဖိုးများကို အပိုင်းအခြားများ (ဘင်များ) အဖြစ် အုပ်စုဖွဲ့ခြင်းဖြင့် စဉ်ဆက်မပြတ်ကိန်းရှင်တစ်ခု၏ ဖြန့်ဖြူးမှုကို ပြသပြီး တစ်ခုချင်းစီတွင် လေ့လာတွေ့ရှိချက်မည်မျှ ကျရောက်သည်ကို ပြသသည်။ ဘားဇယားနှင့်မတူဘဲ၊ ဘားများသည် ထိနေသည် - အဘယ်ကြောင့်ဆိုသော် ဒေတာသည် စဉ်ဆက်မပြတ်ဖြစ်သောကြောင့်ဖြစ်သည်။
| ပုံသဏ္ဌာန် | အဓိပ်ပာယျ | ပျမ်းမျှ သို့မဟုတ် အလယ်အလတ်ကို သုံးပါ။ |
|---|---|---|
| ခေါင်းလောင်းပုံသဏ္ဍာန် ညီမျှခြင်း | ပုံမှန်ဖြန့်ဖြူးမှု — ပျမ်းမျှ၊ အလယ်အလတ်၊ မုဒ် အားလုံး ညီမျှသည် | တစ်ခုခုတော့ — ဒါပေမယ့် ရိုးရာအရ ± SD လို့ အဓိပ္ပာယ်ရပါတယ် |
| ညာဘက် (အပေါင်း) စောင်း | ညာဘက်ရှိ အမြီးရှည် — အလွန်မြင့်မားသော တန်ဖိုးအနည်းငယ်သည် ပျမ်းမျှကို ဆွဲတင်နေသည် | အလယ်အလတ် (ပိုမိုကိုယ်စားပြုသည်) |
| ဘယ်ဘက် (အနုတ်) စောင်း | ဘယ်ဘက်သို့ ရှည်လျားသော အမြီး — အလွန်နိမ့်သော တန်ဖိုးအနည်းငယ်သည် ပျမ်းမျှကို အောက်သို့ ဆွဲချသည် | အလယ်အလတ် (ပိုမိုကိုယ်စားပြုသည်) |
| Bimodal (ထိပ်နှစ်ခု) | အချက်အလက်တွင် ကွဲပြားသော မျိုးစုငယ်နှစ်ခု | ထိပ်နှစ်ခုလုံးကို သီးခြားစီ သတင်းပို့ပါ |
အရည်အသွေးတိုးတက်မှုနှင့် ဆေးခန်းစစ်ဆေးမှု
| tool ကို | ရည်ရွယ်ချက် | Key ကိုအင်္ဂါရပ်များ |
|---|---|---|
| လက်တွေ့စစ်ဆေးမှု | တိကျသောစံနှုန်းများနှင့် နှိုင်းယှဉ်၍ လက်တွေ့ကို တိုင်းတာပါ၊ ကွာဟချက်များကို ဖော်ထုတ်ပြီး ပိတ်ပါ | သတ်မှတ်ထားသော စံနှုန်းတစ်ခု လိုအပ်သည်။ PDSA ዑደብကို အသုံးပြုသည်။ ကွင်းဆက်ကို ပိတ်ခြင်း (ပြန်လည်စစ်ဆေးမှု) ပါဝင်သည်။ မဟုတ် သုတေသန — ယူဆချက်မရှိ၊ အသိပညာအသစ်များ ထွက်ပေါ်လာခြင်း မရှိပါ။ |
| သိသာထင်ရှားသောဖြစ်ရပ် ခွဲခြမ်းစိတ်ဖြာခြင်း (SEA) | တစ်ခုတည်းသော သိသာထင်ရှားသော ဖြစ်ရပ်ကို စနစ်တကျ ဘက်စုံ ပြန်လည်သုံးသပ်ခြင်း | အပြစ်တင်ခွင့်မရှိ။ တစ်ဦးချင်းအမှားမဟုတ်ဘဲ စနစ်သင်ယူမှုကို အာရုံစိုက်သည်။ အဖွဲ့အတွင်း မျှဝေသည်။ သင်ယူမှုနှင့် လုပ်ဆောင်ချက်များကို မှတ်တမ်းတင်သည်။ |
| အမြစ်အကြောင်းတရား ဆန်းစစ်ခြင်း (RCA) | ပြင်းထန်သောဖြစ်ရပ်များကို နက်နက်ရှိုင်းရှိုင်းစုံစမ်းစစ်ဆေးခြင်း | SEA ထက် ပိုမိုစနစ်တကျဖြစ်သည်။ "5 Whys" နည်းစနစ်ကို အသုံးပြုသည်။ အကြောင်းရင်းများနှင့် အရင်းခံအကြောင်းရင်းများကို ဖော်ထုတ်သည်။ မကြာခဏဆိုသလို ဖြစ်ရပ်များ သို့မဟုတ် ပြင်းထန်သောထိခိုက်မှုများအတွက် ဖြစ်သည်။ |
| QOF ခြွင်းချက်အစီရင်ခံခြင်း | QOF အညွှန်းကိန်းများမှ လူနာများကို သင့်လျော်စွာ ဖယ်ထုတ်ခြင်း | ဆေးခန်းအရ သင့်လျော်သည်- အမြင့်ဆုံးခံနိုင်ရည်ရှိသော ကုထုံး၊ အသိပညာပေးထားသော လူနာ၏ သဘောမတူမှု၊ အလွန်အမင်း အားနည်းခြင်း သို့မဟုတ် ဆေးခန်းဆိုင်ရာ ဆန့်ကျင်ဘက်ဖြစ်ခြင်းအတွက်။ |
🔄 ဆေးခန်းစစ်ဆေးမှုနှင့် သုတေသန — အဓိကကွာခြားချက်များ
| လက္ခဏာ | လက်တွေ့စစ်ဆေးမှု | သုတေသန |
|---|---|---|
| ရည်ရွယ်ချက် | စံနှုန်းများနှင့် နှိုင်းယှဉ်ခြင်းဖြင့် စောင့်ရှောက်မှုကို ပိုမိုကောင်းမွန်အောင် ပြုလုပ်ပါ | ဗဟုသုတအသစ်များ ဖန်တီးပါ |
| အယူအဆ | မရှိပါ — လက်ရှိစံနှုန်းနှင့် နှိုင်းယှဉ်သည် | အမြဲတမ်း ယူဆချက်တစ်ခုရှိတယ် |
| ကျင့်ဝတ်ဆိုင်ရာ အတည်ပြုချက် | များသောအားဖြင့် မလိုအပ်ပါ။ | လိုအပ်တတ်သည်။ |
| သဘောတူ | များသောအားဖြင့် မလိုအပ်ပါ။ | လိုအပ်တတ်သည်။ |
| Randomisation | ဘယ်တော့မှမ | RCT များ ပါဝင်နိုင်သည် |
| အဆုံးရလဒ် | ဝန်ဆောင်မှုတိုးတက်မှု၊ လုပ်ဆောင်ချက်အစီအစဉ် | အထောက်အထားအသစ်များ၊ ထုတ်ဝေမှု |
🔁 PDSA သံသရာ
Plan-Do-Study-Act (PDSA) သံသရာသည် ဆေးခန်းစစ်ဆေးမှုနှင့် အရည်အသွေးတိုးတက်မှုတွင် အသုံးပြုသည့် စဉ်ဆက်မပြတ်တိုးတက်မှု မူဘောင်ဖြစ်သည်။
| စင် | ဘာဖြစ်တာလဲ |
|---|---|
| စီမံကိန်း | မေးခွန်းကို သတ်မှတ်ပါ၊ စံနှုန်းသတ်မှတ်ပါ၊ အချက်အလက်စုဆောင်းမှုကို စီစဉ်ပါ |
| Do | လက်ရှိလုပ်ဆောင်မှုကို ပြောင်းလဲခြင်း သို့မဟုတ် တိုင်းတာခြင်း |
| လေ့လာ | ရလဒ်များကို ခွဲခြမ်းစိတ်ဖြာပါ၊ စံနှင့် နှိုင်းယှဉ်ပါ၊ ကွာဟချက်များကို ဖော်ထုတ်ပါ |
| အက်ဥပဒေ | တိုးတက်မှုများ အကောင်အထည်ဖော်ပါ။ ကွင်းဆက်ကို ပိတ်ရန် ပြန်လည်စာရင်းစစ်ခြင်းကို စီစဉ်ပါ။ |
ဆေးခန်းတွက်ချက်မှုများ (AKT ဖော်မြူလာဘဏ်)
ဤဖော်မြူလာများသည် AKT တွက်ချက်မှုမေးခွန်းများတွင် ပေါ်လာသည်။ တစ်ခုချင်းစီကို လေ့လာပြီး လုပ်ဆောင်ချက်ကို လှုံ့ဆော်ပေးသည့် လက်တွေ့အကျိုးသက်ရောက်မှု ကန့်သတ်ချက်များကို သိရှိပါ။
🧮 ABPI လုပ်ဆောင်ခဲ့သော ဥပမာ
🎯 ဇာတ်လမ်း- အသက် ၇၂ နှစ်အရွယ် မစ္စစ် တီသည် လမ်းလျှောက်ရာတွင် ခြေထောက်နာကျင်ခြင်း
🍷 အရက်ယူနစ် အလုပ်လုပ်ပုံ ဥပမာများ
| သောက် | ထုထည် (မီလီလီတာ) | ABV% | ရေတွက်ခြင်း | ယူနစ် |
|---|---|---|---|---|
| ဖန်ခွက်ကြီးထဲက ဝိုင် | 250ml | 13% | ၂၅ × ၄၀ ÷ ၁၀၀၀ | 3.25 |
| ဝိုင်ပုလင်း | 750ml | 12% | ၂၅ × ၄၀ ÷ ၁၀၀၀ | 9.0 |
| ပိုင့်လေဂါ (အပြင်း) | 568ml | 5% | ၂၅ × ၄၀ ÷ ၁၀၀၀ | 2.84 |
| တစ်ခုတည်းသော စိတ်ဓာတ်တိုင်းတာမှု | 25ml | 40% | ၂၅ × ၄၀ ÷ ၁၀၀၀ | 1.0 |
လုပ်ဆောင်ခဲ့သည့် ဥပမာများ
🎯 ဥပမာ ၁: အစမ်းသုံးဇယားမှ အန္တရာယ်တိုင်းတာမှုအားလုံးကို တွက်ချက်ခြင်း
RCT သည် လူနာများကို Drug X သို့မဟုတ် placebo တစ်ခုခုပေးရန် ကျပန်းရွေးချယ်သည်။ ၃ နှစ်အကြာတွင်- placebo လူနာ ၅၀၀ တွင် ၈၀ ဦးသည် လေဖြတ်ခဲ့ပြီး Drug X လူနာ ၅၀၀ တွင် ၄၀ ဦးသည် လေဖြတ်ခဲ့သည်။
🎯 ဥပမာ ၂: ၂×၂ ဇယားတစ်ခုတည်ဆောက်ခြင်းနှင့် အာရုံခံနိုင်စွမ်းနှင့် သီးခြားဖြစ်မှုကို တွက်ချက်ခြင်း
လူနာ ၂၀၀ ကို စစ်ဆေးမှုအသစ်တစ်ခု ပြုလုပ်ခဲ့ပြီး ၎င်းတို့အနက် ၁၀၀ တွင် ရောဂါရှိသည်။ စစ်ဆေးမှုသည် ရောဂါရှိသူ ၁၀၀ တွင် ၈၅ ဦးကို မှန်ကန်စွာ ဖော်ထုတ်ပေးပြီး ရောဂါမရှိသူ ၁၀၀ တွင် ၈၀ ဦးကို မှန်ကန်စွာ ဖော်ထုတ်ပေးပါသည်။
🎯 ဥပမာ ၃: ကလေးဆေးပမာဏ တွက်ချက်ခြင်း
ကလေးတစ်ဦးသည် အမောက်ဆီဆီလင် ၃၀၀ မီလီဂရမ် လိုအပ်ပါသည်။ ရရှိနိုင်သော ဆေးရည်မှာ ၂၅၀ မီလီဂရမ်/၅ မီလီလီတာ ဖြစ်သည်။ မည်မျှပမာဏ ပေးသင့်သနည်း။
ဖော်မြူလာများ လိမ်လည်စာရွက်နှင့် မှတ်ဉာဏ် အထောက်အကူပြုပစ္စည်းများ
အန္တရာယ်နှင့် ကုသမှု ဖော်မြူလာများ
ရောဂါရှာဖွေခြင်း
လူဦးရေနှင့် ဆေးခန်းဖော်မြူလာများ
- SnNout: ထိခိုက်လွယ်သော စစ်ဆေးမှု — ရောဂါကို တားဆီးရန် စည်းမျဉ်းများ မရှိကြောင်း စစ်ဆေးခြင်း (စစ်ဆေးခြင်း)
- SpPin: သီးခြားစစ်ဆေးမှု — ရောဂါတွင် အပေါင်းလက္ခဏာဆောင်သော စည်းမျဉ်းများ (အတည်ပြုချက်)
- CI ဖြတ်ကျော်မှု ၁.၀ (အချိုး) သို့မဟုတ် 0 (ကွာခြားချက်) → အရေးမကြီးပါ
- သစ်တောမြေကွက် စိန်သည် မျဉ်းကြောင်းဖြတ်သွားသည် → အရေးမကြီးပါ
- ဖန်နယ် မညီမျှမှု → ထုတ်ဝေမှုဘက်လိုက်မှု (သို့မဟုတ် စွမ်းဆောင်ရည်အခြေအနေတွင် GP outlier)
- လေးထောင့်ကွက် အလယ်မျဉ်း → အလယ်အလတ် (ပျမ်းမျှမဟုတ်ပါ)
- 68-95-99.7 → ပုံမှန်ဖြန့်ဖြူးမှုတွင် ±1SD၊ ±2SD၊ ±3SD
- I² >၅၀% → သိသာထင်ရှားသော ကွဲပြားမှု
- သို့မဟုတ် အမှုထိန်းချုပ်ရေးမှ | cohort မှ RR | ဖြတ်ပိုင်းမှ ပျံ့နှံ့မှု
- စာရင်းစစ် ≠ သုတေသန (စာရင်းစစ်တိုင်းတာမှုများ vs စံနှုန်း၊ သုတေသနသည် အသိပညာအသစ်များကို ဖြစ်ပေါ်စေသည်)
- ဖြစ်ရပ်ထိန်းချုပ်မှု → OR (Odds Ratio) — ထိတွေ့မှုများကို ပြန်ကြည့်ခြင်း
- အလိုက် → RR (Relative Risk) — ထိတွေ့မှုမှ ရှေ့ဆက်သွားခြင်း
- အပိုင်း → ပျံ့နှံ့မှု — အချိန်နှင့်တပြေးညီ SNAPSHOT
- RCT / SR → ကုသမှုမေးခွန်းများအတွက် ရွှေစံနှုန်း
သင်တန်းဆရာနှင့် သင်ကြားရေး ပုလဲများ
- သင်တန်းသားများသည် NNT ကို ၎င်း၏ အမှန်တကယ် ဆေးပညာအရ အဘယ်အရာကို ဆိုလိုသည်ကို နားမလည်ဘဲ ဖော်မြူလာတစ်ခုအဖြစ် သင်ယူလေ့ရှိသည် - လူနာနားလည်မည့် စာကြောင်းတစ်ကြောင်းဖြင့် ရှင်းပြနိုင်ကြောင်း သေချာပါစေ။
- အာရုံခံနိုင်စွမ်း/တိကျမှု (စမ်းသပ်မှုဂုဏ်သတ္တိများ) နှင့် PPV/NPV (ပျံ့နှံ့မှု၏လွှမ်းမိုးမှု) အကြား ခြားနားချက်ကို ကောင်းစွာနားမလည်သေးပါ - ကိုယ်ဝန်စစ်ဆေးမှု ဥပမာသည် ကောင်းစွာအလုပ်လုပ်ပါသည်။
- သင်တန်းသားအများအပြားသည် သစ်တောမြေကွက်တစ်ခု မည်သို့ရှိသည်ကို သိသော်လည်း ရှင်းပြနိုင်စွမ်းမရှိကြပေ။ ဘာ ကြည့်ရန် — စိန်ကို အာရုံစိုက်ပြီး ၎င်းသည် အကျိုးသက်ရောက်မှုမရှိသော မျဉ်းကို ဖြတ်ကျော်ခြင်း ရှိ၊ မရှိကို အာရုံစိုက်ပါ။
- Lead time bias ကို length bias နှင့် မကြာခဏ ရောထွေးလေ့ရှိသည် — ခြားနားချက်ကို ဖော်ပြရန် ပုံများ သို့မဟုတ် အချိန်ဇယားများကို အသုံးပြုပါ
- သင်တန်းသားများသည် ဆေးခန်းစာရင်းစစ်ခြင်းကို သုတေသနနှင့် မကြာခဏ ရောထွေးလေ့ရှိသည် — RCGP ၏ အကဲဖြတ်မှုများမှ ကိုယ်ပိုင်ဥပမာများကို အသုံးပြုပါ
- "ဆေးဝါးစမ်းသပ်မှုတစ်ခုမှ အကျဉ်းချုပ်ဇယားက ဒီလိုပါ - NNT အကြောင်းနဲ့ ဒီလူနာအတွက် ညွှန်းပေးမလားဆိုတာ ပြောပြပေးနိုင်မလား။"
- "ဒီသစ်တောမြေကွက်ကို ကြည့်ပါ။ ဝင်ရောက်စွက်ဖက်မှုက ထိရောက်မှုရှိရဲ့လား။ အဲဒီအဖြေအပေါ် ဘယ်လောက်ယုံကြည်မှုရှိလဲ။"
- "ခင်ဗျားရဲ့လူနာမှာ FIT စစ်ဆေးမှုမှာ အပေါင်းလက္ခဏာပြပါတယ်။ အန္တရာယ်နည်းတဲ့လူဦးရေမှာ PPV က ၃% လောက်ရှိပါတယ်။ ဒါကို သူ့ကို ဘယ်လိုရှင်းပြမလဲ။"
- "PSA ရလဒ်တွေ အများကြီးတွေ့နေရတယ်။ PSA ကို စစ်ဆေးတဲ့ စစ်ဆေးမှုအဖြစ်သုံးတဲ့အခါ ဘာပြဿနာရှိလဲ။"
- "လုပ်ဖော်ကိုင်ဖက်တစ်ယောက်က ကျွန်တော်တို့ရဲ့ သွေးဆိပ်တက်မှုရလဒ်တွေကို ထရပ်စ်ရဲ့ရလဒ်တွေနဲ့ နှိုင်းယှဉ်ချင်နေတယ်။ အဲဒါ စာရင်းစစ်တာလား၊ သုတေသနလား။ ကျင့်ဝတ်လိုအပ်လား။"
- "ဘေးကင်းပါသလား" လို့ မေးတဲ့ လူနာတစ်ယောက်ကို ဘေးထွက်ဆိုးကျိုးဖြစ်နိုင်ခြေ ၅၀ မှာ ၁ ခုရှိတယ်ဆိုတာကို ဘယ်လိုရှင်းပြမလဲ။
- လူနာတွေကို အန္တရာယ်ကို လက်ရှိမှာ ဘယ်လိုရှင်းပြနေပါသလဲ။ ကိန်းဂဏန်းတွေကို အသုံးပြုပါသလား ဒါမှမဟုတ် နှိုင်းရကိန်းဂဏန်းတွေကို အသုံးပြုပါသလား။
- သိသာထင်ရှားတဲ့ NNT တစ်ခုကို ကိုးကားဖော်ပြခဲ့တဲ့ မကြာသေးမီက ဆေးခန်းလမ်းညွှန်ချက်ကို မှတ်မိနိုင်ပါသလား။ အဲဒါဘာလဲ၊ ဒါက ခင်ဗျားရဲ့လုပ်ငန်းကို ဘယ်လိုလွှမ်းမိုးခဲ့လဲ။
- စစ်ဆေးမှုတစ်ခုကို မှာယူပြီး ၎င်းရဲ့ sensitivity/specificity ကို မသိဖူးပါသလား။ ရလဒ်ကို ဘယ်လိုအဓိပ္ပာယ်ဖွင့်ဆိုခဲ့ပါသလဲ။
- ဆေးဝါးကုမ္ပဏီတစ်ခုသည် ၎င်းတို့၏ စမ်းသပ်မှုရလဒ်များကို ARR အစား RRR အဖြစ် တင်ပြရန် အဘယ်ကြောင့် ရွေးချယ်နိုင်သနည်း။
🔥 AKT အထွက်နှုန်းမြင့် အကြံပြုချက်များ
ဒါတွေက AKT စာရွက်တွေမှာ အထပ်ထပ်ပေါ်လာတဲ့ ပုံစံတွေပါ။ ဒါတွေကို မှတ်မိအောင်လုပ်ပါ၊ အမှတ်တွေရလိမ့်မယ်။
ရာခိုင်နှုန်းများကို အမြဲတမ်း ဒဿမကိန်းများအဖြစ် ဦးစွာပြောင်းပါ။ ARR = ၅% → NNT = ၁ ÷ ၀.၀၅ = ၂၀။ အမြဲတမ်း အဝိုင်းပုံဖြစ်သည် up အနီးဆုံး ကိန်းပြည့်သို့။ NNT နည်းလေ ပိုမိုထိရောက်သော ကုသမှုဖြစ်သည်။
အချိုးများအတွက် (RR၊ OR၊ HR): CI ဖြတ်ကူးမှုများ 1.0 = သိသာထင်ရှားမှုမရှိပါ။ ကွာခြားချက်များအတွက်- CI crosses 0 = အရေးမကြီးပါ။ ၎င်းသည် သစ်တောကွက်မေးခွန်းတိုင်းလိုလိုတွင် ဖြစ်ပေါ်လေ့ရှိသည်။
ရှားပါးရောဂါ → အမှုထိန်းချုပ်ရေး → သို့မဟုတ်။ နောင်တွင် ထိတွေ့မှုအသစ် → အလိုက် → RR။ ကူးစက်မှုနှုန်း လျှပ်တစ်ပြက် → အပိုင်းကုသမှုအတွက် အကောင်းဆုံးအထောက်အထား → RCT or SR/မက်တာ-ခွဲခြမ်းစိတ်ဖြာမှု.
စိစစ်စမ်းသပ်မှု → အာရုံခံနိုင်စွမ်းမြင့်မားလိုသည် (ကိစ္စများကို လက်လွတ်မခံလိုပါ → SnNout)။ အတည်ပြုစစ်ဆေးမှု → မြင့်မားသော တိကျမှုကို လိုချင်သည် (မှားယွင်းသော အပြုသဘောဆောင်မှုများကို မလိုချင်ပါနှင့် → SpPin)။
အလွန်တိကျသော စစ်ဆေးမှု (၉၉%) သည်ပင် ရောဂါဖြစ်ပွားမှုနည်းသောပတ်ဝန်းကျင်တွင် PPV ညံ့ဖျင်းစွာပေးသည်။ လူဦးရေစစ်ဆေးခြင်း၏ အပြုသဘောဆောင်သောရလဒ်အများစုသည် မှားယွင်းသောအပြုသဘောဆောင်မှုများဖြစ်သည်။ ထို့ကြောင့် ကျွန်ုပ်တို့သည် လူတိုင်းကို အရာအားလုံးအတွက် မစစ်ဆေးခြင်းဖြစ်သည်။
အလိုလျှင် စိန် (ပေါင်းစပ်ခန့်မှန်းချက်) သည် အကျိုးသက်ရောက်မှုမရှိသော ဒေါင်လိုက်မျဉ်းကို ဖြတ်ကျော်သည် → အလုံးစုံရလဒ်သည် စာရင်းအင်းအရ သိသာထင်ရှားမှုမရှိပါ။ I² > 50% → သိသာထင်ရှားသော မတူကွဲပြားမှု → ပေါင်းစပ်ရလဒ်သည် ယုံကြည်စိတ်ချရမှု နည်းပါးသည်။
funnel plot ရဲ့ အောက်ခြေဘယ်ဘက်မှာ ကွာဟချက်တစ်ခု = ထုတ်ဝေမှုဘက်လိုက်မှု — အသေးစား အပျက်သဘောဆောင်တဲ့ လေ့လာမှုတွေကို မထုတ်ဝေခဲ့ပါဘူး။ ဒါက meta-analysis မှာ ကုသမှုရဲ့ ထင်ရှားတဲ့ အကျိုးသက်ရောက်မှုကို ချဲ့ကားစေပါတယ်။
မျဉ်းကြောင်း ထဲမှာ သေတ္တာက ပျမ်းမျှ။ အကွက် = IQR (အလယ် ၅၀%)။ နှုတ်ခမ်းမွှေးအပြင်ဘက်ရှိ အစက်များ သို့မဟုတ် စက်ဝိုင်းများသည် = ပြင်ပအချက်များ။
ဆေးဝါးကုမ္ပဏီများသည် RRR ကို ကိုးကားရခြင်းမှာ ပိုကြီးသောအသံဖြင့် ကိုးကားရခြင်းကို နှစ်သက်ကြသည်။ အခြေခံအန္တရာယ်မှာ ၂% သာဖြစ်ကြောင်း သင်မသိမချင်း ၅၀% RRR သည် အံ့သြဖွယ်ကောင်းသည်ဟု ထင်ရပါသည် (→ ARR = 1%၊ NNT = 100)။ အခြေခံအန္တရာယ်ကား အဘယ်နည်းဟု အမြဲမေးပါ။
မညီမညာ ဖြန့်ဖြူးမှုများ (ဝင်ငွေ၊ ဆေးရုံတက်ခြင်း၊ သွေးရည်ကြည် ဘီလီရူဘင်) → အသုံးပြုမှု ပျမ်းမျှ ပျမ်းမျှမဟုတ်ပါ။ ပျမ်းမျှကို outliers များက ဆွဲယူသည်။ အလယ်အလတ်ကိုမူ ဆွဲယူသည်။
စာရင်းစစ်ခြင်း- တစ်စုံတစ်ခုကို တားဆီးသည့် အစီအမံများ တည်ဆဲ စံနှုန်း; ကျင့်ဝတ်မလိုအပ်; ယူဆချက်မလိုအပ်။ သုတေသန: ဖန်တီးသည် အသစ် ဗဟုသုတ၊ ကျင့်ဝတ်ဆိုင်ရာ အတည်ပြုချက် လိုအပ်သည်၊ ယူဆချက်ရှိသည်။ အဓိက ခြားနားချက်တစ်ခုကို AKT မှ ထပ်ခါတလဲလဲ စမ်းသပ်သည်။
ITT ခွဲခြမ်းစိတ်ဖြာမှုတွင် လိုက်နာမှုရှိမရှိ မခွဲခြားဘဲ ကျပန်းပါဝင်သူအားလုံး ပါဝင်သည်။ ၎င်းက ရှေးရိုးစွဲ ထိရောက်မှုခန့်မှန်းချက် — ဆေးခန်းလက်တွေ့အတွက် ပိုမိုလက်တွေ့ကျသည်။ ပရိုတိုကောအလိုက် ခွဲခြမ်းစိတ်ဖြာမှုသည် အကျိုးသက်ရောက်မှုကို လွန်ကဲစွာခန့်မှန်းသည်။
ABPI < 0.9 = အပြင်ဘက်သွေးလွှတ်ကြောရောဂါ။ ABPI > 1.3 = ဖိသိပ်၍မရသော (ကယ်လ်စီယမ်ဓာတ်ပါဝင်သော) သွေးကြောများ — မယုံကြည်ရသောရလဒ်။ ABPI < 0.8 ဖြစ်ပါက ဖိသိပ်ပတ်တီးစည်းခြင်းကို တားမြစ်ထားသည် (သင့်ဖိသိပ်မှုလမ်းညွှန်ချက်များနှင့် စစ်ဆေးပါ)။
အကျိုးကျေးဇူးမျက်နှာစာများကို ရေတွက်ပါ (များသောအားဖြင့် အဝါရောင် သို့မဟုတ် အစိမ်းရောင်)။ NNT = 100 ÷ (အကျိုးကျေးဇူးမျက်နှာစာ အရေအတွက်)။ အဝါရောင်မျက်နှာစာ ၅ ခု → NNT = 20။
အဖြစ်များသော အမှားများနှင့် သင်တန်းသားများ၏ ထောင်ချောက်များ
ဒါတွေက AKT အမှတ်ပေးစနစ်တွေမှာ ထပ်ခါတလဲလဲပေါ်လာတဲ့ အမှားတွေပါ။ ဒါတွေအားလုံးက တကယ့်ကိုယ်စားလှယ်လောင်းတွေ ဆုံးရှုံးသွားတဲ့ တကယ့်အမှတ်တွေပါပဲ။
- NNT ကိုတွက်ချက်ခြင်းမပြုမီ ရာခိုင်နှုန်းများကို ဒဿမကိန်းများအဖြစ်ပြောင်းရန်မေ့ခြင်း (ဥပမာ၊ ARR = 5% → NNT = 20 ရရှိရန် 5 မဟုတ်ဘဲ 0.05 ကိုအသုံးပြုရမည်၊ 0.2 မဟုတ်ပါ)
- NNT ကို လုံးခြင်း ဆင်း မည့်အစား up (NNT = 12.5 → အဖြေက 12 မဟုတ်ဘဲ 13 ပါ)
- RRR နှင့် ARR ကို ရောထွေးပြီး ပိုမိုအထင်ကြီးစရာကောင်းသော နှိုင်းရကိန်းဂဏန်းကို ဆေးခန်းအကျိုးကျေးဇူးအဖြစ် ကိုးကားခြင်း
- CI က ၁.၀ ထိရုံပဲရှိတဲ့အခါ ရလဒ်တစ်ခုကို "သိသာထင်ရှားတယ်" လို့ပြောရတာက - ဒါက မဖြစ်မနေလုပ်ရမှာပါ မပါဝင်ဘူး ၁.၀ သည် သိသာထင်ရှားရမည်
- box-and-whisker plot ရဲ့ အလယ်မျဉ်းကို ပျမ်းမျှလို့ ဖော်ပြတာဟာ အမြဲတမ်း ပျမ်းမျှ
- PPV နှင့် အာရုံခံနိုင်စွမ်းကို ရောထွေးခြင်း — အာရုံခံနိုင်စွမ်းသည် စစ်ဆေးမှု၏ ပုံသေဂုဏ်သတ္တိတစ်ခုဖြစ်သည်။ PPV သည် ပျံ့နှံ့မှုပေါ်တွင် မူတည်သည်
- ပျံ့နှံ့မှုနည်းသော လူဦးရေတွင် အလွန်တိကျသော စစ်ဆေးမှုတစ်ခုသည် ယုံကြည်စိတ်ချရသော အပြုသဘောဆောင်သော ရလဒ်ကို ပေးလိမ့်မည်ဟု ယူဆခြင်း — ၎င်းသည် မပေးစွမ်းနိုင်ပါ (PPV နည်းသည်)
- OR နှင့် RR ကို ရောထွေးခြင်း — ရောဂါရှားပါးသည့်အခါမှလွဲ၍ OR များကို RR အဖြစ် တိုက်ရိုက်အသုံးမပြုနိုင်ပါ။
- case-control လေ့လာမှုက RR ကိုထုတ်ပေးတယ်လို့ပြောရင် — OR ကိုထုတ်ပေးပါတယ်၊ ဘာလို့လဲဆိုတော့ exposed cohort နဲ့မဟုတ်ဘဲ case နဲ့ control တွေနဲ့စလို့ပါ။
- ဆေးခန်းစစ်ဆေးမှုနှင့် သုတေသနကို ရောထွေးခြင်း — စစ်ဆေးမှုတစ်ခုသည် ကျင့်ဝတ်ဆိုင်ရာ ခွင့်ပြုချက် လိုအပ်ကြောင်း ပြောဆိုခြင်း
- စစ်ဆေးမှုအစီအစဉ်သည် ရှင်သန်မှုကို အမှန်တကယ်တိုးတက်စေသည်ဟု အဓိပ္ပာယ်ရသည်ဟု မှားယွင်းစွာ အဓိပ္ပာယ်ဖွင့်ဆိုခြင်း
- သစ်တောကွက်တွင် I² > 50% ရှိသည်ကို မေ့လျော့ခြင်းသည် စုပေါင်းရလဒ်၏ တရားဝင်မှုနှင့် ပတ်သက်၍ စိုးရိမ်မှုများကို ဖြစ်ပေါ်စေသည်
- ကွဲလွဲနေသောဒေတာ (ဥပမာ- ဝင်ငွေ၊ ဆေးရုံတက်ချိန်) ကိုဖော်ပြရန် ပျမ်းမျှကိုအသုံးပြုခြင်း — အလယ်အလတ်ကိုသုံးပါ။
🏁 နောက်ဆုံး အိမ်ယူသွားရမည့် အမှတ်များ
- NNT = 1 ÷ ARR။ ရာခိုင်နှုန်းများကို ဒဿမကိန်းများအဖြစ် အမြဲတမ်းပြောင်းပါ။ အမြဲတမ်း လုံးပါ။ NNT နည်းပါက ပိုမိုကောင်းမွန်သော ကုသမှုဖြစ်သည်။
- ARR သည် ဆေးပညာအရ ရိုးသားပါသည်။ RRR သည် အထင်ကြီးစရာကောင်းပုံရသော်လည်း လမ်းလွဲစေနိုင်သည်။ RRR ကို အခြေခံအန္တရာယ်နှင့် အမြဲတွဲဖက်ပါ။
- အာရုံခံနိုင်စွမ်းနှင့် တိကျမှုသည် စစ်ဆေးမှု၏ ပုံသေဂုဏ်သတ္တိများဖြစ်သည်။ PPV နှင့် NPV သည် ရောဂါပျံ့နှံ့မှုနှင့်အတူ ပြောင်းလဲသည်။
- SnNout: အာရုံခံနိုင်စွမ်းမရှိသော စစ်ဆေးမှုများသည် အနုတ်လက္ခဏာဆောင်သည့်အခါ ထွက်သည်ဟု ပယ်ချသည်။ SpPin: သီးခြားစစ်ဆေးမှုများသည် အပေါင်းလက္ခဏာဆောင်သည့်အခါ ထွက်သည်ဟု ပယ်ချသည်။
- သစ်တောကွက် စိန်သည် အကျိုးသက်ရောက်မှုမရှိသော မျဉ်းကို ဖြတ်ကျော်သည် → ရလဒ်သည် စာရင်းအင်းအရ သိသာထင်ရှားမှု မရှိပါ။ I² >50% → ကွဲပြားမှုဆိုင်ရာ စိုးရိမ်မှုများ။
- Funnel plot asymmetry → ထုတ်ဝေမှုဘက်လိုက်မှု။ စွမ်းဆောင်ရည်စောင့်ကြည့်ခြင်းတွင် funnel ကန့်သတ်ချက်များပြင်ပရှိအချက်များ → outlier လုပ်ဆောင်မှုများ။
- ၁.၀ ပါဝင်သော အချိုးအတွက် CI → အရေးမကြီးပါ။ ၀ ပါဝင်သော ကွာခြားချက်အတွက် CI → အရေးမကြီးပါ။
- Case-control → OR။ Cohort → RR။ Cross-sectional → ပျံ့နှံ့မှု။ RCT/SR → ကုသမှုအတွက် ရွှေစံနှုန်း။
- စောင်းနေသောဒေတာ → ပျမ်းမျှကို မသုံးဘဲ အလယ်မျဉ်းကိုသုံးပါ။ Box plot အလယ်မျဉ်း = အလယ်မျဉ်း။ မုတ်ဆိတ်မွေးများထက်ကျော်လွန်သော အစက်များ = outliers။
- စံချိန်စံညွှန်းများနှင့် ကိုက်ညီသော လက်တွေ့စစ်ဆေးမှု တိုင်းတာမှုများ — ကျင့်ဝတ်မလိုအပ်ပါ၊ ယူဆချက်မလိုအပ်ပါ။ သုတေသနပြုခြင်းသည် အသိပညာအသစ်များကို ဖြစ်ပေါ်စေပြီး ကျင့်ဝတ်လိုအပ်သည်။
AKT မှာရှိတဲ့ စာရင်းအင်းမေးခွန်းတွေဟာ စာတမ်းမှာ ယုံကြည်စိတ်ချရဆုံး သင်ယူနိုင်တဲ့ အမှတ်တွေထဲမှာ ပါဝင်ပါတယ်။ ဒီစာမျက်နှာနဲ့ နာရီအနည်းငယ်နဲ့ လေ့ကျင့်ခန်းမေးခွန်းအနည်းငယ်ဟာ သူတို့ရဲ့ ရင်းနှီးမြှုပ်နှံမှုထက် အများကြီး အကျိုးအမြတ်ရရှိစေမှာပါ။