Evidensbaserad praktik och medicinsk statistik
För att "jag läste något online" inte riktigt räcker i AKT.
Senast uppdaterad: april 2026 · Även känd som evidensbaserad medicin (EBM)
📥 Nedladdningar
Utdelat material, sammanfattningar och extramaterial – redo när du är det.
väg: Evidensbaserad praktik är även känd som evidensbaserad medicin eller EBM i förkortning.
Webbresurser
En handplockad blandning av officiell vägledning och praktiska resurser för allmänläkarutbildning. För ibland finns de bästa pärlorna inte i de officiella dokumenten.
En-minuts återkallelse
Ska man skanna detta före kliniken – eller kvällen före en AKT-uppsats? Det här är saker som ger dig poäng.
🧮 Riskformler
- AMA = CER − EER
- NNT = 1 ÷ ARR
- RRR = ARR ÷ CER
- RR = EER ÷ CER
- NNH = 1 ÷ ARI
🔬 Diagnostisk testning
- Sens = TP ÷ (TP+FN) → SnNout
- Spec = TN ÷ (TN+FP) → SpPin
- PPV = TP ÷ (TP+FP) ← faller med låg prevalens
- NPV = TN ÷ (TN+FN) ← faller med hög prevalens
📊 Studiedesigner
- SR/Metaanalys → högsta evidens
- RCT → guldstandard för behandling
- Kohort → RR och incidens
- Fallkontroll → Operationssal, sällsynta sjukdomar
- Tvärsnitt → prevalens
📈 Grafer
- Skogsdiagrammets diamantkorsar linjen = inte signifikant
- Funnelsymmetri = publikationsbias
- Cates-diagram: NNT = 100 ÷ gula sidor
- Boxplottets mittlinje = median
- I² >50% = betydande heterogenitet
📉 Betydelse
- p < 0.05 = statistiskt signifikant
- KI korsar 1.0 (kvot) = inte signifikant
- KI korsar 0 (skillnad) = inte signifikant
- Medelvärde = genomsnitt; Median = mittvärde
- 68-95-99.7-regeln för normalfördelning
⚖️ Typer av partiskhet
- Urval → icke-representativt urval
- Minns → fall minns mer
- Publikation → endast positiva studier
- Ledtid → screening illusion
- Attrition → avhopp snedvrider resultaten
Varför detta är viktigt i GP och AKT
EBM och statistik är inte bara teoretiska. På din mottagning involverar varje samtal om behandlingsalternativ icke-naturliga nackdelar, oavsett om du nämner dem eller inte. Varje blodprov har en sensitivitet och specificitet. Varje ny riktlinje baseras på en studiedesign som påverkar hur mycket förtroende du bör ha för den.
I AKT står detta ämne för en betydande andel av poängen – ungefär 10–15 % av uppsatsen enligt RCGP:s riktlinjer. Det är ett av få områden där en liten mängd riktad repetition lönar sig omedelbart . Många kandidater förlorar enkla poäng här, inte för att koncepten är svåra, utan för att de aldrig har satt sig ner och lärt sig dem systematiskt.
Statistikfrågorna i AKT presenterar ofta en tabell med studiedata och ber dig beräkna ett värde, tolka en graf eller identifiera den bästa studiedesignen. De belönar metodiskt tänkande, inte medicinsk kunskap. Detta gör dem till de mest "inlärningsbara" poängen i provet.
Evidensbaserad medicin (EBM)
"När jag var under utbildning i mitten av 1980-talet gav jag en intravenös infusion av lidokain till varje patient som kom in genom dörren efter en hjärtattack. Det var standarden. Alla gjorde det. Det verkade vara helt logiskt."
— Professor Gordon Guyatt, läkaren som myntade termen "evidensbaserad medicin", som beskriver sin egen utbildning innan EBM existerade
Han upptäckte senare att den praktik han hade utbildats i – och som hundratusentals läkare världen över utförde – inte bara var värdelös, utan potentiellt dödande. Inte på grund av vårdslöshet. Inte på grund av inkompetens. Utan för att ingen någonsin ordentligt hade testat om den faktiskt fungerade.
Den berättelsen är anledningen till att evidensbaserad medicin finns – och varför den är djupt viktig för varje patient du någonsin kommer att träffa.
"Den samvetsgranna, tydliga och omdömesgilla användningen av aktuella bästa bevis vid beslutsfattande om vården av enskilda patienter."
— David Sackett, BMJ 1996 — den mest citerade definitionen inom medicin
Enkelt uttryckt: snarare än att behandla patienter baserat på vana, åsikter, tradition eller vad din professor sagt, kräver EBM att du baserar kliniska beslut på bästa tillgängliga forskning – rigoröst utförd, kritiskt granskad och ärligt tolkad.
Det ersätter inte klinisk bedömning – det informerar den. EBM vilar på tre oskiljaktiga pelare som måste fungera tillsammans:
🕰️ Hur uppstod EBM? — En kort historia
EBM dök inte upp från ingenstans. Det var kulmen på årtionden av stillsamt revolutionärt tänkande i Kanada och Storbritannien.
| År | Event |
|---|---|
| 1938 | John Paul (Yale) myntade termen "klinisk epidemiologi" – idén att medicin bör studeras vetenskapligt i populationer, inte bara observeras hos enskilda patienter. |
| 1967 | McMaster University (Hamilton, Kanada) öppnar sin nya medicinska fakultet med en institution för klinisk epidemiologi och biostatistik – radikal vid den tiden, dedikerad till att tillämpa forskningsmetoder på kliniska beslut |
| 1972 | Archie Cochrane, en skotsk epidemiolog, publicerar Effektivitet och effektivitet: Slumpmässiga reflektioner över hälso- och sjukvårdstjänster — en banbrytande text som argumenterar för att medicinen måste testa sina egna behandlingar rigoröst. Hans arbete ger så småningom upphov till Cochrane Collaboration, uppkallad efter honom. |
| 1981 | David Sackett och kollegor på McMaster publicerar en nioartikelserie i Canadian Medical Association Journal där de lär kliniker hur man kritiskt granskar medicinsk litteratur. Detta är den formella starten på EBM-rörelsen. |
| 1990 | Gordon Guyatt, en ung rektor på McMaster, utformar ett nytt undervisningsprogram och kallar det inledningsvis för "Vetenskaplig medicin". Kollegorna ryggar tillbaka – antydningen att nuvarande praxis inte är vetenskaplig är alltför direkt. |
| 1991 | Guyatt byter namn på metoden "Evidensbaserad medicin" och publicerar termen i en ledare i ACP Journal Club. Frasen fastnar omedelbart. |
| 1992 | Den betydelsefulla JAMA-artikeln — "Evidensbaserad medicin: En ny metod för undervisning i läkarutövning" — introducerar EBM för världen. Reaktionen, minns Guyatt, var inledningsvis "ilska". Kollegorna kände att de fick höra att de inte var bra läkare. |
| 1993 | Cochrane Collaboration grundas formellt – ett internationellt nätverk för att producera och sprida systematiska översikter av hälso- och sjukvårdsinformation. |
| 1996 | David Sackett publicerar den definitiva definitionen med tre pelare i BMJ. EBM blir mainstream. |
| 2000 -talet - nuvarande | EBM integreras i brittisk utbildning: NICE:s riktlinjer, GMC:s Good Medical Practice och RCGP:s läroplan kräver det alla. Det är grunden för hur alla brittiska läkare nu utbildas och bedöms. |
⚠️ Hur var medicin före EBM? Problemet den löste
Före EBM (Equality Based Based Memory - en amerikansk medicin) baserades medicinen på vad Gordon Guyatt minnesvärt kallade "GOBSAT" – Good Old Boys Sitting Around a Table . Kliniska riktlinjer skrevs av seniora experter som samlade sina personliga åsikter, och vad som hände med patienten berodde helt på vilken läkare som råkade träffa dem.
- Eminensbaserad medicin: Du behandlade patienter på samma sätt som din professor gjorde. Auktoritet kom från senioritet, inte bevis. En konsult som "alltid hade gjort det på det här sättet" i 30 år blev utsatt för – även om "så här sättet" aldrig hade testats.
- Intuitionbaserad medicin: Om en behandling verkade fysiologiskt rimlig, användes den. Om det verkade logiskt att undertrycka onormala hjärtrytmer, undertryckte man dem. Huruvida det faktiskt hjälpte patienterna testades sällan.
- Anekdotbaserad medicin: "Enligt min erfarenhet har jag funnit att..." var bevisstandarden. Enskilda fall styrde praxis – även när dessa fall var statistiska extremvärden.
- Enorm variation: Samma patient som söker behandling på två olika sjukhus – eller till och med två olika läkare på samma sjukhus – kan få helt olika behandlingar för exakt samma tillstånd.
🔴 Exemplet som förändrade medicinen — CAST-studien
Detta är inte hypotetiskt. Det är en av de viktigaste sanna berättelserna inom modern medicin – och ett av de starkaste argumenten som EBM någonsin har behövt.
Upplägget — Logiken som verkade oantastlig
Hjärtattacker orsakar farliga hjärtrytmrubbningar (ventrikulära arytmier). Ventrikulära arytmier orsakar plötslig död. Därför: undertrycka arytmierna → förhindra plötslig död . Detta verkade så uppenbart rätt att från och med 1970-talet gavs antiarytmika – särskilt lidokain, flekainid och enkainid – rutinmässigt till patienter efter hjärtinfarkt på sjukhus över hela världen. Inte ibland. Rutinmässigt. Som standardvård.
Rättegången — Någon testade den faktiskt
År 1987 inkluderades över 1 700 patienter efter hjärtinfarkt i Cardiac Arrhythmia Suppression Trial (CAST) som randomiserade dem till antiarytmika (flekainid eller enkainid) eller placebo. Läkemedlen gjorde precis vad de skulle – de lyckades dämpa arytmierna. Men något oväntat hände.
Resultatet – vad ingen förväntade sig
Patienter som fick läkemedlen löpte 2.5 gånger högre risk att dö än de som fick placebo. Studien fick avbrytas i förtid eftersom skadan var så uppenbar. Läkemedlen hade dödat just de patienter de var avsedda att skydda.
NNH = 21. För varje 21 patient som behandlades med flekainid eller enkainid dog ytterligare en person som annars skulle ha överlevt.
Den Lesson
Gordon Guyatt – då en ung kardiolog – hade personligen gett lidokaininfusioner till varje patient med hjärtinfarkt som kom genom hans avdelning. Han följde bästa praxis. Han hade blivit korrekt undervisad. Han hade goda avsikter. Och ändå, utan det rigorösa testet i en randomiserad kontrollerad studie (RCT), hade varken han eller hans kollegor något sätt att veta att behandlingen var skadlig. Denna erfarenhet blev central för varför han ägnade sin karriär åt EBM. Medicinhistorien, sa han senare, "är full av behandlingar som mest baserades på gissningar och intuition snarare än solida bevis."
Innan EBM berodde vad man fick på var man råkade bo, vilket sjukhus man besökte och vilken läkare som undersökte en. Samma patient med samma tillstånd kunde få helt olika behandlingar i Leeds och London. Olika sjukhus. Olika länder. Vilt olika resultat.
EBM förändrade detta. Genom att förankra kliniska beslut i samma evidens – samma studier, samma systematiska översikter, samma riktlinjer – gav det medicinen ett gemensamt språk och en gemensam standard. Idag bör en patient som uppvisar en hjärtinfarkt i Bradford och en patient som uppvisar en hjärtinfarkt i Bristol i huvudsak få samma evidensbaserade vård. Inte för att läkare är identiska, utan för att behandlingen styrs av evidensen, inte av individuella preferenser.
I Storbritannien omsätts detta genom NICE:s riktlinjer , RCGP:s läroplan , QOF-indikatorer , kliniska revisioner och MRCGP-undersökningar – som alla kräver och bedömer evidensbaserad praktik. När du gör AKT-provet testas din förmåga att tillämpa detta ramverk.
🌍 En värld utan EBM — Den internationella bilden
Storbritanniens engagemang för EBM – genom NICE, NHS och forskarutbildning – är inte universellt. I många delar av världen beror det du får som patient fortfarande i hög grad på vem som träffar dig, var du kommer och hur mycket du kan betala. Att förstå detta hjälper dig att förstå vad EBM skyddar dina patienter från.
Variationen som beskrivs nedan återspeglar hälso- och sjukvårdssystem och strukturer , inte enskilda läkares kompetens eller engagemang. Många briljanta, hårt arbetande läkare praktiserar i alla länder som listas. Problemet är avsaknaden av den standardiserande infrastruktur – riktlinjer, tillsyn, utbildningsramverk – som EBM tillhandahåller. Enskilda läkare kan inte övervinna systemiska problem ensamma.
| Land / region | Hur praxis varierar utan starka EBM-ramverk |
|---|---|
| 🇮🇳 Indien (privat sektor) | En 2018 Lansetten Studien fann att kejsarsnittsfrekvensen låg på 40–58 % på privata sjukhus jämfört med 10–14 % på offentliga sjukhus – ofta driven av ekonomiska incitament snarare än kliniskt behov. Överutredning och polyfarmaci är allmänt dokumenterade inom den privata sektorn. Samma cancerpatient kan få dramatiskt olika behandlingar baserat på var de söker vård och vad de har råd med. |
| 🇵🇰 Pakistan | Betydande variationer i följsamhet till antibiotikariktlinjer – en av de högsta antibiotikaförskrivningsfrekvenserna i Sydasien. Läkemedelsresistent tuberkulos och antimikrobiell resistens är direkta konsekvenser. Tillgången till specialistvård och standardiserade behandlingsplaner är starkt beroende av geografi och inkomst. |
| 🇳🇬 Nigeria / 🇬🇭 Ghana | Magnesiumsulfat är den WHO-rekommenderade, evidensbaserade och billiga behandlingen för eklampsi. Studier visar att den minskar mödradödligheten avsevärt. Ändå varierar tillgängligheten och den faktiska användningen på nigerianska och ghananska anläggningar enormt beroende på sjukhusresurser och klinikers utbildning – vilket innebär att huruvida en kvinna med eklampsi överlever eller dör kan bero på vilken avdelning hon når. |
| 🇸🇩 Sudan / 🇮🇶 Irak | Långvarig konflikt och instabilitet har ödelagt hälso- och sjukvårdsinfrastrukturen. I Irak kollapsade den offentliga hälso- och sjukvården efter 2003, implementeringen av riktlinjer stannade av och tillgången till basläkemedel blev geografiskt beroende. I Sudan har konflikten stört vaccinationsprogram, mödrahälsovård och hantering av kroniska sjukdomar. Variationer i praxis i sådana miljöer är inte en fråga om preferenser – det är en fråga om vad som finns tillgängligt. |
| 🇪🇬 Egypten / 🇮🇷 Iran | Båda länderna har medicinska skolor som utbildar skickliga läkare och har publicerat riktlinjer för elektronisk respons (EBM) – men implementeringen är inkonsekvent mellan den offentliga och privata sektorn, och mellan stads- och landsbygdsområden. I Iran har internationella sanktioner påverkat läkemedelstillgängligheten, vilket tvingat fram anpassningar som avviker från evidensbaserade protokoll. |
| 🇷🇴 Rumänien | Rumänien har dokumenterat praxis med pliculär ("kuvertet") – informella kontantutbetalningar till läkare och sjuksköterskor för att säkerställa vård. Officiellt olagligt, men allmänt tillämpat. Parlamentariska utredningar och undersökande journalistik har bekräftat att kvaliteten på kirurgisk vård kan bero på vad en patient kan betala privat, oavsett deras officiella NHS-motsvarighet. Hjärnflykt har lett till att uppskattningsvis 14 000+ läkare har tagits bort sedan EU-inträdet. |
| 🇺🇸 Förenta staterna | Den dyraste sjukvården i världen – över 12 000 dollar per person och år – men resultaten är ofta inte bättre än i Storbritannien. Dartmouth Atlas-projektet har dokumenterat enorma geografiska variationer i klinisk praxis: samma patient i Miami kan få dubbelt så många undersökningar och procedurer som samma patient i Minneapolis, utan någon skillnad i resultat. En JAMA-studie från 2019 uppskattade att 935 miljarder dollar – ungefär en fjärdedel av alla amerikanska sjukvårdsutgifter – slösas bort på onödig vård. Opioidkrisen underblåstes delvis av att läkemedelsföretag påverkade förskrivningspraxis utanför EBM-ramverken. |
| 🇫🇷 Frankrike | Frankrike har utmärkt sjukvård – men antibiotikaförskrivningsfrekvensen har historiskt sett varit bland de högsta i Europa, delvis drivet av kulturella förväntningar om att en konsultation alltid ska avslutas med ett recept. Kampanjer för att minska detta ("Antibiotika är inte automatiska") har hjälpt, men mönstret illustrerar hur kulturella och kommersiella påtryckningar kan åsidosätta evidensbaserade riktlinjer även i sofistikerade system. |
| 🇮🇹 Italien | Hälsovårdskvaliteten i norra Italien (Milano, Bologna) är bland den bästa i Europa. I delar av södra Italien är bilden mycket annorlunda – längre väntetider för cancerkirurgi, mindre konsekvent tillämpning av screeningprogram, lägre följsamhet till riktlinjebaserad vård. Geografiskt ursprung inom samma land kan påverka resultaten avsevärt. |
| 🇬🇷 Grekland / 🇪🇸 Spanien | Greklands åtstramningskris (2010–2015) ledde till nedskärningar i sjukvårdsutgifterna på över 25 %, vilket orsakade dokumenterad brist på läkemedel, personalnedskärningar och kvalitetsförsämring. Över 35 000 sjukvårdspersonal emigrerade. I Spanien har betydande regionala variationer i canceröverlevnad dokumenterats – den tumör du utvecklar kan bete sig olika beroende på vilken region du råkar bo i, inte för att biologin skiljer sig åt, utan för att systemets tillämpning av evidensbaserad behandling gör det. |
I hälso- och sjukvårdssystem utan robusta EBM-ramverk eller universella rättigheter är sambandet mellan betalning och behandlingskvalitet ofta direkt och dokumenterat:
- På vissa indiska privatsjukhus kan en patient som kommer med bröstsmärtor och kan betala för privat vård få omedelbar kateterisering och stentning. Samma patient i det offentliga systemet kan vänta i timmar på ett EKG.
- I delar av Afrika söder om Sahara beror det på vilken klinik de kommer till och vad deras familj kan betala huruvida ett barn med svår malaria får artemisininbaserad kombinationsbehandling (den evidensbaserade standarden) eller ett äldre, mindre effektivt läkemedel.
- I länder utan universell tillgång till läkemedel kan cancerkemoterapi endast vara tillgänglig för dem som kan betala ur egen ficka – vilket innebär att identiska cancerformer har dramatiskt olika resultat baserat enbart på inkomst.
- I Rumänien och vissa andra östeuropeiska länder har kvaliteten på ett kirurgiskt ingrepp – kirurgens noggrannhet, kvaliteten på anestesiövervakningen, till och med tillgången till postoperativ omvårdnad – dokumenterats bero på informell betalning, inte kliniskt behov.
Varje gång du går ombord på ett kommersiellt flyg drar du nytta av ett av de mest effektiva säkerhetssystemen människor någonsin har byggt. Inte för att enskilda piloter är exceptionellt begåvade – även om de är det. Utan för att flyget är uppbyggt kring standardiserade, evidenstestade protokoll . Varje pilot, varje flygbolag, varje land följer samma checklistor före flygning, samma landningsprocedurer, samma nödprotokoll. Systemet skyddar dig oavsett vilken individuell pilot du får.
Medicin utan EBM är flyg utan checklistor. Din säkerhet beror helt på om du råkar få tag på en bra pilot, om piloten har utbildat sig tillräckligt nyligen, om de har en bra dag och om de har hört de senaste tankarna från någon de litar på.
EBM ersätter tur med system. Den ersätter "enligt min erfarenhet" med "i 15 000 studier med 2 miljoner patienter". Den ersätter åsikten från den som råkar vara högst uppsatt i rummet med de ackumulerade bevisen från mänsklighetens kollektiva kliniska erfarenhet. Skulle du inte föredra det för dina patienter? Skulle inte dina patienter föredra det för sig själva?
- Varje NICE-riktlinje du följer är resultatet av en systematisk evidensgranskning – någon har gjort jobbet med att säkerställa att det du gör stöds av bästa tillgängliga vetenskap.
- Varje AKT-fråga om statistik och forskningsmetoder testar din förmåga att kritiskt granska bevis – att vara en aktiv konsument av EBM, inte en passiv följare av instruktioner.
- När du förklarar ett NNT för en patient, eller diskuterar begränsningarna med ett screeningtest, eller vägrar att förskriva ett antibiotikum som inte är indicerat, utövar du EBM – medvetet, explicit och omdömesgillt.
- Och när en läkemedelsrepresentant sitter mitt emot dig och berättar att deras nya läkemedel minskar hjärt-kärlhändelser med 35 %, är din första fråga – "35 % relativt eller absolut?" – den fråga som EBM lärde medicinen att ställa.
Studiedesign och evidenshierarki
Innan du tolkar ett resultat måste du veta var det kommer ifrån . Olika studiedesigner besvarar olika frågor, genererar olika statistik och har olika nivåer av reliabilitet.
Bevispyramiden
Starkast bevis högst upp; svagast längst ner
⬆ Starkaste bevis | ⬇ Svagaste bevis
| Studera design | Riktning | bäst för | skapar | Viktig svaghet |
|---|---|---|---|---|
| Systematisk granskning / metaanalys | - | Bästa övergripande bevis på en fråga | Poolad effektstorlek | Bara så bra som underliggande studier; heterogenitet |
| RCT (randomiserad kontrollerad studie) | Framåt | Fungerar behandling X? | RR, ARR, NNT | Dyr, artificiell miljö, etiska problem |
| Kohortstudie | Framåt (prospektiv) eller bakåt (retrospektiv) | Orsakar exponering utfall? Incidens? | Relativ risk (RR), incidens | Avgång; dyrt över tid; förvirrande |
| Fallkontrollstudie | Bakåt | Sällsynta sjukdomar; riskfaktorer | Oddskvot (OR) | Minnesbias; kan inte beräkna incidensen direkt |
| Tvärsnittsstudie | Enskild ögonblicksbild | Hur vanligt är X just nu? (prevalens) | Utbredning | Kan inte fastställa orsakssamband; tidsmässig tvetydighet |
| Fallrapport / Expertutlåtande | - | Hypotesgenerering; sällsynta händelser | Endast beskrivning | Mycket mottaglig för bias; inte generaliserbar |
📖 Kvalitativ vs. kvantitativ forskning
Svarar "hur många" eller "hur mycket". Använder siffror, statistik och strukturerade data. Exempel: RCT, kohortstudier, enkäter med numeriska utfall. Genererar p-värden, konfidensintervall, icke-nationella numeriska resultat.
Svarar på "varför" eller "hur". Använder ord, teman och intervjuer. Exempel: fokusgrupper, etnografiska studier, grounded theory. Utforskar patienters erfarenheter och övertygelser.
🔬 Systematisk granskning kontra metaanalys — Inte samma sak
Systematisk granskning: En rigorös, strukturerad litteratursökning som identifierar, väljer ut och kritiskt granskar alla relevanta studier om en fråga. Resultatet är en kvalitativ sammanfattning av bevisen.
Metaanalys: En systematisk översikt som går ett steg längre – den sammanför matematiskt de kvantitativa resultaten från flera studier till en enda kombinerad uppskattning. Inte alla systematiska översikter inkluderar en metaanalys (t.ex. om studierna är för heterogena för att kombineras).
🔄 PICO-ramverket
PICO är standardramverket för att strukturera en klinisk forskningsfråga – som används för att söka i litteraturen och utforma studier.
| Brev | Står för | Exempelvis |
|---|---|---|
| P | Population / Patient | Vuxna med typ 2-diabetes |
| I | Intervention | SGLT2-hämmare |
| C | Jämförelse | Metformin ensamt |
| O | Resultat | Kardiovaskulära händelser vid 5 år |
🎲 RCT-designfunktioner (vanligtvis testade)
| Leverans | Vad det betyder | Varför det gäller |
|---|---|---|
| Randomisering | Deltagare som slumpmässigt tilldelas grupper | Eliminerar urvalsbias; balanserar störfaktorer |
| Enkelblind | Deltagarna vet inte sin tilldelning | Minskar placeboeffekten och deltagarbias |
| Dubbelgardin | Varken deltagarna eller utredarna känner till allokeringen | Eliminerar observatörsbias OCH deltagarbias |
| Trippelblind | Deltagare, utredare OCH dataanalytiker blindade | Maximal biasreducering |
| Avsikt att behandla (ITT) | Analyserades i sin ursprungliga grupp oavsett följsamhet | Bevarar randomisering; återspeglar verklig användning |
| Enligt protokoll | Analyseras endast om de slutförde protokollet | Visar biologisk effekt men överskattar verklig nytta |
| Crossover-design | Deltagarna får båda behandlingarna i tur och ordning | Varje person agerar som sin egen kontroll; behöver en uttvättningsperiod |
| Dold allokering | Den som rekryterar deltagare kan inte se vilken grupp nästa deltagare kommer att tilldelas förrän efter de har blivit inskrivna | Förhindrar att rekryteraren omedvetet (eller avsiktligt) tilldelar friskare patienter till behandlingsgruppen – en form av urvalsbias som enbart randomisering inte förhindrar. |
| Kluster-RCT | Hela grupper (t.ex. vårdcentraler, avdelningar, skolor) randomiseras snarare än individer | Används när individuell randomisering är opraktisk (t.ex. testning av en ny konsultationsstil). Kräver större urvalsstorlekar och statistisk justering för klustereffekt. |
Behandlingsintention ger en mer konservativ (lägre) uppskattning av effektiviteten – eftersom den inkluderar deltagare som inte följer behandlingen. Detta är den föredragna analysen för kliniska beslut. Enligt protokollet överskattar den effektiviteten men är användbar för att förstå den biologiska mekanismen.
⚖️ Överlägsenhets-, icke-underlägsenhets- och ekvivalensstudier
Alla studier ställer inte samma fråga. AKT testar ibland om du förstår vad en studie faktiskt var utformad för att visa – och varför det är viktigt när du tolkar dess resultat.
| Provtyp | Frågan som ställs | Gemensam kontext |
|---|---|---|
| Överlägsenhetsprov | "Är den nya behandlingen bättre än jämföraren?" | De flesta vanliga RCT-studier – testning av ett verkligt nytt läkemedel eller en helt ny metod |
| Icke-inferioritetsstudie | "Är den nya behandlingen inte värre än jämförelseobjektet med mer än en förutbestämd liten marginal?" | Nytt läkemedel med färre biverkningar, lägre kostnad eller enklare att administrera – målet är att visa att det är "tillräckligt bra" |
| Ekvivalensstudie | "Är de två behandlingarna i huvudsak samma?" | Biosimilarer; generiska läkemedel; olika administreringsvägar |
Ett nytt antikoagulantia kan visa sig vara "icke-sämre" än warfarin för att förebygga stroke – inte bättre, men inte avsevärt sämre – samtidigt som det är lättare att använda (ingen INR-övervakning). Det är ett kliniskt värdefullt fynd även om läkemedlet inte "slog" warfarin. AKT-provtagaren kan be dig att tolka ett icke-sämre resultat korrekt.
En icke-inferioritetsstudie som visar "ingen signifikant skillnad" är inte detsamma som en överlägsenhetsstudie som visar "ingen signifikant skillnad". I en överlägsenhetsstudie innebär ett icke-signifikant resultat att du inte lyckades bevisa att det nya läkemedlet fungerar bättre. I en icke-inferioritetsstudie är en icke-signifikant skillnad precis vad du hoppades på.
Forskningsbias, validitet och reliabilitet
| Typ av bias | Definition | Vilka studiedesigner? | Hur man minskar det |
|---|---|---|---|
| Urvalsfördom | Deltagarna är inte representativa för målgruppen | Alla typer | Randomisering; noggrant urval |
| Återkalla fördomar | Fall (personer med sjukdom) minns tidigare exponeringar tydligare än kontrollpersoner | Fallkontrollstudier | Objektiva datakällor; standardiserade frågeställningar |
| Publikationsfördom | Positiva/signifikanta studier publiceras oftare än negativa | Metaanalyser (upptäckta via trattdiagram) | Prövningsregistrering; sökning i grå litteratur |
| Attrition Bias | Förlust av deltagare till uppföljning snedvrider resultaten (avhoppare skiljer sig från slutförare) | Kohortstudier, RCT | Intention-to-treat-analys; minimera bortfall |
| Ledtidsbias | Screening ger en illusion av förbättrad överlevnad genom att upptäcka sjukdom tidigare | Screeningstudier | Använd sjukdomsspecifik mortalitet, inte överlevnad från diagnos |
| Längdförskjutning | Screening upptäcker mer långsamt växande (mindre aggressiva) sjukdomar | Screeningstudier | RCT med sjukdomsspecifika utfall |
| Observatörs-/bedömningsbias | Kunskap om behandlingsallokering påverkar resultatbedömningen | RCT | Bländning (enkel, dubbel, trippel) |
| Havtornseffekten | Deltagarna ändrar sitt beteende eftersom de vet att de blir observerade | Alla typer, särskilt observationsbaserade | Kontrollgrupper; blinda observatörer |
| Verifieringsbias | Endast patienter med ett positivt testresultat får det bekräftande testet enligt guldstandarden – så sensitiviteten verkar falskt hög och specificiteten falskt låg. | Diagnostiska teststudier | Se till att alla patienter (positiva och negativa) får guldstandardtestet |
| confounding | En tredje variabel är associerad med både exponering och utfall, vilket förvränger det skenbara sambandet. | Observationsstudier | Randomisering (RCT); stratifiering; multivariat analys |
🔀 Förvirrande — När två saker ser ut att vara sammanlänkade men inte är det
Förvirrande är ett av de viktigaste begreppen inom forskningsmetodik – och en av de vanligaste anledningarna till att till synes övertygande observationsresultat visar sig vara felaktiga. Huvudtanken är enkel: två saker kan verka kopplade inte för att de direkt påverkar varandra, utan för att båda är kopplade till en dold tredje variabel.
En störfaktor (eller störande variabel) är en tredje variabel som är oberoende associerad med både exponeringen och resultatet. Den skapar en falsk association – eller maskerar en verklig – mellan exponeringen och resultatet du studerar.
Klassiska exempel
| Skenbar länk | Förvirraren | Varför det förklarar allt |
|---|---|---|
| Glassförsäljning → drunkningsdödsfall | Varmt väder (sommar) | Varmt väder orsakar både mer glassätande OCH mer simning → fler drunkningar. Glass orsakar inte drunkning. |
| Kaffedrickande → lungcancer | Röktillbehör | Rökare dricker i genomsnitt mer kaffe. Tidiga studier kopplade kaffe till cancer – tills rökning kontrollerades. |
| Att bära en tändare → lungcancer | Röktillbehör | Rökare bär med sig tändare. Tändaren har ingen biologisk effekt – det har rökning. |
| Grått hår → hjärtsjukdom | Ålder | Både grått hår och hjärtsjukdomar ökar med åldern. Det är åldern som stör – inte hårfärgen. |
| Skostorlek → läsförmåga (hos barn) | Ålder | Äldre barn har större fötter OCH läser bättre. Ålder förklarar båda. |
En variabel är en störfaktor om den uppfyller alla tre av dessa:
- Det är förknippat med exponering (det du studerar)
- Det är förknippat med Resultatet (resultatet du mäter)
- Det är inte på den kausala vägen mellan exponering och utfall (det är en separat tredje variabel, inte ett steg däremellan)
- Randomisering (i RCT) — fördelar kända och okända störfaktorer lika mellan grupperna. Detta är det starkaste skyddet.
- Restriktion — endast rekrytera deltagare som liknar varandra vad gäller störfaktorn (t.ex. endast icke-rökare i kaffestudien)
- Matcha — para ihop fall och kontroller på störvariabeln
- stratifiering — analysera resultaten separat för varje nivå av störfaktorn
- Multivariat statistisk justering — statistiskt ta hänsyn till flera störfaktorer samtidigt
I en väl genomförd RCT fördelar randomisering störfaktorer (både kända och okända) lika mellan grupperna – vilket eliminerar störfaktorer som en förklaring till skillnader. I kohort- och fallkontrollstudier kan man bara justera för störfaktorer som man känner till och har mätt. Ouppmätta störfaktorer förblir alltid en potentiell förklaring till alla observerade samband – vilket är anledningen till att observationsstudier aldrig definitivt kan bevisa orsakssamband.
✅ Validitet och tillförlitlighet — Vad är skillnaden?
Mäter studien vad den påstår sig mäta inom studiepopulationen? Är resultaten av denna studie tillförlitliga? Hotas av partiskhet och förvirrande faktorer.
Kan resultaten tillämpas på andra populationer eller verkliga miljöer? En noggrant kontrollerad RCT på ett specialistcenter kanske inte återspeglar vad som händer inom primärvården.
Ger testet konsekventa resultat när det upprepas under samma förhållanden? Mätt med interbedömarreliabilitet (kappastatistik) eller test-retestreliabilitet.
Mäter överensstämmelse mellan två bedömare bortom slumpen. κ = 1 (perfekt överensstämmelse); κ = 0 (överensstämmelse inte bättre än slumpen); κ < 0 (sämre än slumpen).
Mätning av risk och behandlingseffekt
Detta är det mest prövade området inom AKT-statistik. Du behöver känna till dessa formler direkt och kunna tillämpa dem på försöksdatatabeller under provförhållanden.
De viktigaste mätvärdena
📊 NNT-tolkning — Vad betyder siffrorna egentligen?
NNT visar hur många patienter du behöver behandla för att en patient ska gynnas. Så ju färre patienter du behöver behandla för att få en fördel, desto effektivare blir behandlingen. NNT = 2 betyder att 1 av 2 patienter gynnas – det är utmärkt. NNT = 100 betyder att endast 1 av 100 gynnas – mycket svagare.
| NNT-intervall | Grov tolkning | Exempel sammanhang |
|---|---|---|
| <10 | Mycket effektivt | Antibiotika för vissa infektioner; vissa akuta behandlingar |
| 10 - 50 | Måttlig effekt | Många vanliga förebyggande läkemedel |
| > 100 | Svag effekt | Några förebyggande strategier på befolkningsnivå |
Dessa tröskelvärden kommer inte från NICE eller RCGP – de är endast grova läromedel. Den "rätta" NNT:n är alltid kontextberoende:
- En NNT av 100 kan fortfarande vara värt det om det förhindrade resultatet är dödsfall eller allvarlig oåterkallelig skada
- En NNT av 5 kanske inte är acceptabelt om behandlingen har frekventa eller allvarliga biverkningar
Enradsregel: NNT visar hur många patienter du behandlar för att en ska gynnas – lägre = starkare effekt. Men väg det alltid mot resultatets svårighetsgrad och behandlingsbördan.
Om 60 av 100 patienter gynnas, är det en ARR på 60 % (= 0.6), vilket ger NNT = 1 ÷ 0.6 ≈ 1.7 – ett utmärkt resultat. NNT är inte antalet som gynnas; det är antalet du behandlar för att få en fördel.
📖 Odds Ratio och Hazard Ratio — När används dessa?
| Mäta | Använd i | Tolkning |
|---|---|---|
| Relativ risk (RR) | Kohortstudier, RCT | Jämför direkt risken i två grupper. Mer intuitivt än ELLER. |
| Oddskvot (OR) | Fallkontrollstudier | Jämför oddsen för exponering hos fall kontra kontrollpersoner. Approximerar RR när sjukdomen är sällsynt. |
| Hazard Ratio (HR) | Överlevnadsanalys (tid till händelse) | Liksom RR men tar hänsyn till när händelser inträffar över tid. HR <1 = minskad risk i behandlingsgruppen. |
För vanliga sjukdomar överskattar OR risken jämfört med RR. För sällsynta sjukdomar (<10 % prevalens) är de ungefär lika. En fallkontrollstudie genererar en OR – man kan inte direkt beräkna incidens eller RR från en fallkontrollstudie.
🧮 Utfört exempel — Beräkning av NNT från försöksdata
🎯 Scenario: Statinstudie
En 5-årig RCT visar att bland patienter med hög kardiovaskulär risk: 6% i placebogruppen fick en hjärtinfarkt, jämfört med 4% i statingruppen.
Behandla 50 patienter i 5 år för att förhindra 1 hjärtinfarkt
Låter imponerande! Men den absoluta fördelen är bara 2 %.
Statingruppen hade 67 % av risken jämfört med placebogruppen – en relativ minskning med 33 %.
När en patient frågar "Kommer den här statinen att hjälpa mig?", använd NNT. "Om 50 personer som du tar den här tabletten i 5 år, kommer 1 hjärtinfarkt att förhindras. För dig personligen är det en absolut fördel på 2 %." Det är mycket mer ärligt än "Det minskar din risk med 33 %."
💬 Kommunicera risker till patienter (AKT-favorit)
AKT testar ofta hur man skulle förklara statistisk information för patienter. Det finns fyra huvudformat:
| Format | Exempelvis | bäst för |
|---|---|---|
| Naturlig frekvens | "5 av 100 personer" | Enklast för patienter att förstå |
| Procent | "5 % av människorna" | Används flitigt men kan vilseleda |
| NNT | "Behandla 20 för att förhindra 1 händelse" | Kommunicerar tydligt den absoluta nyttan |
| Cates-plotten | Visuellt rutnät med 100 ansikten | Bästa visuella hjälpmedlet för gemensamt beslutsfattande |
Att säga "detta minskar din risk med 33 %" utan att ange baslinjerisken är vilseledande. En RRR på 33 % från en baslinje på 0.3 % innebär att din absoluta nytta är 0.1 %. Para alltid ihop RRR med baslinjerisk eller ange ARR/NNT istället.
💊 Läkemedelsrepresentant-tricket — Hur läkemedelsföretag snurrar statistik
Representanter för läkemedelsföretag är utbildade för att presentera studiedata på ett så gynnsamt sätt som möjligt. De använder ett enkelt men effektivt statistiskt knep:
- Fördelar → anges som relativ riskreduktion (RRR) — eftersom det låter större och mer imponerande
- Skador → citeras som absolut riskökning (ARI) — eftersom det låter mindre och mindre oroande
Utfört exempel — ett fiktivt besök hos en statinrepresentant
Ett nytt statin minskar hjärtinfarkter från 2 % till 1 % över 5 år, men ökar myopati från 1 % till 2 %.
Motgiftet: fråga alltid — "Vad är den absoluta skillnaden?" När en representant anger en relativ siffra, konvertera den själv: ARR = CER − EER, sedan NNT = 1 ÷ ARR. Detta gäller lika mycket för fördelar som nackdelar.
Diagnostisk testning och screening — 2×2-tabellen
2×2-kontingenstabellen är grunden för all diagnostisk statistik. Om du kan skapa och läsa den här tabellen kan du besvara de flesta diagnostiska AKT-frågor.
2×2-bordet
| FAKTISKT SJUKDOMSTATUS | ||
|---|---|---|
| TESTRESULTAT | Sjukdom Presentera | Sjukdom Frånvarande |
| Testa positivt | Sant positiv (TP) Testet säger JA → har sjukdom ✓ |
Falskt positivt (FP) Testet säger JA → ingen sjukdom ✗ |
| Test negativt | Falskt negativt (FN) Testet säger NEJ → har sjukdom ✗ |
True Negative (TN) Testet säger NEJ → ingen sjukdom ✓ |
🧠 SnNout & SpPin — Minnesstöden (och varför de fungerar)
Sn ut: Ett mycket känsligt test, om det är negativt , utesluter sjukdomen.
Om känsligheten är mycket hög innebär ett negativt testresultat att sjukdomen är mycket osannolik (låg andel falskt negativa resultat). Använd ett känsligt test för att screena och utesluta.
Sp in: Ett mycket specifikt test, om det är positivt , utesluter sjukdomen In.
Om specificiteten är mycket hög innebär ett positivt testresultat att sjukdomen är mycket sannolik (låg andel falskt positiva resultat). Använd ett specifikt test för att bekräfta diagnosen.
📊 Effekten av prevalens på PPV och NPV — Kritiskt AKT-ämne
Detta är ett av de viktigaste och mest beprövade koncepten inom diagnostisk statistik. Sensitivitet och specificitet är fasta egenskaper hos testet. Men PPV och NPV förändras dramatiskt beroende på hur vanlig sjukdomen är i den population du testar.
| Scenario | Utbredning | PPV | NPV |
|---|---|---|---|
| Screening av den allmänna befolkningen för en sällsynt sjukdom (t.ex. HIV vid låg risk) | 1% | LÅG (~16 %) | HÖG (~99.9 %) |
| Testning på en specialistklinik med hög risk | 50% | HÖG (~95 %) | HÖG (~95 %) |
- Som prevalens ↑ → PPV ↑, NPV ↓
- Eftersom prevalens ↓ → PPV ↓, NPV ↑
- I en population med låg prevalens är de flesta positiva resultaten falskt positiva (låg PPV) – även med ett mycket specifikt test
- Ett negativt test i en population med hög prevalens kan fortfarande missa sjukdom (lägre nuvärdesberäkning)
📐 Sannolikhetsförhållanden — När du vill gå längre
Sannolikhetskvoter (LR) kombinerar sensitivitet och specificitet i ett enda tal som visar hur mycket ett testresultat förändrar sannolikheten för sjukdom. Mer avancerat än PPV/NPV, men användbart – och testas ibland i AKT.
| LR+ | Effekt på sannolikhet efter testet |
|---|---|
| > 10 | Stor och ofta avgörande ökning av sannolikheten |
| 5-10 | Måttlig ökning |
| 2-5 | Liten ökning |
| 1 | Ingen förändring (testet är värdelöst) |
| 0.1-0.5 | Liten till måttlig minskning |
| Stor minskning — stark negativ uteslutning |
Befolkningsstatistik och epidemiologi
📊 Standardiserad dödlighetskvot (SMR)
| SMR-värde | Tolkning |
|---|---|
| = 100 | Dödlighet samma som referenspopulationen |
| > 100 | Överdödlighet (högre än förväntat) |
| <100 | Lägre dödlighet än väntat |
🎯 Screening — Ledtid- och längdbias (viktiga AKT-fällor)
Screening upptäcker en sjukdom tidigare, vilket får det att se ut som att överlevnaden har förbättrats – även om patienten dör vid samma tidpunkt. "Överlevnadstiden från diagnos" har helt enkelt förlängts genom tidig upptäckt, inte genom faktisk behandlingsnytta. Patienten lever inte längre; de vet bara att de lever längre.
Screeningprogram är mer benägna att upptäcka långsamt växande, indolent sjukdom (som har en längre "detekterbar preklinisk fas") än aggressiv sjukdom som fortskrider snabbt. Detta gör att screening ser mer effektiv ut än den egentligen är för allvarlig sjukdom.
✅ Screeningkriterier för Wilson & Jungner
Innan ett screeningprogram introduceras bör det uppfylla Wilson & Jungners kriterier (ursprungligen publicerade 1968, fortfarande standardramverket). AKT testar både kunskap om dessa kriterier och tillämpningen av dem på scenarier.
| # | Kriterium | Vad det betyder i praktiken |
|---|---|---|
| 1 | Viktigt hälsoproblem | Tillståndet har betydande sjuklighet eller dödlighet — värt ansträngningen att screena |
| 2 | Godkänd behandling tillgänglig | Det är ingen idé att upptäcka sjukdomar man inte kan behandla |
| 3 | Det finns möjligheter för diagnos och behandling | Infrastruktur måste vara på plats innan lansering |
| 4 | Igenkännbart latent eller tidigt stadium | Sjukdomen måste ha en detekterbar presymptomatisk fas |
| 5 | Lämplig test tillgänglig | Testet måste vara acceptabelt för befolkningen, säkert och rimligt noggrant |
| 6 | Testet är acceptabelt för befolkningen | Människor måste vara villiga att genomgå det – invasiva eller obekväma tester kan avskräcka upptaget |
| 7 | Naturhistorien tillräckligt förstådd | Måste veta hur sjukdomen fortskrider om den lämnas obehandlad |
| 8 | Överenskommen policy för vem som ska behandlas | Tydliga protokoll behövs – inte bara detektion utan vad som händer sedan |
| 9 | Kostnadseffektivitet | Kostnaden för att hitta varje fall måste vägas mot nyttan |
| 10 | Kontinuerlig process, inte engångsföreteelse | Screening måste ske kontinuerligt – sjukdomsincidensen fortsätter |
PSA-screening för prostatacancer ingår inte i NHS nationella screeningprogram just för att det kämpar med kriterierna 5 och 7: PSA är inte ett tillräckligt noggrant test (låg specificitet → många falskt positiva resultat), och det naturliga förloppet för många låggradiga prostatacancerformer innebär att de aldrig skulle orsaka symtom under patientens livstid. Detta kopplas direkt till överdiagnostik (se nedan).
🔍 Överdiagnostik — Att hitta problem som inte skulle ha orsakat problem
Överdiagnostik inträffar när en verklig sjukdom upptäcks – en som verkligen existerar – men som aldrig skulle ha orsakat symtom, skada eller död under patientens livstid om den lämnats oupptäckt. Det är inte ett falskt positivt resultat (sjukdomen är verklig); det är ett sant positivt resultat som inte behövde upptäckas.
Överdiagnostik omvandlar friska människor till patienter. Det utsätter dem för ångest, biverkningar och risker med behandling av ett tillstånd som aldrig skulle ha skadat dem. Det är en av de viktigaste nackdelarna med screeningprogram – och en som AKT testar direkt.
| Skick | Exempel på överdiagnos |
|---|---|
| Prostatacancer | Många låggradiga cancerformer som upptäcks med PSA skulle aldrig utvecklas eller orsaka symtom – män dör med dem, inte från dem |
| Sköldkörtelcancer | Ultraljud hittar små papillära sköldkörtelcancerformer som nästan universellt är indolenta – upptäckten har ökat men dödligheten oförändrad |
| DCIS (bröst) | Duktalt karcinom in situ upptäckt med mammografi — vissa skulle aldrig bli invasiv cancer |
Överdiagnos = att hitta en sjukdom som inte behövde upptäckas. Överbehandling = att behandla en sjukdom som inte behövde behandlas (vilket kan följa på överdiagnos eller uppstå oberoende av varandra). De är besläktade men skilda begrepp.
🔢 Åldersstandardisering
När man jämför sjukdomsfrekvenser eller dödlighet mellan olika populationer (t.ex. olika länder, olika tidsperioder) måste man justera för att dessa populationer kan ha olika åldersfördelning. Äldre populationer kommer naturligtvis att ha högre dödlighet även om deras hälsa är lika god.
Åldersstandardisering är en statistisk teknik som tar bort den snedvridande effekten av olika åldersfördelningar när man jämför hälsoutfall mellan populationer. Den producerar en frekvens som skulle observeras om båda populationerna hade samma åldersstruktur ("standardpopulationen").
🎗️ Cancerstatistik — AKT Must Knows
AKT testar ibland specifik cancerstatistik. Du behöver inte uttömmande onkologisk kunskap – men dessa huvudsiffror dyker upp och är värda att känna till.
| Cancer | Nyckelstatistik | Varför det gäller |
|---|---|---|
| Testikelcancer | >98 % 10-årsöverlevnad | En av de mest behandlingsbara cancerformerna – viktigt att veta för rådgivning till unga män |
| Lungcancer | Den främsta orsaken till cancerdöd (Storbritannien) | Trots att den inte är den vanligaste cancerformen dödar den fler människor än någon annan |
En cancer kan ha en hög incidens (vanlig) men låg dödlighet (behandlingsbar), som bröstcancer. Eller så kan den ha en lägre incidens men mycket hög dödlighet, som bukspottkörtelcancer. AKT-testet kan testa din förmåga att tolka cancerstatistik korrekt – anta inte att den vanligaste cancern är den dödligaste.
⚖️ Ojämlikheter i hälsa
Hälsoskillnader beskriver orättvisa, undvikbara skillnader i hälsa mellan olika grupper av människor. De är ett viktigt fokusområde för brittisk folkhälsopolitik och förekommer i AKT i samband med epidemiologi och sociala bestämningsfaktorer för hälsa.
Hälsoskillnader är orättvisa, undvikbara skillnader i hälsostatus eller i fördelningen av hälsofaktorer mellan olika befolkningsgrupper . De är "undvikbara" eftersom de härrör från sociala, ekonomiska eller miljömässiga förhållanden som i princip skulle kunna förändras – inte från slumpmässiga händelser eller biologiska variationer.
| Typ | Exempel i Storbritannien |
|---|---|
| socioekonomiska | Lägre förväntad livslängd i utsatta områden; högre förekomst av hjärt-kärlsjukdomar, diabetes och psykisk ohälsa i fattigare samhällen |
| Geografisk | "Nord-syd-klyftan" — sämre hälsoutfall i delar av norra England jämfört med södern |
| Etnisk | Högre förekomst av typ 2-diabetes i sydasiatiska befolkningar; högre kardiovaskulär risk i svarta befolkningar |
| Kön | Män har lägre förväntad livslängd men kvinnor har fler år av ohälsa (sjuklighet) |
Datadistribution och statistisk signifikans
Centralmått
| Mäta | Definition | Används bäst när | Se upp |
|---|---|---|---|
| Betyda | Summa av alla värden ÷ antal värden | Data är normalfördelade | Lätt snedvriden av extremvärden |
| median | Mellanvärde vid sortering. Om det finns ett jämnt tal av värden är medianen medelvärdet av de två mittersta talen. | Snedställda data (t.ex. inkomst, sjukhusvistelselängd) | Ignorerar de faktiska värdena vid extremer |
| Mode | Mest förekommande värde | Kategoriska data; bimodala fördelningar | Kan vara meningslös med kontinuerlig data |
| Mätområde | Maximalt − Minimum | Snabb känsla av spridning | Helt bestämd av extremvärden |
| IQR (interkvartilintervall) | 75:e percentilen − 25:e percentilen | Parat med median för snedställda data | Ignorerar övre och nedre 25 % |
| Standardavvikelse (SD) | Genomsnittlig spridning från medelvärdet | Normalt distribuerade data | Vilseledande om data inte är normalfördelade |
🗂️ Datatyper — Nominal, ordinal, intervall, kvot
Att förstå vilken typ av data man har avgör vilken sammanfattande statistik och vilka statistiska tester som är lämpliga. AKT testar detta – vanligtvis genom att presentera en datauppsättning och fråga vilket test eller mått som ska användas.
| Typ | Definition | Exempel | Analogi |
|---|---|---|---|
| Nominellt | Kategorier utan naturlig ordning | Blodgrupp (A, B, AB, O); kön; ögonfärg; dödsorsak | En fruktskål – äpplen och bananer är bara olika, ingetdera är "mer" |
| ORDNINGS- | Ordnade kategorier, men mellanrummen mellan dem är inte nödvändigtvis lika | NYHA hjärtsviktsklass (I–IV); smärtskala (mild/måttlig/svår); Likertskalor | Placering i tävlingen — 1:a, 2:a, 3:e. Vi vet ordningen, men avståndet mellan 1:a och 2:a kan vara väldigt annorlunda än avståndet mellan 2:a och 3:e. |
| Intervall | Ordnade med lika stora mellanrum mellan värdena, men ingen sann noll | Temperatur i °C; kalenderdatum; IQ-poäng | En termometer — 0°C betyder inte "ingen temperatur". Man kan inte säga att 20°C är "dubbelt så varmt" som 10°C i någon absolut mening. |
| Ratio | Ordnade, lika stora mellanrum, OCH en sant absolut nollpunkt | Längd, vikt, blodtryck, ålder, inkomst, läkemedelsdos | Pengar — 0 pund betyder att du verkligen inte har någonting. 40 pund är dubbelt så mycket som 20 pund |
- Nominella/ordinala data → använd icke-parametriska tester, mod eller median för medelvärden
- Intervall-/förhållandedata (normalfördelad) → kan använda medelvärde, standardavvikelse, parametriska tester
- Om er kan inte meningsfullt beräkna ett medelvärde för nominella data (t.ex. "genomsnittlig blodgrupp" är nonsens) eller gör proportionella uttalanden med intervalldata (man kan inte säga att någon med ett IQ på 120 är "dubbelt så smart" som någon med 60)
🔬 Parametriska kontra icke-parametriska tester
Statistiska tester delas in i två grupper beroende på vilka antaganden de gör om dina data. AKT testar vilken typ av test som är lämplig för ett givet scenario – du behöver inte utföra beräkningarna, bara vet när du ska använda vilket.
Parametriska tester antar att data är normalfördelade (eller att urvalet är tillräckligt stort för att detta inte spelar någon större roll) och att data är åtminstone på intervallnivå. Icke-parametriska tester gör inga sådana antaganden – de arbetar med rangordningar eller kategorier och är lämpliga för snedfördelade data, små urval eller ordinala/nominella data.
| Syfte | Parametriskt test | Icke-parametrisk ekvivalent |
|---|---|---|
| Jämför medelvärdena för två oberoende grupper | Oberoende t-test | Mann-Whitney U-test |
| Jämförelse betyder: samma grupp, 2 tidpunkter | Parat t-test | Wilcoxon signed-rank test |
| Jämför medelvärden av 3 eller fler grupper | ANOVA (Analysis of Variance) | Kruskal-Wallis test |
| Korrelation mellan två kontinuerliga variabler | Pearson korrelation | Spearman rangkorrelation |
| Jämför proportioner/kategoriska data | - | Chi-kvadrattest (χ²) |
- Data är skev or inte normalfördelat → använd icke-parametriska
- Liten provstorlek (och normaliteten osäker) → använd icke-parametrisk
- Data är ORDNINGS- (t.ex. smärtpoäng, Likert) → använd icke-parametriska
- Jämföra proportioner eller kategorier → chi-kvadrattest
- Stort urval, kontinuerligt, ungefär normalt → parametriskt test är bra
🔔 Normalfördelning — 68-95-99.7-regeln
En normalfördelning är en symmetrisk klockformad kurva. Medelvärdet, medianen och läget är alla lika och ligger i centrum.
| Mätområde | % av inkluderade värden |
|---|---|
| Medelvärde ± 1 SD | 68% |
| Medelvärde ± 2 SD | 95% |
| Medelvärde ± 3 SD | 99.7% |
Med positivt snedvridna data (t.ex. inkomst, väntetider hos allmänläkare, serumbilirubin på en avdelning) dras medelvärdet åt höger av några få höga extremvärden. Använd i det här fallet medianen – den representerar bättre det typiska värdet. AKT älskar att testa denna distinktion.
📉 P-värden och konfidensintervall — Vad de egentligen betyder
P-värden
P-värdet är sannolikheten att observera resultat som är minst lika extrema som de som ses om nollhypotesen är sann (dvs. om det inte finns någon reell effekt). Det är inte sannolikheten att nollhypotesen är korrekt.
| p-värde | Tolkning |
|---|---|
| p <0.05 | Statistiskt signifikant — mindre än 5 % sannolikhet att detta resultat inträffade av en slump |
| p> 0.05 | Inte statistiskt signifikant — resultatet kan bero på slumpen |
| p = 0.01 | 1% chans att få detta resultat om ingen verklig effekt |
Konfidensintervall (KI)
95 % KI betyder: om du upprepade studien 100 gånger, skulle det verkliga populationsvärdet i 95 av dessa falla inom detta intervall.
- För en ratio (RR, OR, HR): om 95 % KI inkluderar 1.0 → inte statistiskt signifikant
- För en Skillnaden (medelskillnad, ARR): om 95 % KI inkluderar 0 → inte statistiskt signifikant
- Om KI är helt över 1 (för förhållanden) → signifikant ökad risk
- Om KI är helt under 1 (för förhållanden) → signifikant minskad risk
❌ Typ I- och typ II-fel — Crying Wolf vs Missing the Wolf
Att förkasta nollhypotesen när den faktiskt är sann. Med andra ord: att dra slutsatsen att en behandling fungerar när den inte gör det. Andelen falskt positiva resultat. Konventionellt acceptabel vid 5 % (α = 0.05, p < 0.05).
"Råpande varg" — att slå larm när det inte finns någon varg.
Att misslyckas med att förkasta nollhypotesen när den faktiskt är falsk. Med andra ord: att missa en sann behandlingseffekt. Andelen falskt negativa resultat. Konventionellt acceptabelt vid 20 % (β = 0.2, styrka = 80 %).
"Saknar vargen" — att säga ingen varg när det finns en.
Styrka = 1 − β. Det är sannolikheten att korrekt detektera en verklig effekt. Högre styrka = mindre sannolikt att missa en verklig effekt. Styrkan ökar med större urvalsstorlekar. En väl utformad studie behöver ≥80 % styrka.
⚡ Statistisk signifikans ≠ Klinisk betydelse
Detta är en av de viktigaste och mest beprövade nyanserna inom AKT-statistik – och en som många praktikanter missar.
Ett resultat kan vara statistiskt signifikant (p < 0.05) men samtidigt vara kliniskt meningslöst . Statistisk signifikans visar bara att resultatet sannolikt inte beror på slumpen – det säger ingenting om huruvida effekten är tillräckligt stor för att spela någon roll i praktiken.
| Scenario | Statistiskt signifikant? | Kliniskt viktigt? |
|---|---|---|
| Blodtrycket sjunker med 1 mmHg, n=50,000, p=0.001 | Ja | Nej |
| Blodtrycket sjunker med 15 mmHg, n=30, p=0.08 | Nej | Förmodligen ja |
| Blodtrycket sjunker med 12 mmHg, n=500, p=0.02 | Ja | Ja |
Titta alltid på effektstorleken (ARR, NNT, medelskillnad) tillsammans med p-värden och konfidensintervall. Ett smalt konfidensintervall som exkluderar noll eller ett är mer meningsfullt än ett p-värde ensamt – det visar både effektens riktning och precision.
- Smal CI → exakt uppskattning → hög säkerhet det sanna värdet ligger nära punktuppskattningen (vanligtvis från ett stort urval)
- Brett CI → osäker uppskattning → det verkliga värdet kan ligga var som helst inom ett brett intervall (vanligtvis från ett litet eller heterogent urval)
Exempel: RR = 1.5 (95 % KI 1.4–1.6) → precis, övertygande. RR = 1.5 (95 % KI 0.6–3.8) → bred, osäker — och överskrider 1.0 så inte ens signifikant.
📈 Regression till medelvärdet — Den dolda förvirringsfaktorn inom klinisk praxis
Regression till medelvärdet är den statistiska tendensen för en extrem mätning att ligga närmare medelvärdet vid en andra mätning – oavsett eventuell intervention . Det är en av de mest underkända källorna till vilseledande slutsatser inom medicin.
Patienter utreds eller behandlas ofta just när deras symtom eller mätningar är som värst. Naturlig variation innebär att dessa mätningar sannolikt förbättras ändå vid omtestning – inte nödvändigtvis på grund av din intervention. Utan en kontrollgrupp är det omöjligt att skilja mellan regression till medelvärdet och verklig behandlingseffekt.
| Scenario | Hur behandlingseffekten ser ut | Vad som faktiskt kan hända |
|---|---|---|
| Patienten har mycket högt blodtryck vid ett avläsningsresultat → påbörjad medicinering → lägre blodtryck vid nästa besök | Läkemedlet fungerar | Första avläsningen kan ha varit en extremvärde; blodtrycket skulle ha varit lägre ändå vid upprepad mätning |
| Eleven får väldigt dåligt resultat på ett prov → får extra undervisning → får bättre resultat nästa gång | Undervisningen hjälpte | Det dåliga resultatet kan ha varit orepresentativt; naturlig prestation tenderar mot deras genomsnittliga resultat. |
| Patient med svårt eksemutbrott börjar med en ny kräm → utbrottet förbättras | Krämen är effektiv | Svåra skov förbättras naturligt med tiden oavsett behandling |
- Ta flera baslinjemätningar och använd medelvärdet innan behandlingen påbörjas
- Använd kontrollgrupp — regression till medelvärdet påverkar båda grupperna lika, så varje skillnad mellan grupperna är mer sannolikt en verklig behandlingseffekt
- Detta är ett av de starkaste argumenten för RCT framför okontrollerade före-och-efter-studier
Statistiska grafer – Vad man ska leta efter
AKT presenterar regelbundet grafer och ber dig att tolka dem. Lär dig att identifiera nyckelfunktionerna i varje graftyp – försök inte läsa allt. En riktad observation är allt som behövs.
| Graftyp | Primär användning | Det enda man ska leta efter |
|---|---|---|
| Skogstomt | Resultat från metaanalys | Har diamant korsa den vertikala linjen utan effekt? |
| Tratt plot | Publikationsbiasdetektering / övervakning av extremvärden för allmänläkare | Är handlingen asymmetrisk? (Gap = saknade opublicerade studier) |
| Cates-tomten | Visuell kommunikation av NNT till patienter | Räkna de färgade "förmåns"-ytorna; NNT = 100 ÷ dessa ytor |
| L'Abbé-tomten | Utforska heterogenitet i metaanalyser | Punkt på diagonallinjen = noll behandlingseffekt |
| Box-and-Whisker-diagram | Datadistribution och spridning | Mittlinjen = median (inte elak); prickar bortom morrhår = extremvärden |
| Fagans nomogram | Förtest → sannolikhet eftertest | Dra en linje från sannolikheten före testet till LR för att läsa sannolikheten efter testet |
| Stam-och-blad-diagram | Distribution — bevarar ursprungliga värden | Som ett histogram men visar enskilda datapunkter |
| Kaplan-Meier-kurvan | Överlevnadsanalys — tid till händelse | Stegen minskar när händelser inträffar; kurvor som divergerar tidigt och håller sig isär tyder på en varaktig behandlingsfördel |
| Histogram | Distribution av kontinuerliga data | Kurvans form: symmetrisk = normalfördelning; snedfördelning = använd median, inte medelvärde |
🌲 Skogstomter — I detalj
- Varje ruta = en studie. Kvadratens storlek = studiens viktning (vanligtvis styrd av urvalsstorleken)
- Horisontella linjer = 95 % konfidensintervall för den studien
- Diamanten längst ner = den sammanslagna totala uppskattningen. Dess bredd = det sammanslagna 95% KI
- Vertikal linje vid 1.0 = "linje utan effekt" (för förhållanden). Om en CI-linje eller diamanten korsar denna linje, det resultatet är inte statistiskt signifikant
I² mäter hur mycket variationen mellan studier beror på verklig heterogenitet (verkliga skillnader) snarare än slump.
I² < 25% = låg heterogenitet ✓
I² = 25–50 % = måttlig heterogenitet
I² > 50% = betydande heterogenitet — det sammanslagna resultatet är mindre tillförlitligt ⚠️
📯 Funnelplottar — Publikationsbias och övervakning av GP-outliers
Trattdiagram visas i två helt olika sammanhang i AKT – se till att du känner igen båda.
Plottar effektstorlek (x-axel) mot studiens precision eller storlek (y-axel). En symmetrisk inverterad tratt = ingen bias. En asymmetrisk tratt med ett mellanrum längst ner till vänster = saknade små negativa studier → publikationsbias.
Jämför allmänläkarmottagningar baserat på mätvärden (t.ex. remissfrekvens, dödlighet). Datapunkter utanför trattlinjerna är statistiska extremvärden som motiverar undersökning – inte nödvändigtvis bevis på dålig prestanda.
😊 Cates-diagram — Hur man extraherar NNT visuellt
Ett Cates-diagram (ibland kallat ett "smiley face plot") använder ett rutnät med 100 ansikten för att hjälpa patienter att visualisera absolut nytta och nackdel.
- Var och en av de 100 ansiktena representerar en person per 100 behandlade
- Gula/gröna ansikten = personer som gynnades (händelser förhindrades)
- Röda ansikten = personer som utsatts för skada
- Grå/enfärgade ansikten = ingen effekt åt något håll
📉 Kaplan-Meier överlevnadskurvor — Hur man läser dem
Kaplan-Meier (KM)-kurvor visar sannolikheten att överleva (eller förbli händelsefri) över tid. De förekommer i AKT-frågor om cancerstudier, kardiovaskulära studier och all forskning som spårar tid till en händelse.
| Leverans | Vad det betyder |
|---|---|
| Y-axeln | Sannolikhet för överlevnad (eller händelsefri överlevnad) — börjar vid 1.0 (100 %) och minskar med tiden. |
| X-axeln | Tid (dagar, månader, år) |
| Varje nedåtgående steg | En händelse har inträffat (t.ex. död, återfall). Större steg = fler händelser vid den tidpunkten |
| Bockmärken på linjen | Censurerade patienter — förlorade för uppföljning eller studie avslutad. Inte händelser. |
| Två kurvor som divergerar tidigt och håller sig isär | Tyder på en varaktig behandlingsfördel under hela uppföljningen |
| Kurvor som korsar | Antyder att faran inte är proportionell över tid – komplicerar tolkningen |
| Medianöverlevnad | Tidpunkten då överlevnadskurvan korsar 50 % — den punkt då hälften av patienterna har haft händelsen |
Log -rank-testet jämför två KM-kurvor statistiskt. Hazard ratio (HR) sammanfattar den totala skillnaden mellan kurvorna. HR < 1 = behandlingsgruppen har färre händelser över tid. Om kurvorna överlappar varandra väsentligt kommer HR att vara nära 1 (ingen nytta).
📊 Histogram — Fördelning i korthet
Ett histogram visar fördelningen av en kontinuerlig variabel (t.ex. ålder, blodtryck, BMI) genom att gruppera värden i intervall (fack) och visa hur många observationer som faller inom varje. Till skillnad från ett stapeldiagram nuddar staplarna varandra – eftersom data är kontinuerliga.
| Forma | Betydelse | Använd medelvärde eller median? |
|---|---|---|
| Symmetrisk klockform | Normalfördelning — medelvärde, median, modalitet alla lika | Antingen — men konventionellt medelvärde ± standardavvikelse |
| Höger (positiv) snedvridning | Lång svans åt höger — några mycket höga värden drar medelvärdet uppåt | Median (mer representativ) |
| Vänster (negativ) snedvridning | Lång svans åt vänster — några mycket låga värden drar ner medelvärdet | Median (mer representativ) |
| Bimodal (två toppar) | Två distinkta undergrupper i data | Rapportera båda topparna separat |
Kvalitetsförbättring och klinisk revision
| Verktyget | Syfte | VIKTIGA FUNKTIONER |
|---|---|---|
| Klinisk granskning | Mät praxis mot explicita standarder; identifiera och täcka luckor | Kräver en definierad standard. Använder PDSA-cykeln. Innebär att loopen sluts (återgranskning). Inte forskning — ingen hypotes, ingen ny kunskap genererad. |
| Analys av betydande händelser (SEA) | Systematisk tvärvetenskaplig granskning av en enskild betydande händelse | Skyldfri. Fokuserar på systemlärande, inte individuella fel. Delas inom teamet. Dokumenterar lärande och handling. |
| Root Cause Analysis (RCA) | Djupgående utredning av allvarliga incidenter | Mer strukturerad än SEA. Använder tekniken "5 varför". Identifierar bidragande och bakomliggande orsaker. Ofta för händelser eller allvarlig skada. |
| QOF-undantagsrapportering | Lämplig exkludering av patienter från QOF-indikatorer | Kliniskt lämplig för: maximalt tolererad behandling, informerad patientavvikande åsikt, extrem skörhet eller klinisk kontraindikation. |
🔄 Klinisk revision kontra forskning — Viktiga skillnader
| Leverans | Klinisk granskning | Forskning |
|---|---|---|
| Syfte | Förbättra vården genom att jämföra med standarder | Generera ny kunskap |
| Hypotes | Ingen — jämförs med befintlig standard | Har alltid en hypotes |
| Etikgodkännande | Vanligtvis inte nödvändigt | Vanligtvis krävs |
| Samtycke | Vanligtvis inte nödvändigt | Vanligtvis krävs |
| Randomisering | Aldrig | Kan inkludera RCT |
| Slutresultat | Tjänsteförbättring; handlingsplan | Nya bevis; publicering |
🔁 PDSA-cykel
Planera-Gör-Studera-Agera (PDSA)-cykeln är det ramverk för kontinuerlig förbättring som används vid klinisk revision och kvalitetsförbättring.
| Etapp | Vad händer |
|---|---|
| Plan | Definiera frågan, sätt standarden, planera datainsamlingen |
| Do | Implementera ändringen eller mät nuvarande praxis |
| Läsa på | Analysera resultat; jämföra mot standarden; identifiera luckor |
| Agera | Implementera förbättringar; planera en ny granskning för att sluta cirkeln |
Kliniska beräkningar (AKT Formelbank)
Dessa formler dyker upp i AKT-beräkningsfrågor. Lär dig var och en och känn till de kliniska gränsvärden som utlöser åtgärder.
🧮 ABPI-utförandeexempel
🎯 Scenario: Fru T, 72, med bensmärtor vid gång
🍷 Exempel på bearbetade alkoholenheter
| Dryck | Volym (ml) | Alkoholhalt % | Beräkning | Enheter |
|---|---|---|---|---|
| Stort glas vin | 250ml | 13% | 250 × 13 ÷ 1000 | 3.25 |
| Flaska vin | 750ml | 12% | 750 × 12 ÷ 1000 | 9.0 |
| Pint lager (stark) | 568ml | 5% | 568 × 5 ÷ 1000 | 2.84 |
| Enkelt spritmått | 25ml | 40% | 25 × 40 ÷ 1000 | 1.0 |
Fungerade exempel
🎯 Exempel 1: Beräkning av alla riskmått från en försökstabell
En randomiserad kontrollerad studie (RCT) randomiserar patienter till att få antingen Läkemedel X eller placebo. Efter 3 år: 80 av 500 placebopatienter hade en stroke; 40 av 500 Läkemedel X-patienter hade en stroke.
🎯 Exempel 2: Konstruera en 2×2-tabell och beräkna känslighet och specificitet
Ett nytt test används på 200 patienter, varav 100 har sjukdomen. Testet identifierar korrekt 85 av de 100 med sjukdom och identifierar korrekt 80 av de 100 utan sjukdom.
🎯 Exempel 3: Beräkning av dos för barn
Ett barn behöver 300 mg amoxicillin. Den tillgängliga suspensionen är 250 mg/5 ml. Vilken volym ska ges?
Fusklapp och minneshjälpmedel för formler
Risk- och behandlingsformler
Diagnostisk testning
Population och kliniska formler
- SnNout: Känsligt test — Negativt test utesluter sjukdom (screening)
- SpPIN: Specifikt test — Positiva regler IN sjukdom (bekräftelse)
- CI korsar 1.0 (förhållande) eller 0 (skillnad) → inte signifikant
- Skogsplott diamantkorslinje → inte signifikant
- Tratt asymmetri → publikationsbias (eller GP-outlier i prestandakontext)
- Boxplott mittlinje → MEDIAN (inte medelvärde)
- 68-95-99.7 → ±1SD, ±2SD, ±3SD i normalfördelning
- I² >50% → betydande heterogenitet
- ELLER från fallkontroll | RR från kohorten | Förekomst från tvärsnitt
- Revision ≠ Forskning (revisionsåtgärder kontra standard; forskning genererar ny kunskap)
- Fallkontroll → ELLER (Odds Ratio) — en titt TILLBAKA på exponeringar
- Kohort → RR (Relativ risk) — framåt från exponering
- Tvärsnitts → Förekomst — ÖVERSIKT i tid
- RCT / SR → Guldstandard för behandlingsfrågor
Tränare och lärarpärlor
- Praktikanter lär sig ofta NNT som en formel utan att förstå vad det faktiskt betyder kliniskt – se till att de kan förklara det i en mening som en patient skulle förstå
- Skillnaden mellan sensitivitet/specificitet (testegenskaper) och PPV/NPV (påverkad av prevalens) är dåligt förstådd – analogin med graviditetstest fungerar bra.
- Många praktikanter vet hur en skogstomt ser ut men kan inte förklara vad att titta på — fokusera på diamanten och om den korsar gränsen för ingen effekt
- Ledtidsbias förväxlas ofta med längdbias – använd diagram eller tidslinjer för att illustrera skillnaden.
- Praktikanter förväxlar rutinmässigt klinisk revision med forskning – använd RCGP:s egna exempel från bedömningar
- "Här är en sammanfattningstabell från en läkemedelsstudie – kan ni berätta vilket NNT det är och om ni skulle förskriva det till den här patienten?"
- "Titta på den här skogstomten. Är interventionen effektiv? Hur säker är du på det svaret?"
- "Din patient har ett positivt FIT-test. PPV i en lågriskpopulation är cirka 3 %. Hur förklarar du detta för honom?"
- "Vi ser många höga PSA-resultat. Vad är problemet med att använda PSA som screeningtest?"
- "En kollega vill jämföra våra sepsisresultat med läkarnas. Är det revision eller forskning? Behöver det etik?"
- "Hur skulle du förklara en risk på 1 av 50 för en biverkning för en patient som frågar 'Är det säkert?'"
- Hur förklarar du för närvarande risker för patienter? Använder du absoluta eller relativa siffror?
- Kan du minnas en nyligen genomförd klinisk riktlinje som citerade en betydande NNT – vad var det, och hur påverkade det din praktik?
- Har du någonsin beställt ett test utan att veta dess sensitivitet/specificitet? Hur tolkade du resultatet?
- Varför kan ett läkemedelsföretag välja att presentera sina studieresultat som RRR snarare än ARR?
🔥 AKT högavkastande spetsar
Det här är de mönster som upprepas i AKT-prov. Memorera dessa så får du poäng.
Omvandla alltid procenttal till decimaltal först. ARR = 5% → NNT = 1 ÷ 0.05 = 20. Avrunda alltid uppåt till närmaste heltal. Ett lägre NNT = effektivare behandling.
För förhållanden (RR, OR, HR): KI går över 1.0 = inte signifikant. För skillnader: KI går över 0 = inte signifikant. Detta förekommer i nästan alla frågor om skogsdiagram.
Sällsynt sjukdom → fall-kontroll → OR. Ny exponering framöver → kohort → RR. Prevalensögonblicksbild → tvärsnitt . Bästa evidens för behandling → RCT eller SR/metaanalys.
Screeningtest → vill ha hög sensitivitet (vill inte missa fall → SnNout). Konfirmerande test → vill ha hög specificitet (vill inte ha falskt positiva resultat → SpPin).
Även ett mycket specifikt test (99 %) ger dålig PPV i en miljö med låg prevalens. De flesta positiva resultat vid befolkningsscreening är falskt positiva. Det är därför vi inte screenar alla för allt.
Om diamanten (poolad uppskattning) korsar den vertikala linjen utan effekt → är det totala resultatet INTE statistiskt signifikant. Om I² > 50 % → betydande heterogenitet → är det poolade resultatet mindre tillförlitligt.
Ett mellanrum längst ner till vänster i ett trattdiagram = publikationsbias — små negativa studier publicerades inte. Detta blåser upp den synbara effekten av en behandling i metaanalysen.
Linjen inuti rutan är medianen . Rutan = IQR (mittenta 50%). Prickar eller cirklar bortom morrhåren = extremvärden.
Läkemedelsföretag älskar att citera RRR eftersom det låter större. En 50 % RRR låter fantastiskt – tills du vet att baslinjerisken bara var 2 % (→ ARR = 1 %, NNT = 100). Fråga alltid: vad var baslinjerisken?
Snedfördelningar (inkomst, sjukhusvistelse, serumbilirubin) → använd median , inte medelvärde. Medelvärdet hämtas från extremvärden; medianen görs inte.
Revision: mäter mot en befintlig standard; ingen etik behövs; ingen hypotes. Forskning: genererar ny kunskap; behöver etiskt godkännande; har en hypotes. En viktig skillnad som AKT testar upprepade gånger.
ITT-analysen inkluderar alla randomiserade deltagare oavsett följsamhet. Detta ger en konservativ uppskattning av effektiviteten – mer realistisk för klinisk praxis. Analys per protokoll överskattar effekten.
ABPI < 0.9 = perifer arteriell sjukdom. ABPI > 1.3 = icke-kompressibla (förkalkade) kärl — opålitligt resultat. Kompressionsbandage är kontraindicerat om ABPI < 0.8 (kontrollera med dina kompressionsriktlinjer).
Räkna fördelsytorna (vanligtvis gula eller gröna). NNT = 100 ÷ (antal fördelsytor). 5 gula ytor → NNT = 20.
Vanliga misstag och praktikantfällor
Det här är fel som upprepas i AKT:s bedömningssystem. Var och en av dessa är ett riktigt resultat som riktiga kandidater förlorar.
- Glömmer att konvertera procenttal till decimaltal innan man beräknar NNT (t.ex. ARR = 5% → måste använda 0.05, inte 5, för att få NNT = 20, inte 0.2)
- Avrundning NNT ner snarare än up (NNT = 12.5 → svaret är 13, inte 12)
- Att förväxla RRR med ARR och citera den mer imponerande relativa siffran som den kliniska nyttan
- Att säga att ett resultat är "signifikant" när konfidensintervallet precis nuddar 1.0 — det måste inte inkluderar 1.0 för att vara signifikant
- Att ange box-and-whisker-diagrammets mittlinje är medelvärdet — det är alltid median
- Förväxla känslighet med PPV — känslighet är en fast egenskap hos testet; PPV beror på prevalens
- Att tro att ett mycket specifikt test i en population med låg prevalens kommer att ge ett tillförlitligt positivt resultat — det kommer det inte att göra (låg PPV)
- Att förväxla en OR med en RR — OR kan inte användas direkt som RR förutom när sjukdomen är sällsynt
- Att säga att en fall-kontrollstudie genererar RR – den genererar OR, eftersom man börjar med fall och kontroller, inte en exponerad kohort
- Att förväxla klinisk revision med forskning – att påstå att en revision behöver etiskt godkännande
- Feltolkning av ledtidsbias som att ett screeningprogram verkligen förbättrar överlevnaden
- Att glömma att I² >50% i en skogstomt väcker farhågor om giltigheten av det sammanslagna resultatet
- Använda medelvärdet för att beskriva snedvridna data (t.ex. inkomst, sjukhusvistelselängd) — använd medianen
🏁 Slutpoäng att ta med sig
- NNT = 1 ÷ ARR. Omvandla alltid procenttal till decimaltal. Avrunda alltid uppåt. Lägre NNT = bättre hantering.
- ARR är kliniskt ärligt. RRR låter imponerande men kan vara vilseledande. Para alltid ihop RRR med baslinjerisk.
- Sensitivitet och specificitet är fasta egenskaper hos ett test. PPV och NPV förändras med sjukdomsprevalensen.
- SnNout: känsliga tester utesluter UT vid negativa resultat. SpPin: specifika tester utesluter IN vid positiva resultat.
- Skogsdiagrammets diamantform korsar linjen utan effekt → resultatet är inte statistiskt signifikant. I² >50 % → problem med heterogenitet.
- Asymmetri i trattdiagrammet → publikationsbias. Punkter utanför trattgränserna i prestationsövervakning → extremvärden.
- KI för en kvot som inkluderar 1.0 → inte signifikant. KI för en skillnad som inkluderar 0 → inte signifikant.
- Fall-kontroll → OR. Kohort → RR. Tvärsnitt → prevalens. RCT/SR → guldstandard för behandling.
- Snedställda data → använd median, inte medelvärde. Boxplottets mittlinje = median. Punkter bortom morrhåren = extremvärden.
- Klinisk revision mäter mot standarder – ingen etik behövs, ingen hypotes. Forskning genererar ny kunskap – etik krävs.
Statistikfrågorna i AKT är bland de mest tillförlitliga poängen att lära sig i provet. Några timmar med den här sidan och en handfull övningsfrågor kommer att ge utdelning långt utöver deras investering.