Praktikal na Batay sa Ebidensya at mga Estadistika sa Medikal — Bradford VTS

Bradford VTS · Serye ng AKT Mastery

Praktikal na Batay sa Ebidensya at Mga Estadistika sa Medikal

Dahil ang "May nabasa ako online" ay hindi tugma sa AKT.

🔥 Mga tip sa mataas na ani para sa AKT ⚡ Mataas na epekto sa pagkatuto sa loob ng ilang minuto 💎 Mga nakatagong hiyas na nakakalimutan nilang ituro

Huling na-update: Abril 2026 · Kilala rin bilang Evidence-Based Medicine (EBM)

📥 Mga download

Mga handout, buod, at mga karagdagang impormasyon sa pagtuturo — handa na kapag handa ka na.

landas: Ang Evidence-Based Practice ay kilala rin bilang Evidence-Based Medicine o EBM sa maikli.

🌐

Mga Mapagkukunang Web

Isang piling halo ng opisyal na gabay at mga totoong mapagkukunan sa pagsasanay ng GP. Dahil kung minsan, ang pinakamagagandang perlas ay hindi nakatago sa mga opisyal na dokumento.

📘 Pangunahing EBM at Mga Istatistika

CEBM — Sentro ng Oxford para sa EBM Mga kagamitan, gabay, at mga mapagkukunan para sa kritikal na pagtatasa Website ng EBM ni Dr. Chris Cates NNT calculator at paliwanag ng Cates plot — mahusay GPnotebook — Mga Estadistika Maikling sanggunian sa klinikal na istatistika Bandolier Pangangalagang pangkalusugan na nakabatay sa ebidensya sa simpleng Ingles Cochrane Library Mga sistematikong pagsusuri na may pamantayang ginto

📗 Pagbabalik-aral at Paghahanda sa Pagsusulit ng AKT

NHS — Mga Klinikal na Pagsubok Gabay sa mga uri ng pananaliksik na Plain-English Mga Mapagkukunan ng Cambridge EBM Mga kagamitan at tutorial para sa kritikal na pagtatasa

📙 Karagdagang Babasahin at Mga Kagamitan

NICE — Paano Gamitin ang Ebidensya Manwal ng proseso ng NICE para sa pagsusuri ng ebidensya Paliwanag ng NNT — Manchester Interactive na calculator ng NNT at paliwanag Kaalaman sa Kalusugan — Mga Disenyo ng Pag-aaral Aklat-aralin sa Kalusugang Pampubliko tungkol sa epidemiolohiya

⚡

Isang Minutong Pagbabalik-tanaw

Ini-scan mo ba ito bago ang clinic — o noong gabi bago ang AKT paper? Ito ang mga bagay na magbibigay sa iyo ng marka.

🧮 Mga Pormula ng Panganib

ARR = CER − EER
NNT = 1 ÷ ARR
Si Rrr = ARR ÷ CER
RR = EER ÷ CER
NNH = 1 ÷ ARI

🔬 Pagsusuring Diagnostiko

Ibig sabihin = TP ÷ (TP+FN) → SnNout
pagsasapalaran = TN ÷ (TN+FP) → SpPin
PPV = TP ÷ (TP+FP) ← bumababa nang may mababang prevalence
NPV = TN ÷ (TN+FN) ← bumabagsak na may mataas na prevalence

📊 Mga Disenyo ng Pag-aaral

SR/Meta-analysis → pinakamataas na ebidensya
RCT → pamantayang ginto para sa paggamot
Kohort → RR at insidente
Kontrol sa kaso → O, mga bihirang sakit
Pahalang na seksyon → paglaganap

📈 Mga Graph

Ang diyamante sa lote ng kagubatan ay tumatawid sa linya = hindi makabuluhan
Asymmetry ng funnel = bias sa publikasyon
Plot ng Cates: NNT = 100 ÷ dilaw na mga mukha
Gitnang linya ng kahon = panggitna
I² >50% = malaking heterogeneity

📉 Kahalagahan

p < 0.05 = makabuluhan sa istatistika
Ang CI ay tumatawid sa 1.0 (ratio) = hindi makabuluhan
Ang CI ay tumatawid sa 0 (pagkakaiba) = hindi makabuluhan
Mean = average; Median = gitnang halaga
68-95-99.7 na tuntunin para sa normal na distribusyon

⚖️ Mga Uri ng Pagkiling

Pagpili → hindi representatibong sample
Alalahanin → mga kaso mas matandaan
Publikasyon → mga positibong pag-aaral lamang
Oras ng tingga → ilusyon sa screening
Ang pagkawala ng kontrol → ang pagtigil sa pag-alis ay nagpapabago sa mga resulta

💡

Bakit Mahalaga Ito sa GP at sa AKT

Ang EBM at estadistika ay hindi lamang teoretikal. Sa iyong silid-konsultasyon, bawat pag-uusap tungkol sa mga opsyon sa paggamot ay may kinalaman sa mga NNT, banggitin mo man ang mga ito o hindi. Ang bawat pagsusuri sa dugo ay may sensitibidad at espesipisidad. Ang bawat bagong alituntunin ay batay sa isang disenyo ng pag-aaral na nakakaapekto sa kung gaano kalaking tiwala ang dapat mong ibigay dito.

Sa AKT, ang paksang ito ay bumubuo ng isang malaking proporsyon ng mga marka — humigit-kumulang 10–15% ng papel ayon sa gabay ng RCGP. Isa ito sa ilang mga lugar kung saan ang isang maliit na halaga ng naka-target na rebisyon ay nagbubunga ng mga dibidendo. agadMaraming kandidato ang madaling nawawalan ng marka rito hindi dahil mahirap ang mga konsepto, kundi dahil hindi pa nila ito naupo at natutunan nang sistematiko.

Ang mga tanong sa estadistika sa AKT ay kadalasang nagpapakita ng isang talahanayan ng datos ng pagsubok at hinihiling sa iyo na kalkulahin ang isang halaga, bigyang-kahulugan ang isang graph, o tukuyin ang pinakamahusay na disenyo ng pag-aaral. Ginagantimpalaan nila ang sistematikong pag-iisip, hindi ang kaalaman sa medisina. Dahil dito, sila ang mga pinaka-"madaling matutunan" na marka sa papel.

Kapag alam mo na kung paano kalkulahin ang NNT, bigyang-kahulugan ang isang lote ng kagubatan, at maunawaan ang epekto ng paglaganap sa PPV, ang isang buong kategorya ng mga tanong sa AKT ay magiging diretso sa halip na nakakatakot.

????

Medisinang Batay sa Ebidensya (EBM)

"Noong nagsasanay ako noong kalagitnaan ng dekada 1980, binibigyan ko ng intravenous infusion ng lidocaine ang bawat pasyenteng dumaan sa pinto matapos atakehin sa puso. Iyon ang pamantayan. Ginagawa ito ng lahat. Tila may katuturan naman."

— Si Propesor Gordon Guyatt, ang manggagamot na lumikha ng terminong "Evidence-Based Medicine", na naglalarawan sa kanyang sariling pagsasanay bago pa man umiral ang EBM

Kalaunan ay natuklasan niya na ang praktis na kanyang sinanay — at ang ginagawa ng daan-daang libong doktor sa buong mundo — ay hindi lamang walang silbi, kundi posibleng pumatay din ng mga tao. Hindi dahil sa kapabayaan. Hindi dahil sa kawalan ng kakayahan. Kundi dahil walang sinuman ang nakapagsubok nang maayos kung ito ba ay talagang epektibo.

Iyan ang kuwentong ito kung bakit umiiral ang Evidence-Based Medicine — at kung bakit ito lubos na mahalaga sa bawat pasyenteng makikita mo.

📋 Ano ang Medisinang Batay sa Ebidensya?

"Ang matapat, tahasang, at matalinong paggamit ng kasalukuyang pinakamahusay na ebidensya sa paggawa ng mga desisyon tungkol sa pangangalaga ng mga indibidwal na pasyente."

— David Sackett, BMJ 1996 — ang pinakamalawak na binabanggit na kahulugan sa medisina

Sa madaling salita: sa halip na gamutin ang mga pasyente batay sa nakagawian, opinyon, tradisyon, o kung ano ang sinabi sa iyo ng iyong propesor, hinihiling sa iyo ng EBM na ibatay ang mga klinikal na desisyon sa pinakamahusay na magagamit na pananaliksik — maingat na isinagawa, kritikal na tinasa, at tapat na binibigyang-kahulugan.

Hindi nito pinapalitan ang klinikal na paghatol — ito informs ito. Ang EBM ay nakasalalay sa tatlong hindi mapaghihiwalay na haligi na dapat magtulungan:

🔬

Pinakamahusay na Katibayan ng Pananaliksik

Klinikal na may kaugnayan at mataas na kalidad na pananaliksik — lalo na mula sa mga RCT at sistematikong pagsusuri

🩺

Kadalasang Klinikal

Ang kasanayan at karanasan ng indibidwal na clinician, na nabuo sa pamamagitan ng mga taon ng pagsasanay

🤝

Mga Halaga at Kagustuhan ng Pasyente

Ang mga kalagayan, pinahahalagahan, at kung ano ang pinakamahalaga sa kanila ng indibidwal na pasyente

🕰️ Paano Naging EBM? — Isang Maikling Kasaysayan

Hindi lumitaw nang walang dahilan ang EBM. Ito ang tugatog ng mga dekada ng tahimik na rebolusyonaryong pag-iisip sa Canada at UK.

taon	pangyayari
1938	Si John Paul (Yale) ang nag-imbento ng terminong "clinical epidemiology" — ang ideya na ang medisina ay dapat pag-aralan nang siyentipiko sa mga populasyon, hindi lamang sa mga indibidwal na pasyente.
1967	Binuksan ng McMaster University (Hamilton, Canada) ang bagong paaralan ng medisina nito na may Kagawaran ng Klinikal na Epidemiolohiya at Biostatistika — radikal noong panahong iyon, na nakatuon sa paglalapat ng mga pamamaraan ng pananaliksik sa mga klinikal na desisyon
1972	Inilathala ni Archie Cochrane, isang epidemiologist na taga-Scotland, Bisa at Kahusayan: Mga Random na Repleksyon sa mga Serbisyong Pangkalusugan — isang mahalagang teksto na nangangatwiran na dapat maingat na subukan ng medisina ang sarili nitong mga paggamot. Ang kanyang mga gawa ay kalaunan ay nagbunga ng Cochrane Collaboration, na ipinangalan sa kanya.
1981	Naglathala sina David Sackett at mga kasamahan sa McMaster ng isang seryeng may siyam na artikulo sa Canadian Medical Association Journal na nagtuturo sa mga clinician kung paano kritikal na suriin ang mga literaturang medikal. Ito ang pormal na simula ng kilusang EBM.
1990	Si Gordon Guyatt, isang batang resident director sa McMaster, ay nagdisenyo ng isang bagong programa sa pagtuturo at sa simula ay tinawag itong "Scientific Medicine." Umatras ang mga kasamahan — ang implikasyon na ang kasalukuyang kasanayan ay hindi siyentipiko ay masyadong direkta.
1991	Binago ni Guyatt ang pangalan ng pamamaraan "Medisinang Batay sa Ebidensya" at inilalathala ang termino sa isang editoryal sa ACP Journal Club. Agad na tumatak ang parirala.
1992	Ang mahalagang papel ng JAMA — "Medisinang Batay sa Ebidensya: Isang Bagong Pamamaraan sa Pagtuturo ng Praktika ng Medisina" — ipinakikilala ang EBM sa mundo. Ang tugon, paggunita ni Guyatt, sa simula ay "galit." Nadama ng mga kasamahan na sinasabihan sila na hindi sila magagaling na doktor.
1993	Pormal na itinatag ang Cochrane Collaboration — isang internasyonal na network upang gumawa at magpakalat ng mga sistematikong pagsusuri ng ebidensya sa pangangalagang pangkalusugan.
1996	Inilathala ni David Sackett ang tiyak na tatlong-haligi na kahulugan sa BMJ. Naging mainstream ang EBM.
2000s–kasalukuyan	Ang EBM ay napapaloob na sa pagsasanay sa UK: hinihingi ito ng mga alituntunin ng NICE, ng Good Medical Practice ng GMC, at ng kurikulum ng RCGP. Ito ang pundasyon kung paano sinasanay at sinusuri ngayon ang bawat doktor sa UK.

⚠️ Ano ang Gamot Bago ang EBM? Ang Problemang Nalutas Nito

Bago ang EBM, ang medisina ay tumatakbo sa tinatawag ni Gordon Guyatt na "hindi malilimutang" "GOBSAT" - Mabubuting Matandang Lalaki na Nakaupo sa Paligid ng MesaAng mga klinikal na alituntunin ay isinulat ng mga matataas na eksperto na pinagsama-sama ang kanilang mga personal na opinyon, at ang nangyari sa iyong pasyente ay lubos na nakadepende sa kung aling doktor ang nagkataong nakakita sa kanila.

Ang Mundo Bago ang EBM

Medisinang nakabatay sa Eminence: Tinatrato mo ang mga pasyente sa paraang ginawa ng propesor mo. Ang awtoridad ay nagmumula sa seniority, hindi sa ebidensya. Ang isang consultant na "laging ganito ang ginagawa" sa loob ng 30 taon ay ipinagpaliban — kahit na ang "ganito" ay hindi pa nasusubok.
Medisinang nakabatay sa intuwisyon: Kung ang isang paggamot ay tila may katuturan sa pisyolohiya, ito ay ginagamit. Kung ang pagsugpo sa abnormal na ritmo ng puso ay tila lohikal, ito ay sinusupil mo. Kung talagang nakatulong ba ito sa mga pasyente ay bihirang masuri.
Medisinang nakabatay sa anekdota: "Sa aking karanasan, natuklasan ko na..." ang pamantayan ng ebidensya. Ang mga indibidwal na kaso ay nagtutulak sa pagsasagawa — kahit na ang mga kasong iyon ay mga statistical outlier.
Napakalaking pagkakaiba-iba: Ang iisang pasyente na dumadalo sa dalawang magkaibang ospital — o kahit dalawang magkaibang doktor sa iisang ospital — ay maaaring makatanggap ng ganap na magkaibang paggamot para sa eksaktong parehong kondisyon.

Gusto mo ba ng tulay na itayo batay sa "Ganito na ako nagdidisenyo ng mga tulay sa loob ng 30 taon at wala pa ring nabubuwal"? O batay sa nasubok na agham ng structural engineering? Malinaw ang sagot. Ngunit sa halos buong kasaysayan ng medisina, ang pamamaraan ng tulay ang eksaktong nangyari.

🔴 Ang Halimbawang Nagpabago sa Medisina — Ang Pagsubok ng CAST

Hindi ito isang haka-haka lamang. Isa ito sa pinakamahalagang totoong kwento sa modernong medisina — at isa sa pinakamatibay na argumento na kinailangan ng EBM.

Ang Setup — Ang Lohika na Tila Hindi Masisira

Ang mga atake sa puso ay nagdudulot ng mapanganib na mga abnormalidad sa ritmo ng puso (ventricular arrhythmias). Ang ventricular arrhythmias ay nagdudulot ng biglaang pagkamatay. Samakatuwid: sugpuin ang mga arrhythmia → maiwasan ang biglaang pagkamatayTila napakatama nito kaya mula noong dekada 1970 pataas, ang mga gamot na antiarrhythmic — lalo na ang lidocaine, flecainide, at encainide — ay regular na ibinibigay sa mga pasyenteng may MI sa mga ospital sa buong mundo. Hindi paminsan-minsan. Regular. Bilang karaniwang pangangalaga.

Ang Pagsubok — May Isang Tao Talagang Sinubukan Ito

Noong 1987, ang Cardiac Arrhythmia Suppression Trial (CAST) ay nagpalista ng mahigit 1,700 pasyente pagkatapos ng MI at pinag-randomize sila sa mga gamot na antiarrhythmic (flecainide o encainide) o placebo. Ginawa ng mga gamot ang eksaktong dapat nilang gawin — matagumpay nilang napigilan ang mga arrhythmia. Ngunit may nangyaring hindi inaasahan.

Ang Resulta — Ang Hindi Inaasahan ng Sinuman

Ang mga pasyenteng umiinom ng gamot ay 2.5 beses na mas malamang na mamatay kaysa sa mga umiinom ng placebo. Kinailangang ihinto nang maaga ang pagsubok dahil napakalinaw ng pinsala. Pinapatay ng mga gamot ang mismong mga pasyenteng dapat sana'y pinoprotektahan nila.

NNH = 21. Sa bawat 21 pasyenteng ginamot gamit ang flecainide o encainide, isang karagdagang tao ang namamatay na kung hindi ay makakaligtas sana.

Aralin ang

Si Gordon Guyatt — na noon ay isang batang cardiologist — ay personal na nagbigay ng lidocaine infusions sa bawat pasyenteng post-MI na dumarating sa kanyang ward. Sinusunod niya ang pinakamahusay na kasanayan. Siya ay tinuruan nang tama. Mayroon siyang mabuting intensyon. Gayunpaman, nang walang mahigpit na pagsusuri ng isang RCT, wala siyang paraan o ang kanyang mga kasamahan na malaman na ang paggamot ay nakakapinsala. Ang karanasang ito ang naging sentro kung bakit niya inialay ang kanyang karera sa EBM. Ang kasaysayan ng medisina, aniya kalaunan, "ay puno ng mga paggamot na nakabatay sa panghuhula at intuwisyon sa halip na matibay na ebidensya."

🌐 Paano Binago ng EBM ang Lahat — Standardisasyon at Pagkakaisa

Bago ang EBM, ang nakukuha mo ay nakadepende sa kung saan ka nakatira, saang ospital ka nagpatingin, at sa sinong doktor ang tumingin sa iyo. Ang parehong pasyente na may parehong kondisyon ay maaaring makatanggap ng ganap na magkakaibang paggamot sa Leeds at London. Iba't ibang ospital. Iba't ibang bansa. Lubos na magkakaibang resulta.

Binago ito ng EBM. Sa pamamagitan ng pag-angkla ng mga klinikal na desisyon sa iisang kalipunan ng ebidensya — ang parehong mga pagsubok, ang parehong sistematikong pagsusuri, ang parehong mga alituntunin — binigyan nito ang medisina ng isang karaniwang wika at isang karaniwang pamantayan. Sa kasalukuyan, ang isang pasyenteng may MI sa Bradford at isang pasyenteng may MI sa Bristol ay dapat makatanggap ng halos parehong pangangalagang nakabatay sa ebidensya. Hindi dahil magkapareho ang mga doktor, kundi dahil ang paggamot ay hinihimok ng ebidensya, hindi ng indibidwal na kagustuhan.

Sa UK, ito ay isinasagawa sa pamamagitan ng NICE na mga alituntunin, ang Kurikulum ng RCGP, Mga tagapagpahiwatig ng QOF, mga klinikal na pagsusuri, at Mga pagsusulit sa MRCGP — na lahat ay nangangailangan at nagtatasa ng kasanayang nakabatay sa ebidensya. Kapag kumuha ka ng AKT, sinusubok ka sa iyong kakayahang ilapat ang balangkas na ito.

🌍 Isang Mundo na Walang EBM — Ang Pandaigdigang Larawan

Ang pangako ng UK sa EBM — sa pamamagitan ng NICE, NHS, at postgraduate training — ay hindi pangkalahatan. Sa maraming bahagi ng mundo, ang natatanggap mo bilang isang pasyente ay nakasalalay pa rin nang malaki sa kung sino ang titingin sa iyo, saan ka magpapakita ng presentasyon, at kung magkano ang kaya mong bayaran. Ang pag-unawa dito ay makakatulong sa iyo na maunawaan kung ano ang pinoprotektahan ng EBM ang iyong mga pasyente.

🔴 Mahalagang Paalala Bago Magbasa

Ang baryasyong inilalarawan sa ibaba ay sumasalamin sa mga sistema at istruktura ng pangangalagang pangkalusugan, hindi ang kakayahan o dedikasyon ng mga indibidwal na doktor. Maraming matatalino at masisipag na manggagamot ang nagpapraktis sa bawat bansang nakalista. Ang isyu ay ang kawalan ng istandardisasyong imprastraktura — mga alituntunin, pangangasiwa, mga balangkas ng pagsasanay — na ibinibigay ng EBM. Hindi kayang malampasan ng mga indibidwal na doktor ang mga sistematikong problema nang mag-isa.

Bansa / Rehiyon	Paano Nag-iiba ang Praktis Nang Walang Matibay na Balangkas ng EBM
🇮🇳 India (pribadong sektor)	Isang 2018 Lanseta Natuklasan sa isang pag-aaral na ang mga rate ng C-section ay 40–58% sa mga pribadong ospital kumpara sa 10–14% sa mga pampublikong pasilidad — kadalasang hinihimok ng mga insentibong pinansyal kaysa sa klinikal na pangangailangan. Ang labis na imbestigasyon at polypharmacy ay malawakang naidokumento sa pribadong sektor. Ang parehong pasyente ng kanser ay maaaring makatanggap ng lubhang magkakaibang paggamot batay sa kung saan sila naroroon at kung ano ang kanilang makakaya.
🇵🇰 Pakistan	Malaking pagkakaiba-iba sa pagsunod sa mga alituntunin ng antibiotic — isa sa pinakamataas na antas ng pagrereseta ng antibiotic sa Timog Asya. Ang TB na lumalaban sa gamot at ang resistensya sa antimicrobial ay mga direktang bunga. Ang pag-access sa espesyalistang pangangalaga at mga pamantayang landas sa pamamahala ay lubos na nakadepende sa heograpiya at kita.
🇳🇬 Nigeria / 🇬🇭 Ghana	Ang magnesium sulphate ang inirerekomenda ng WHO, batay sa ebidensya, at murang gamot para sa eclampsia. Ipinapakita ng mga pag-aaral na malaki ang nababawasan nito sa dami ng namamatay ng ina. Ngunit ang pagkakaroon at aktwal na paggamit sa mga pasilidad ng Nigerian at Ghana ay lubhang nag-iiba depende sa mga mapagkukunan ng ospital at pagsasanay ng clinician — ibig sabihin, kung ang isang babaeng may eclampsia ay mabubuhay o mamamatay ay maaaring depende sa kung aling pasilidad ang kanyang mararating.
🇸🇩 Sudan / 🇮🇶 Iraq	Ang matagalang tunggalian at kawalang-tatag ay sumira sa imprastraktura ng pangangalagang pangkalusugan. Sa Iraq pagkatapos ng 2003, bumagsak ang mga serbisyong pangkalusugan ng publiko, natigil ang pagpapatupad ng mga alituntunin, at ang pag-access sa mga pangunahing gamot ay naging nakadepende sa heograpiya. Sa Sudan, ang tunggalian ay nakagambala sa mga programa ng pagbabakuna, mga serbisyo sa kalusugan ng ina, at pamamahala ng mga malalang sakit. Ang pagkakaiba-iba ng kasanayan sa mga naturang kapaligiran ay hindi usapin ng kagustuhan — ito ay usapin ng kung ano ang magagamit.
🇪🇬 Ehipto / 🇮🇷 Iran	Parehong bansa ay may mga paaralang medikal na nagluluwal ng mga bihasang manggagamot at naglathala ng mga alituntunin ng EBM — ngunit ang pagpapatupad ay hindi pare-pareho sa pagitan ng pampubliko at pribadong sektor, at sa pagitan ng mga urban at rural na lugar. Sa Iran, ang mga internasyonal na parusa ay nakaapekto sa pagkakaroon ng gamot, na nagtulak sa mga adaptasyon na naiiba sa mga protocol na nakabatay sa ebidensya.
🇷🇴Romania	Idinodokumento ng Romania ang pagsasagawa ng plicul ("ang "sobre") — mga impormal na pagbabayad ng pera sa mga doktor at nars upang matiyak ang pangangalaga. Opisyal na ilegal, malawakang ginagawa. Kinumpirma ng mga pagsisiyasat sa parlamento at investigative journalism na ang kalidad ng pangangalagang kirurhiko ay maaaring depende sa kung ano ang maaaring bayaran ng isang pasyente nang pribado, anuman ang kanilang opisyal na katumbas na karapatan sa NHS. Tinatayang mahigit 14,000 doktor ang natanggal sa brain drain simula nang sumali sa EU.
🇺🇸 Estados Unidos	Ang pinakamahal na pangangalagang pangkalusugan sa mundo — mahigit $12,000 bawat tao bawat taon — ngunit ang mga resulta ay kadalasang hindi mas mahusay kaysa sa UK. Ang proyektong Dartmouth Atlas ay nakapagdokumento ng napakalaking pagkakaiba-iba sa heograpiya sa klinikal na kasanayan: ang parehong pasyente sa Miami ay maaaring makatanggap ng dobleng dami ng mga imbestigasyon at pamamaraan kaysa sa parehong pasyente sa Minneapolis, nang walang pagkakaiba sa mga resulta. Tinatayang $935 bilyon — humigit-kumulang isang-kapat ng lahat ng paggastos sa pangangalagang pangkalusugan sa US — ang nasasayang sa hindi kinakailangang pangangalaga. Ang krisis sa opioid ay bahagyang pinalakas ng mga kumpanya ng parmasyutiko na nakakaimpluwensya sa mga kasanayan sa pagrereseta sa labas ng mga balangkas ng EBM.
🇫🇷 France	Ang France ay may mahusay na pangangalagang pangkalusugan — ngunit ang mga rate ng pagrereseta ng antibiotic ay ayon sa kasaysayan ay kabilang sa pinakamataas sa Europa, na bahagyang dahil sa mga inaasahan sa kultura na ang isang konsultasyon ay dapat palaging magtapos sa isang reseta. Nakatulong ang mga kampanya upang mabawasan ito ("Ang mga antibiotic ay hindi awtomatiko"), ngunit inilalarawan ng pattern kung paano maaaring mapawalang-bisa ng mga panggigipit sa kultura at komersyal ang gabay na nakabatay sa ebidensya kahit na sa mga sopistikadong sistema.
🇮🇹 Italya	Ang kalidad ng pangangalagang pangkalusugan sa Hilagang Italya (Milan, Bologna) ay kabilang sa mga pinakamahusay sa Europa. Sa ilang bahagi ng Timog Italya, ibang-iba ang sitwasyon — mas matagal na oras ng paghihintay para sa operasyon sa kanser, hindi gaanong pare-parehong pagpapatupad ng mga programa sa screening, at mas mababang pagsunod sa pangangalagang nakabatay sa mga alituntunin. Ang pinagmulang heograpikal sa loob ng iisang bansa ay maaaring makaapekto nang malaki sa mga resulta.
🇬🇷 Gresya / 🇪🇸 Espanya	Ang krisis sa pagtitipid sa Greece (2010–2015) ay humantong sa pagbawas ng paggastos sa pangangalagang pangkalusugan ng mahigit 25%, na nagdulot ng dokumentadong kakulangan ng mga gamot, pagbawas ng mga kawani, at pagbaba ng kalidad. Mahigit 35,000 manggagawa sa pangangalagang pangkalusugan ang nandayuhan. Sa Spain, naitala ang makabuluhang pagkakaiba-iba sa rehiyon sa mga rate ng kaligtasan sa kanser — ang tumor na iyong nabubuo ay maaaring kumilos nang iba depende sa kung saang rehiyon ka nakatira, hindi dahil magkakaiba ang biology, kundi dahil magkakaiba ang aplikasyon ng sistema ng paggamot batay sa ebidensya.

💊 Kapag ang Makukuha Mo ay Depende sa Ibinabayad Mo

Sa mga sistema ng pangangalagang pangkalusugan na walang matatag na balangkas ng EBM o mga pangkalahatang karapatan, ang ugnayan sa pagitan ng pagbabayad at kalidad ng paggamot ay kadalasang direkta at dokumentado:

Sa ilang pribadong ospital sa India, ang isang pasyenteng may pananakit ng dibdib na kayang magbayad para sa pribadong pangangalaga ay maaaring makatanggap ng agarang catheterization at stenting. Ang parehong pasyente sa pampublikong sistema ay maaaring maghintay ng ilang oras para sa isang ECG.
Sa ilang bahagi ng Sub-Saharan Africa, ang pagtanggap ng isang batang may malalang malaria ng artemisinin-based combination therapy (ang pamantayang nakabatay sa ebidensya) o isang mas luma at hindi gaanong epektibong gamot ay nakadepende sa kung aling pasilidad ang kanilang aabutin at kung magkano ang kayang bayaran ng kanilang pamilya.
Sa mga bansang walang pangkalahatang access sa gamot, ang mga ahente ng chemotherapy para sa kanser ay maaaring makukuha lamang sa mga taong kayang magbayad nang mag-isa — ibig sabihin ang magkaparehong kanser ay may lubhang magkakaibang resulta batay lamang sa kita.
Sa Romania at ilang iba pang mga bansa sa Silangang Europa, ang kalidad ng isang pamamaraang pang-operasyon — ang kasipagan ng siruhano, ang kalidad ng pagsubaybay sa anestesya, maging ang pagkakaroon ng mga post-operative nars — ay naidokumento na nakadepende sa impormal na pagbabayad, hindi sa klinikal na pangangailangan.

✈️ Ang Analohiya na Nagpapalinaw Dito

Sa tuwing sasakay ka ng komersyal na paglipad, makikinabang ka sa isa sa mga pinakaepektibong sistema ng kaligtasan na nagawa ng mga tao. Hindi dahil sa ang mga indibidwal na piloto ay may pambihirang talento — bagama't mayroon nga. Kundi dahil ang abyasyon ay nakabatay sa mga pamantayan, nasubok na ebidensya na mga protocolBawat piloto, bawat airline, bawat bansa ay sumusunod sa parehong mga checklist bago ang paglipad, parehong mga pamamaraan ng paglapag, at parehong mga protocol sa emerhensya. Pinoprotektahan ka ng sistema kahit sino pa ang piloto na piliin mo.

Ang medisinang walang EBM ay parang abyasyon na walang mga checklist. Ang iyong kaligtasan ay nakasalalay nang lubusan sa kung nakakuha ka ng isang mahusay na piloto, kung ang pilotong iyon ay kamakailan lamang nagsanay, kung maganda ba ang kanilang araw, at kung narinig ba nila ang pinakabagong mga saloobin mula sa isang taong kanilang pinagkakatiwalaan.

Pinapalitan ng EBM ang swerte ng mga sistema. Pinapalitan nito ang "sa aking karanasan" ng "sa 15,000 pagsubok na kinasasangkutan ng 2 milyong pasyente." Pinapalitan nito ang opinyon ng sinumang pinakamatataas sa silid ng naipon na ebidensya ng kolektibong klinikal na karanasan ng sangkatauhan. Hindi ba't mas gugustuhin mo iyon para sa mga pasyente mo? Hindi ba't mas gugustuhin din ng mga pasyente mo iyon para sa kanilang sarili?

💡 Bakit Mahalaga Ito Para Sa Iyo, Bilang Isang GP Trainee sa UK

Ang bawat gabay ng NICE na iyong sinusunod ay produkto ng sistematikong pagsusuri ng ebidensya — may isang taong gumawa ng trabaho upang matiyak na ang iyong ginagawa ay sinusuportahan ng pinakamahusay na magagamit na agham.
Ang bawat tanong ng AKT tungkol sa estadistika at mga pamamaraan ng pananaliksik ay sumusubok sa iyong kakayahang kritikal na suriin ang ebidensya — upang maging isang aktibong mamimili ng EBM, hindi isang pasibong tagasunod ng mga tagubilin.
Kapag ipinaliwanag mo ang isang NNT sa isang pasyente, o tinalakay ang mga limitasyon ng isang screening test, o tumangging magreseta ng antibiotic na hindi ipinahiwatig, isinasagawa mo ang EBM — nang may kamalayan, tahasan, at maingat na pamamaraan.
At kapag ang isang kinatawan ng gamot ay umupo sa tapat mo at sinabi sa iyo na ang kanilang bagong gamot ay nakakabawas ng mga cardiovascular event ng 35%, ang iyong unang tanong — "35% relatibo o absolute?" — ay ang tanong na itinuro ng EBM sa medisina na itanong.

Mga Disenyo ng Pag-aaral at Hierarchy ng Ebidensya

Bago mo bigyang-kahulugan ang anumang resulta, kailangan mong malaman kung saan ito nanggalingAng iba't ibang disenyo ng pag-aaral ay sumasagot sa iba't ibang tanong, bumubuo ng iba't ibang istatistika, at nagdadala ng iba't ibang antas ng pagiging maaasahan.

Ang Piramide ng Ebidensya

Pinakamatibay na ebidensya sa itaas; pinakamahina sa ibaba

Mga Systematic na Review at Meta-Analysis

Mga Randomized Controlled Trials (RCTs)

Cohort Studies

Pag-aaral ng Case-Control

Cross-Sectional Studies

Mga Ulat ng Kaso at Opinyon ng Eksperto

⬆ Pinakamatibay na ebidensya | ⬇ Pinakamahinang ebidensya

Disenyo ng pag-aaral	Direksyon	Best Para sa	Bumubuo	Pangunahing Kahinaan
Sistematikong Pagsusuri / Meta-Pagsusuri	-	Pinakamahusay na pangkalahatang ebidensya sa isang tanong	Pinagsama-samang laki ng epekto	Kasinghusay lamang ng mga pinagbabatayang pag-aaral; heterogeneity
RCT (Randomized Controlled Trial)	Pasulong	Epektibo ba ang paggamot X?	RR, ARR, NNT	Mahal, artipisyal na setting, mga isyung etikal
Pag-aaral ng Cohort	Pasulong (prospektibo) o paatras (retrospektibo)	Ang pagkakalantad ba ay nagdudulot ng resulta? Insidente?	Relatibong Panganib (RR), Insidente	Pag-aalis; magastos sa paglipas ng panahon; nakalilito
Pag-aaral ng Case-Control	Pabalik	Mga bihirang sakit; mga salik sa panganib	Odds Ratio (OR)	Recall bias; hindi direktang kalkulahin ang insidente
Cross-Sectional Study	Isang snapshot	Gaano kakaraniwan ang X ngayon? (pagkalat)	Pagkalat	Hindi maitatag ang sanhi; kalabuan ng panahon
Ulat ng Kaso / Opinyon ng Eksperto	-	Pagbuo ng hipotesis; mga bihirang pangyayari	Paglalarawan lamang	Lubos na madaling kapitan ng bias; hindi maaaring gawing pangkalahatan

📖 Kwalitatibo vs. Kwantitatibong Pananaliksik

Dami Pananaliksik

Sumasagot ng "ilan" o "magkano." Gumagamit ng mga numero, estadistika, at nakabalangkas na datos. Mga Halimbawa: RCT, mga pag-aaral ng cohort, mga survey na may mga numerikal na kinalabasan. Bumubuo ng mga p-value, CI, NNT.

Qualitative Research

Sumasagot ng "bakit" o "paano." Gumagamit ng mga salita, tema, at mga panayam. Mga halimbawa: mga focus group, mga pag-aaral na etnograpiko, grounded theory. Sinusuri ang mga karanasan at paniniwala ng mga pasyente.

Sa AKT: isang tanong tungkol sa mga saloobin, karanasan, o pag-unawa ng pasyente sa sakit → kwalitatibo. Isang tanong tungkol sa mga rate, resulta, o bisa → kwantitatibo.

🔬 Sistematikong Pagsusuri vs. Meta-Analysis — Hindi Pareho

Sistematikong Pagsusuri: Isang masusing, nakabalangkas na paghahanap ng literatura na tumutukoy, pumipili, at kritikal na sumusuri sa lahat ng kaugnay na pag-aaral sa isang tanong. Ang resulta ay isang kwalitatibong buod ng ebidensya.

Meta-Analysis: Isang sistematikong pagsusuri na mas malalim pa — ito matematikal na mga pool ang mga kwantitatibong resulta mula sa maraming pag-aaral tungo sa iisang pinagsamang pagtatantya. Hindi lahat ng sistematikong pagsusuri ay may kasamang meta-analysis (hal., kung ang mga pag-aaral ay masyadong magkakaiba para pagsamahin).

Isipin ang isang sistematikong pagsusuri bilang pagbabasa ng bawat libro tungkol sa isang paksa at pagsulat ng isang ulat. Ang meta-analysis ay ang ulat na may pormula sa dulo na nag-a-average ng lahat ng konklusyon ng mga may-akda sa isang numero.

🔄 Ang Balangkas ng PICO

Ang PICO ang pamantayang balangkas para sa pagbuo ng isang klinikal na tanong sa pananaliksik — ginagamit upang maghanap sa mga literatura at pag-aaral sa disenyo.

Sulat	Naninindigan Para sa	halimbawa
P	Populasyon / Pasyente	Mga matatanda na may type 2 diabetes
I	Pamamagitan	Mga inhibitor ng SGLT2
C	paghahambing	Metformin lamang
O	Kalalabasan	Mga kaganapan sa cardiovascular sa 5 taon

Maaaring magpakita ang AKT ng isang senaryo at magtanong kung aling disenyo ng pag-aaral ang pinakamahusay na sumasagot sa tanong na PICO. Itugma ang uri ng kinalabasan sa tamang disenyo gamit ang talahanayan sa itaas.

🎲 Mga Tampok ng Disenyo ng RCT (karaniwang sinusubok)

tampok	Ano ang Kahulugan nito	Bakit mahalaga ito
Randomization	Ang mga kalahok ay inihain sa mga grupo nang hindi sinasadya	Tinatanggal ang bias sa pagpili; binabalanse ang mga nakakalito
Isang blind	Hindi alam ng mga kalahok ang kanilang alokasyon	Binabawasan ang epekto ng placebo at bias ng kalahok
Double blind	Hindi alam ng mga kalahok o ng mga imbestigador ang alokasyon	Tinatanggal ang bias ng tagamasid AT bias ng kalahok
Triple blind	Nabulag ang mga kalahok, imbestigador, AT mga data analyst	Pinakamataas na pagbawas ng bias
Intensyong Maggamot (ITT)	Sinuri sa kanilang orihinal na grupo anuman ang pagsunod	Pinapanatili ang randomisasyon; sumasalamin sa totoong gamit sa mundo
Bawat Protokol	Sinuri lamang kung nakumpleto nila ang protocol	Nagpapakita ng biyolohikal na bisa ngunit labis na tinatantya ang tunay na benepisyo sa mundo
Disenyo ng crossover	Ang mga kalahok ay tumatanggap ng parehong paggamot nang magkakasunod	Ang bawat tao ay gumaganap bilang sarili nilang kontrol; nangangailangan ng panahon ng paglilinis
Pagtatago ng alokasyon	Hindi makikita ng taong nagrerekrut ng mga kalahok kung saang grupo itatalaga ang susunod na kalahok hanggang sa pagkatapos sila ay naka-enroll na	Pinipigilan ang recruiter na hindi sinasadya (o sadyang) magtalaga ng mas malulusog na pasyente sa grupong ginagamot — isang uri ng selection bias na hindi mapipigilan ng randomization lamang
Kumpol na RCT	Ang mga buong grupo (hal. mga klinika ng GP, ward, paaralan) ay randomized sa halip na mga indibidwal	Ginagamit kapag hindi praktikal ang indibidwal na randomisasyon (hal. pagsubok sa isang bagong istilo ng konsultasyon). Nangangailangan ng mas malaking laki ng sample at istatistikal na pagsasaayos para sa epekto ng clustering

⚠️ AKT Trap — ITT vs Bawat Protocol

Ang intensyong magpagamot ay nagbibigay ng higit pa Konserbatibo (mas mababang) pagtatantya ng bisa — dahil kasama rito ang mga kalahok na hindi sumusunod sa mga patakaran. Ito ang mas mainam na pagsusuri para sa mga klinikal na desisyon. Ayon sa protocol, labis na tinatantya ang bisa ngunit kapaki-pakinabang para sa pag-unawa sa mekanismong biyolohikal.

⚖️ Mga Pagsubok sa Superyoridad, Hindi-Pagkakababaan at Pagkakapantay-pantay

Hindi lahat ng pagsubok ay nagtatanong ng parehong tanong. Paminsan-minsan ay sinusubok ng AKT kung naiintindihan mo kung ano talaga ang idinisenyong ipakita ng isang pagsubok — at kung bakit mahalaga iyon kapag binibigyang-kahulugan ang mga resulta nito.

Uri ng Pagsubok	Ang Tanong na Itinatanong	Karaniwang Konteksto
Pagsubok sa superyoridad	"Ang bagong paggamot ba ay higit na ang tagahambing?"	Karamihan sa mga karaniwang RCT — pagsubok sa isang tunay na bagong gamot o pamamaraan
Pagsubok na hindi nagpapababa ng kalidad	"Ang bagong paggamot ba ay hindi mas malala kaysa sa ang comparator nang higit pa sa isang paunang tinukoy na maliit na margin?"	Bagong gamot na may mas kaunting side effect, mas mababang gastos, o mas madaling ibigay — layunin na ipakita na ito ay "sapat na"
Pagsubok sa pagkakapantay-pantay	"Ang dalawang paggamot ba ay halos pareho lang?"	Mga gamot na biosimilar; mga generic na gamot; iba't ibang ruta ng pangangasiwa

💡 Bakit Mahalaga ang mga Pagsubok na Hindi Nagdudulot ng Pagkababa sa Doktor

Maaaring maipakita na ang isang bagong anticoagulant ay "hindi mas mababa" sa warfarin para sa pag-iwas sa stroke — hindi mas mabuti, ngunit hindi naman mas malala — habang mas madaling gamitin (walang INR monitoring). Isa itong klinikal na mahalagang natuklasan kahit na hindi "natalo" ng gamot ang warfarin. Maaaring hilingin sa iyo ng AKT na bigyang-kahulugan nang tama ang resulta ng isang non-inferiority trial.

⚠️ AKT Trap

Ang isang pagsubok na hindi nag-uugnay sa inferiority na nagpapakita ng "walang makabuluhang pagkakaiba" ay hindi katulad ng isang pagsubok sa superiority na nagpapakita ng "walang makabuluhang pagkakaiba." Sa isang pagsubok sa superiority, ang isang hindi makabuluhang resulta ay nangangahulugan na nabigo kang patunayan na mas mahusay ang epekto ng bagong gamot. Sa isang pagsubok na hindi inferiority, ang isang hindi makabuluhang pagkakaiba ay eksakto kung ano ang iyong inaasahan.

Bias, Bisa at Kahusayan ng Pananaliksik

Uri ng Bias	Depinisyon	Aling mga Disenyo ng Pag-aaral?	Paano Bawasan Ito
Selas Bias	Ang mga kalahok ay hindi kumakatawan sa target na populasyon	Lahat ng uri	Randomisasyon; maingat na pagkuha ng sample
Pagkiling sa Pag-alala	Mas malinaw na naaalala ng mga kaso (mga taong may sakit) ang mga nakaraang pagkakalantad kaysa sa mga kontrol	Pag-aaral ng case-control	Mga obhetibong mapagkukunan ng datos; pamantayang pagtatanong
Pagkiling sa Publication	Mas madalas na nailalathala ang mga positibo/makabuluhang pag-aaral kaysa sa mga negatibo	Mga meta-analisis (natukoy sa pamamagitan ng funnel plot)	Pagpaparehistro ng pagsubok; paghahanap ng kulay abong panitikan
Attrition Bias	Ang pagkawala ng mga kalahok dahil sa follow-up ay nagpapabago sa mga resulta (ang mga huminto ay naiiba sa mga nakatapos)	Mga pag-aaral ng kohol, mga RCT	Pagsusuri ng intensyon-para-gamot; bawasan ang paghinto sa pag-aaral
Pagkiling sa Oras ng Lead	Ang screening ay nagbibigay ng ilusyon ng pinabuting kaligtasan sa pamamagitan ng maagang pagtuklas ng sakit	Mga pag-aaral sa screening	Gumamit ng mortalidad na partikular sa sakit, hindi ang kaligtasan mula sa diagnosis
Bias sa Haba	Natutukoy ng screening ang mas mabagal na lumalagong (hindi gaanong agresibo) na sakit	Mga pag-aaral sa screening	Mga RCT na may mga kinalabasan na partikular sa sakit
Bias ng Tagamasid / Pagtatasa	Ang kaalaman sa alokasyon ng paggamot ay nakakaapekto sa pagtatasa ng kinalabasan	RCTs	Pagbubulag (isa, doble, triple)
Epekto ng Hawthorne	Binabago ng mga kalahok ang kanilang kilos dahil alam nilang sila ay inoobserbahan	Lahat ng uri, lalo na sa obserbasyon	Mga grupong kontrol; mga bulag na tagamasid
Bias sa Pag-verify	Tanging ang mga pasyenteng may positibong resulta ng pagsusuri ang makakakuha ng gold-standard confirmatory test — kaya ang sensitivity ay lumalabas na maling mataas at ang specificity ay maling mababa.	Mga pag-aaral sa pagsusuring diagnostic	Tiyaking lahat ng pasyente (positibo at negatibo) ay makakatanggap ng gold-standard test
Nakakalito	Ang ikatlong baryabol ay nauugnay sa parehong pagkakalantad at kinalabasan, na nagpapabago sa maliwanag na relasyon	Obserbasyonal na pag-aaral	Randomisasyon (RCTs); stratifikasyon; pagsusuring multivariate

Klasikong halimbawa ng nakakalitong pangyayari: "Ang pagbebenta ng ice cream ay nauugnay sa pagkalunod." Delikado ba ang ice cream? Hindi — parehong tumataas ito kapag tag-araw. Ang panahon ang siyang nakakalito. Inilalarawan nito kung bakit ang korelasyon ≠ sanhi at kung bakit dapat kontrolin ang mga nakakalito.

🔀 Nakakalito — Kapag Mukhang Magkaugnay ang Dalawang Bagay Ngunit Hindi

Ang confounding ay isa sa pinakamahalagang konsepto sa metodolohiya ng pananaliksik — at isa sa mga pinakakaraniwang dahilan kung bakit ang tila nakakakumbinsing mga natuklasan sa obserbasyon ay nagiging mali. Ang pangunahing ideya ay simple: Ang dalawang bagay ay maaaring magmukhang magkaugnay hindi dahil direkta silang nakakaapekto sa isa't isa, kundi dahil pareho silang nakaugnay sa isang nakatagong ikatlong baryabol.

🔴 Ang Pangunahing Kahulugan

A tagapaglito (o nakakalitong baryabol) ay isang ikatlong baryabol na malayang nauugnay sa kapwa ang pagkakalantad at ang kinalabasan. Lumilikha ito ng isang huwad (maling) kaugnayan — o tinatakpan ang isang tunay — sa pagitan ng pagkakalantad at kinalabasan na iyong pinag-aaralan.

Isipin mong napansin mo na ang mga taong nagdadala ng lighter ay mas malamang na magkaroon ng kanser sa baga. Dapat ba nating ipagbawal ang mga lighter? Hindi — ang tunay na salarin ay ang paninigarilyo. Ang paninigarilyo ay nauugnay sa parehong pagdadala ng lighter at pagkakaroon ng kanser sa baga. Ang paninigarilyo ang nakalilito. Ang kaugnayan ng lighter at kanser ay ganap na ipinaliwanag nito.

Mga Klasikong Halimbawa

Maliwanag na Link	Ang Tagapaglito	Bakit Ipinapaliwanag Nito ang Lahat
Benta ng sorbetes → pagkamatay dahil sa pagkalunod	Mainit na panahon (tag-init)	Ang mainit na panahon ay nagdudulot ng mas maraming pagkain ng ice cream AT mas maraming paglangoy → mas maraming pagkalunod. Hindi naman ang ice cream ang sanhi ng pagkalunod.
Pag-inom ng kape → kanser sa baga	Paghitid	Mas maraming kape ang iniinom ng mga naninigarilyo sa karaniwan. Iniugnay ng mga unang pag-aaral ang kape sa kanser — hanggang sa makontrol pa ang paninigarilyo.
Pagdadala ng lighter → kanser sa baga	Paghitid	May dala silang lighter. Walang epektong biyolohikal ang lighter — ang paninigarilyo ay mayroon.
Puting buhok → sakit sa puso	edad	Parehong tumataas ang uban at sakit sa puso kasabay ng pagtanda. Ang edad ang nakakalito — hindi ang kulay ng buhok.
Sukat ng sapatos → kakayahang magbasa (sa mga bata)	edad	Mas malaki ang mga paa ng mga nakatatandang bata AT mas mahusay silang magbasa. Parehong naipapaliwanag ng edad ang pareho.

📐 Ang Tatlong Pamantayan para sa Isang Tunay na Tagapaglito

Ang isang baryabol ay isang confounder kung ito ay nakakatugon sa lahat ng tatlo sa mga ito:

Ito ay nauugnay sa pagkakalantad (ang bagay na iyong pinag-aaralan)
Ito ay nauugnay sa kinalabasan (ang resultang iyong sinusukat)
Ito ay hindi sa landas ng sanhi sa pagitan ng pagkakalantad at kinalabasan (ito ay isang hiwalay na ikatlong baryabol, hindi isang hakbang sa pagitan)

💡 Paano Kontrolin ang Pagkalito

Randomization (sa mga RCT) — pantay na ipinamamahagi ang mga kilala at hindi kilalang confounder sa pagitan ng mga grupo. Ito ang pinakamalakas na proteksyon.
Paghihigpit — i-enroll lamang ang mga kalahok na katulad sa confounder (hal. mga hindi naninigarilyo lamang sa pag-aaral ng kape)
Pagtutugma — ipares ang mga kaso at kontrol sa variable na confounder
Pagsusukat — suriin ang mga resulta nang hiwalay para sa bawat antas ng confounder
Pagsasaayos ng istatistika na multivariate — istatistikal na isinasaalang-alang ang maraming confounder nang sabay-sabay

⚠️ Bakit Pangunahing Problema ang Confounding sa mga Pag-aaral sa Obserbasyon

Sa isang mahusay na isinagawang RCT, ang randomisation ay pantay na namamahagi ng mga confounder (parehong kilala at hindi kilala) sa pagitan ng mga grupo — inaalis ang confounding bilang paliwanag para sa mga pagkakaiba. Sa mga cohort at case-control studies, maaari mo lamang isaayos ang mga confounder na alam mo na at nasukat mo na. Ang mga hindi nasukat na confounder ay palaging nananatiling isang potensyal na paliwanag para sa anumang naobserbahang kaugnayan — kaya naman ang mga observational studies ay hindi kailanman tiyak na makapagpapatunay ng sanhi.

✅ Bisa at Maaasahan — Ano ang Pagkakaiba?

Panloob na Bisa

Sinusukat ba ng pag-aaral ang sinasabi nitong nasusukat sa loob ng populasyon ng pag-aaral? Ang mga resulta ba ng ito mapagkakatiwalaan ba ang pag-aaral? Nanganganib ng pagkiling at pagkalito.

Panlabas na Bisa (Pagiging Pangkalahatan)

Maaari bang ilapat ang mga resulta sa ibang populasyon o mga totoong setting sa mundo? Ang isang lubos na kontroladong RCT sa isang espesyalistang sentro ay maaaring hindi sumasalamin sa kung ano ang nangyayari sa pangunahing pangangalaga.

Kahusayan (Reproducibility)

Nagbubunga ba ng pare-parehong resulta ang pagsusulit kapag inulit sa ilalim ng parehong mga kondisyon? Sinusukat sa pamamagitan ng inter-rater reliability (kappa statistic) o test-retest reliability.

Estadistika ng Kappa (κ)

Sinusukat ang pagkakasundo sa pagitan ng dalawang tagasuri na lampas sa pagkakataon. κ = 1 (ganap na pagkakasundo); κ = 0 (ang pagkakasundo ay hindi mas mabuti kaysa sa pagkakataon); κ < 0 (mas masama kaysa sa pagkakataon).

Pagsukat ng Panganib at Epekto ng Paggamot

Ito ang lugar na pinakamatinding nasubok sa mga estadistika ng AKT. Kailangan mong malaman nang maaga ang mga pormulang ito at mailapat ang mga ito sa mga talahanayan ng datos ng pagsubok sa ilalim ng mga kondisyon ng pagsusulit.

Isipin mong nasa casino ka. Sinasabi ng lotto na nadoble mo ang tsansa mong manalo — parang kamangha-mangha. Pero kung mula 1-in-a-milyon ay naging 2-in-a-milyon ka, ang relatibong pagbuti ay 100% pero ang ganap na pagkakaiba ay halos wala pa rin. Iyan ang pagkakaiba ng RRR at ARR. Gustung-gusto ng mga kompanya ng gamot na magbigay ng RRR. Dapat mong laging itanong ang ARR.

Ang Mga Pangunahing Sukatan

Ganap na Pagbabawas ng Panganib (ARR)

ARR = CER − EER

Ang aktwal na pagkakaiba sa mga rate ng kaganapan sa pagitan ng mga grupo. Ang pinaka-clinically honest na sukatan.

Relatibong Pagbabawas ng Panganib (RRR)

RRR = (CER − EER) ÷ CER

Kadalasan ay mas kahanga-hanga ang tunog — maaaring nakaliligaw nang hindi nalalaman ang baseline risk. Alternatibong pormula: RRR = 1 − RR (dahil RR = EER÷CER, RRR = 1 − ang halagang iyon).

Relatibong Panganib (RR)

RR = EER ÷ CER

Ginamit sa mga pag-aaral ng cohort at RCT. RR na 1 = walang epekto; <1 = nabawasang panganib; >1 = tumaas na panganib.

Bilang na Kailangang Maggamot (NNT)

NNT = 1 ÷ ARR

Ilang pasyente ang dapat gamutin para maiwasan ang isang masamang resulta. Mas mababa = mas epektibo. Palaging i-round UP.

Bilang na Kailangan para sa Pananakit (NNH)

NNH = 1 ÷ ARI

Ilang pasyente ang dapat gamutin para magdulot ng isa pang masamang epekto. Mas mataas = mas ligtas na paggamot.

Pagtaas ng Ganap na Panganib (ARI)

ARI = EER − CER

Ang karagdagang panganib na dulot ng mapaminsalang pagkakalantad o epekto ng paggamot.

📊 Interpretasyon ng NNT — Ano nga ba ang Tunay na Kahulugan ng mga Numero?

⚠️ Karaniwang Pagkalito — Mas Mababang NNT = Mas Mabuti (hindi Mas Masama)

Sinasabi sa iyo ng NNT kung ilang pasyente ang kailangan mong gamutin isa upang makinabang. Kaya ang mas kaunti Mas epektibo ang paggamot kapag mas maraming pasyente ang kailangan mong gamutin para makakuha ng isang benepisyo. Ang NNT = 2 ay nangangahulugang 1 sa bawat 2 pasyente ang nakikinabang — napakahusay niyan. Ang NNT = 100 ay nangangahulugang 1 lamang sa 100 ang nakikinabang — mas mahina.

Isipin ang pamimigay ng payong sa araw ng tag-ulan. NNT = 2 → magbigay ng 2 payong, 1 tao ang nananatiling tuyo — napakaepektibo. NNT = 100 → magbigay ng 100 payong, 1 tao lang ang umiiwas na mabasa — medyo nakakadismaya.

Saklaw ng NNT	Magaspang na Interpretasyon	Halimbawang Konteksto
<10	Napakahusay	Mga antibiotic para sa ilang partikular na impeksyon; ilang matinding paggamot
10 - 50	Katamtamang epekto	Maraming karaniwang mga gamot na pang-iwas
> 100	Mahina ang epekto	Ilang estratehiya sa pag-iwas sa antas ng populasyon

⚠️ Impormal ang mga Bandang Ito — Mahalaga ang Konteksto

Ang mga hangganang ito ay hindi mula sa NICE o RCGP — mga magaspang na pantulong sa pagtuturo lamang ang mga ito. Ang "tamang" NNT ay palaging nakadepende sa konteksto:

Isang NNT ng Maaaring sulit pa rin ang 100 kung ang napigilang resulta ay kamatayan o malubhang hindi na mababawi na pinsala
Isang NNT ng 5 ay maaaring hindi katanggap-tanggap kung ang paggamot ay may madalas o malubhang epekto

Panuntunan na may isang linya: Sinasabi sa iyo ng NNT kung ilang pasyente ang iyong ginagamot para sa isa na makikinabang — mas mababa = mas malakas na epekto. Ngunit palaging timbangin ito laban sa kalubhaan ng resulta at sa bigat ng paggamot.

🔄 Huwag ipagkamali ang NNT sa % Benepisyo

Kung 60 sa 100 pasyente ang nakinabang, iyon ay isang ARR na 60% (= 0.6), na nagbibigay ng NNT = 1 ÷ 0.6 ≈ 1.7 — isang mahusay na resulta. Ang NNT ay hindi ang bilang na nakikinabang; ito ang bilang na iyong tinatrato para makuha isa pakinabang.

📖 Ratio ng Odds at Ratio ng Hazard — Kailan Ginagamit ang mga Ito?

Sukatin	Ginamit sa	Interpretasyon
Relatibong Panganib (RR)	Mga pag-aaral ng kohol, mga RCT	Direktang naghahambing ng panganib sa dalawang grupo. Mas madaling maunawaan kaysa sa OR.
Odds Ratio (OR)	Pag-aaral ng case-control	Pinaghahambing ang posibilidad ng pagkakalantad sa mga kaso kumpara sa mga kontrol. Tinatayang RR kapag bihira ang sakit.
Hazard Ratio (HR)	Pagsusuri ng kaligtasan (oras-hanggang-pangyayari)	Parang RR pero may pananagutan kailan Ang mga pangyayari ay nangyayari sa paglipas ng panahon. HR <1 = nabawasang panganib sa grupong ginagamot.

⚠️ AKT Trap — O ≠ RR

Para sa mga karaniwang sakit, minamaliit ng OR ang panganib kumpara sa RR. Para sa mga bihirang sakit (<10% na prevalence), halos pareho ang mga ito. Ang isang case-control study ay bumubuo ng OR — ikaw hindi maaari direktang kalkulahin ang insidente o RR mula sa isang case-control study.

🧮 Halimbawa ng Paggawa — Pagkalkula ng NNT mula sa Data ng Pagsubok

🎯 Senaryo: Pagsubok sa Statin

Ipinapakita ng isang 5-taong RCT na sa mga pasyenteng may mataas na panganib sa cardiovascular: 6% sa grupo ng placebo ang nagkaroon ng atake sa puso, kumpara sa 4% sa grupo ng statin.

1 CER (Rate ng Kontrol na Pangyayari) = 6% = 0.06 EER (Rate ng Pangyayari sa Eksperimento) = 4% = 0.04

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

3 NNT = 1 ÷ ARR = 1 ÷ 0.02 = 50
Gamutin ang 50 pasyente sa loob ng 5 taon para maiwasan ang 1 atake sa puso

4 Si Rrr = ARR ÷ CER = 0.02 ÷ 0.06 = 33%
Parang kahanga-hanga! Pero ang lubos na benepisyo ay 2% lang.

5 RR = EER ÷ CER = 0.04 ÷ 0.06 = 0.67
Ang grupong binigyan ng statin ay may 67% na panganib kumpara sa grupong binigyan ng placebo — isang 33% na relatibong pagbawas.

💡 Ang Klinikal na Konklusyon

Kapag nagtanong ang isang pasyente ng "Makakatulong ba sa akin ang statin na ito?", gumamit ng NNT. "Kung 50 taong katulad mo ang uminom ng tabletang ito sa loob ng 5 taon, maiiwasan ang 1 atake sa puso. Para sa iyo mismo, ito ay 2% na ganap na benepisyo." Mas tapat iyan kaysa sa "Binabawasan nito ang iyong panganib ng 33%."

💬 Pagbabahagi ng Panganib sa mga Pasyente (Paborito ng AKT)

Madalas sinusubok ng AKT kung paano mo ipapaliwanag ang impormasyong pang-estadistika sa mga pasyente. Mayroong apat na pangunahing format:

format	halimbawa	Best Para sa
Natural na dalas	"5 sa bawat 100 katao"	Pinakamadaling maunawaan para sa mga pasyente
Bahagdan	"5% ng mga tao"	Malawakang ginagamit ngunit maaaring makapanlinlang
NNT	"Magbigay ng 20 gamot para maiwasan ang 1 pangyayari"	Malinaw na ipinapahayag ang ganap na benepisyo
Plot ni Cates	Biswal na grid ng 100 mukha	Pinakamahusay na visual aid para sa pinagsasaluhang paggawa ng desisyon

🚨 Huwag Gamitin Nang Mag-isa ang RRR Kapag Ipinapaalam ang Panganib

Nakakalito ang pagsasabing "binabawasan nito ang iyong panganib ng 33%" nang hindi ibinibigay ang baseline risk. Ang 33% RRR mula sa baseline na 0.3% ay nangangahulugang ang iyong absolute benefit ay 0.1%. Palaging ipares ang RRR sa baseline risk o bigyan na lang ng ARR/NNT.

💊 Ang Trick ng Pharma Rep — Paano Pinag-iiba-iba ng mga Kumpanya ng Gamot ang mga Estadistika

Ang mga kinatawan ng mga kompanya ng gamot ay sinanay upang ipakita ang datos ng pagsubok sa pinakapaborableng paraan. Gumagamit sila ng simple ngunit epektibong istatistikal na pandaraya:

Mga Benepisyo → sinipi bilang Relatibong Pagbawas ng Panganib (RRR) — dahil mas malaki at mas kahanga-hanga ang tunog nito
Mga pinsala → sinipi bilang Ganap na Pagtaas ng Panganib (ARI) — dahil mas maliit ang tunog nito at hindi gaanong nakababahala

Halimbawa ng Paggawa — isang kathang-isip na pagbisita ng kinatawan ng statin

Binabawasan ng isang bagong statin ang mga atake sa puso mula 2% hanggang 1% sa loob ng 5 taon, ngunit pinapataas ang myopathy mula 1% hanggang 2%.

Ang sabi ng kinatawan	Ang tunay na ibig sabihin nito
"Binabawasan ng gamot na ito ang atake sa puso sa pamamagitan ng 50%"	RRR = 50% — ngunit ang ARR ay lamang 1%. NNT = 100. Gamutin ang 100 katao sa loob ng 5 taon upang maiwasan ang 1 atake sa puso.
"Ang panganib ng myopathy ay tumataas lamang ng 1%"	ARI = 1% — ngunit iyon talaga ay isang pagdodoble ng panganib ng myopathy (Pagtaas ng Relatibong Panganib = 100%).

Ang tapat na bersyon: "Kung 100 pasyente ang iinom ng gamot na ito sa loob ng 5 taon, 1 karagdagang tao ang maiiwasan ang atake sa puso — at 1 karagdagang tao ang magkakaroon ng myopathy." Parehong datos. Ganap na magkaibang impresyon.

Ang panlunas: laging magtanong— "Ano ang ganap na pagkakaiba?" Kapag ang isang kinatawan ay nagbanggit ng isang relatibong pigura, i-convert ito mismo: ARR = CER − EER, pagkatapos ay NNT = 1 ÷ ARR. Ito ay naaangkop din sa mga benepisyo. at mga pinsala.

Pagsusuri at Screening na Diagnostiko — Ang 2×2 Table

Ang 2×2 contingency table ang pundasyon ng lahat ng diagnostic statistics. Kung kaya mong buuin at basahin ang table na ito, masasagot mo ang karamihan sa mga tanong sa diagnostic AKT.

Ang 2×2 na Mesa

	TUNAY NA KALAGAYAN NG SAKIT
RESULTA NG PAGSUSULIT	Sakit Ipakita	Sakit Wala
Positibo sa Pagsusuri	True Positive (TP) Ang resulta ng pagsusuri ay OO → may sakit ✓	Maling Positibo (FP) Ang resulta ng pagsusuri ay OO → walang sakit ✗
Negatibo sa Pagsusuri	Maling Negatibo (FN) Sabi ng pagsusuri, HINDI → may sakit ✗	True Negative (TN) Sabi ng pagsusuri, HINDI → walang sakit ✓

Pagkamapagdamdam

TP ÷ (TP + FN)

Proporsyon ng mga taong MAY sakit na nagpositibo sa pagsusuri. "Gaano kagaling sa paghawa ng sakit?"

Pagtutukoy

TN ÷ (TN + FP)

Proporsyon ng mga taong WALANG sakit na nagnegatibo sa resulta ng pagsusuri. "Gaano kahusay sa pagtukoy ng posibilidad na may sakit?"

Positibong Pinahulaan na Halaga (PPV)

TP ÷ (TP + FP)

Probabilidad na ang isang positibong pagsusuri ay tunay na nangangahulugan ng sakit. Apektado ng paglaganap.

Negatibong Hula sa Prediksyon (NPV)

TN ÷ (TN + FN)

Probabilidad na ang isang negatibong pagsusuri ay tunay na nangangahulugang walang sakit. Apektado ng paglaganap.

🧠 SnNout at SpPin — Ang Mga Pantulong sa Memorya (at Bakit Gumagana ang mga Ito)

SnNout

Snpalabas: Isang lubos Sensitibong pagsubok, kung Negatibo, namamahala sa sakit Palabas.

Kung ang sensitivity ay napakataas, ang negatibong resulta ng pagsusuri ay nangangahulugan na ang sakit ay napakaliit ang posibilidad (mababang false-negative rate). Gumamit ng sensitibong pagsusuri upang i-screen at ibukod ang posibilidad.

SpPin

Spsa: Isang lubos na Spepektibong pagsubok, kung Ppositibo, namamahala sa sakit In.

Kung napakataas ng specificity, ang positibong resulta ng pagsusuri ay nangangahulugan na malamang na may sakit (mababang false-positive rate). Gumamit ng isang partikular na pagsusuri upang kumpirmahin ang diagnosis.

Isipin ang sensitibidad bilang isang napakasensitibong alarma sa usok — tumutunog ito para sa lahat ng bagay, kabilang ang nasunog na toast. Hindi nito kailanman mapalampas ang isang totoong sunog (SnNout). Ang specificity ay isang mahusay na naka-calibrate na alarma na nagti-trigger lamang para sa mga aktwal na sunog — kung ito ay tumunog, makakasiguro kang talagang may sunog (SpPin).

📊 Ang Epekto ng Paglaganap sa PPV at NPV — Kritikal na Paksa ng AKT

Ito ang isa sa pinakamahalaga at pinakanasubok na konsepto sa mga estadistika ng diagnostic. Ang sensitivity at specificity ay mga nakapirming katangian ng pagsusuri. Ngunit ang PPV at NPV ay lubhang nagbabago depende sa kung gaano kakaraniwan ang sakit sa populasyon na iyong sinusuri.

Isipin mong ginagamit mo ang parehong pregnancy test sa isang fertility clinic (60% ng mga kababaihan ay buntis) kumpara sa isang random na GP surgery (5% ng mga kababaihan ay maaaring buntis). Parehong pagsusuri — parehong sensitivity/specificity. Ngunit ang isang positibong resulta ay nangangahulugan ng ibang-iba sa bawat sitwasyon.

Sitwasyon	Pagkalat	PPV	NPV
Pagsusuri sa pangkalahatang populasyon para sa isang bihirang sakit (hal. HIV sa low-risk)	1%	MABABA (~16%)	MATAAS (~99.9%)
Pagsusuri sa isang klinikang espesyalista na may mataas na panganib	50%	MATAAS (~95%)	MATAAS (~95%)

🔴 Mga Pangunahing Panuntunang Dapat Tandaan

Bilang prevalence ↑ → PPV ↑, NPV ↓
Bilang paglaganap ↓ → PPV ↓, NPV ↑
Sa isang populasyon na may mababang prevalence, karamihan sa mga positibong resulta ay mga maling positibo (mababang PPV) — kahit na may lubos na espesipikong pagsusuri
Ang isang negatibong pagsusuri sa isang populasyon na may mataas na prevalence ay maaaring hindi pa rin matukoy ang sakit (mas mababang NPV)

📐 Mga Proporsyon ng Posibilidad — Kapag Gusto Mong Lumaban Pa

Pinagsasama ng mga likelihood ratio (LR) ang sensitivity at specificity sa isang numero na nagsasabi sa iyo kung gaano nagbabago ang resulta ng pagsusuri sa probabilidad ng sakit. Mas advanced kaysa sa PPV/NPV, ngunit kapaki-pakinabang — at paminsan-minsan ay sinusubok sa AKT.

Positive Likelihood Ratio (LR+)

LR+ = Sensitivity ÷ (1 − Specificity)

Gaano mas malamang na positibo ang resulta ng pagsusuri sa kaso ng sakit kumpara sa kaso ng kawalan ng sakit. LR+ >10 = matibay na ebidensya para sa sakit.

Negatibong Proporsyon ng Posibilidad (LR−)

LR− = (1 − Sensitibidad) ÷ Espisipibilidad

Gaano mas malamang na negatibo ang resulta ng pagsusuri sa sakit kumpara sa walang sakit. LR− <0.1 = matibay na ebidensya laban sa sakit.

LR+	Epekto sa Probabilidad Pagkatapos ng Pagsusulit
> 10	Malaki at kadalasang tiyak na pagtaas ng posibilidad
5-10	Katamtamang pagtaas
2-5	Maliit na pagtaas
1	Walang pagbabago (walang silbi ang pagsubok)
0.1-0.5	Maliit hanggang katamtamang pagbaba
	Malaking pagbaba — malakas na negatibong pag-aalis ng mga patakaran

Ang nomogram ni Fagan ay gumagamit ng mga LR sa grapikong paraan — guguhit ka ng linya mula sa probabilidad ng pre-test patungo sa LR upang mabasa ang probabilidad ng post-test. Kung makikita mo ito sa AKT, tandaan: ang isang positibong pagsubok ay nagbabago ng probabilidad up, inililipat ito ng negatibong pagsusuri pababa.

Mga Estadistika ng Populasyon at Epidemiolohiya

Insidente

Mga bagong kaso ÷ Populasyong nasa panganib × multiplier

Mga Panukala panganibBinibilang lamang ang mga BAGONG kaso sa loob ng isang tinukoy na tagal ng panahon.

Pagkalat ng Punto

Lahat ng umiiral na kaso ÷ Kabuuang populasyon

Mga Panukala pasanin ng sakitBinibilang ang LAHAT ng mga kaso (bago at luma) sa isang partikular na punto ng oras (Oras T). Isinulat din bilang: Mga Kaso sa Oras T ÷ Populasyon sa Oras T.

Ang insidente ay ang bilang ng mga bagong mag-aaral na pumapasok sa isang paaralan ngayong taon. Ang prevalence ay ang kabuuang bilang ng mga mag-aaral na kasalukuyang nasa paaralan (bago + dati). Ang isang malalang sakit na may mababang insidente ay maaari pa ring magkaroon ng mataas na prevalence kahit na ang mga tao ay nabubuhay kasama nito nang maraming taon.

📊 Istandardisadong Ratio ng Mortalidad (SMR)

SMR Formula

(Mga naobserbahang pagkamatay ÷ Inaasahang pagkamatay) × 100

Inaayos ayon sa edad at kasarian kapag inihahambing ang mortalidad sa pagitan ng mga populasyon.

Halaga ng SMR	Interpretasyon
= 100	Ang mortalidad ay katulad ng sangguniang populasyon
> 100	Labis na dami ng namamatay (mas mataas kaysa sa inaasahan)
<100	Mas mababang dami ng namamatay kaysa sa inaasahan

Uri ng tanong na AKT: "Ang isang komunidad ng pagmimina ay may SMR na 145. Ano ang ibig sabihin nito?" → Labis na mortalidad — 45% na mas maraming pagkamatay kaysa sa inaasahan sa isang maihahambing na pangkalahatang populasyon.

🎯 Pagsusuri — Bias sa Oras ng Paghahatid at Haba (Mga Pangunahing Bitag ng AKT)

🔴 Pagkiling sa Oras ng Paghahatid

Mas maagang natutukoy ng screening ang isang sakit, na nagpapakitang bumuti ang survival rate — kahit na namatay ang pasyente sa parehong oras. Ang "oras ng kaligtasan mula sa diagnosis" ay pinahaba lamang ng maagang pagtuklas, hindi ng aktwal na benepisyo ng paggamot. Hindi nabubuhay nang mas matagal ang pasyente; mas matagal lang ang alam nila.

🟠 Pagkiling sa Haba

Mas malamang na matukoy ng mga programa sa screening ang mabagal na lumalagong at mahinang sakit (na may mas mahabang "maaaring matukoy na preclinical phase") kaysa sa agresibong sakit na mabilis na lumalala. Dahil dito, mukhang mas epektibo ang screening kaysa sa tunay na epekto nito para sa malalang sakit.

Lead time bias: Isipin mong alam mong mamamatay ka sa edad na 60. Kung walang screening, malalaman mong nasa edad na 55 ka; sa screening naman, malalaman mong nasa edad na 40 ka. Tila binigyan ka ng screening ng karagdagang 15 taon ng survival mula sa diagnosis — ngunit namamatay ka pa rin sa edad na 60.

✅ Mga Pamantayan sa Pag-screen ng Wilson at Jungner

Bago ipakilala ang isang programa sa screening, dapat nitong matugunan ang pamantayan nina Wilson at Jungner (orihinal na inilathala noong 1968, na siyang pamantayan pa rin). Sinusubok ng AKT ang kaalaman sa mga pamantayang ito at ang aplikasyon ng mga ito sa mga senaryo.

#	Saligan	Ang Kahulugan Nito sa Praktika
1	Mahalagang problema sa kalusugan	Ang kondisyon ay may malaking morbidity o mortality — sulit ang pagsisikap ng screening
2	Tinatanggap na paggamot na magagamit	Walang saysay na matukoy ang sakit na hindi mo kayang gamutin
3	May mga pasilidad para sa pagsusuri at paggamot	Dapat na handa na ang imprastraktura bago ilunsad
4	Nakikilalang nakatago o maagang yugto	Ang sakit ay dapat mayroong natutukoy na pre-symptomatic phase
5	Magagamit ang angkop na pagsubok	Ang pagsusulit ay dapat katanggap-tanggap sa populasyon, ligtas, at makatwirang tumpak
6	Pagsusuri na katanggap-tanggap sa populasyon	Dapat handang sumailalim ang mga tao rito — maaaring makahadlang sa pagtanggap ang mga invasive o hindi komportableng pagsusuri
7	Sapat na naunawaan ang kasaysayan ng kalikasan	Dapat malaman kung paano lalala ang sakit kung hindi magagamot
8	Napagkasunduang patakaran kung sino ang gagamutin	Kailangan ang malinaw na mga protokol — hindi lamang pagtuklas kundi kung ano ang susunod na mangyayari
9	Sulit	Ang gastos sa paghahanap ng bawat kaso ay dapat balansehin laban sa benepisyo
10	Patuloy na proseso, hindi minsanan	Dapat patuloy ang screening — patuloy ang insidente ng sakit

⚠️ Aplikasyon para sa AKT — Bakit Hindi Pumapayag ang PSA Screening sa mga Pamantayang Ito

Ang PSA screening para sa kanser sa prostate ay hindi bahagi ng pambansang programa ng screening ng NHS dahil nahihirapan ito sa pamantayan 5 at 7: Ang PSA ay hindi sapat na tumpak na pagsusuri (mababang ispesipisidad → maraming maling positibo), at ang natural na kasaysayan ng maraming low-grade na kanser sa prostate ay nangangahulugan na hindi ito kailanman magdudulot ng mga sintomas sa buong buhay ng pasyente. Direktang nauugnay ito sa labis na pagsusuri (tingnan sa ibaba).

Pantulong sa memorya: isipin ang pamantayan bilang tatlong grupo — ang sakit (mahalaga, nauunawaan, may nakatagong yugto), ang pagsubok (angkop, katanggap-tanggap, tumpak), ang sistema (mayroong paggamot, may mga pasilidad, napagkasunduan ang patakaran, matipid, tuloy-tuloy).

🔍 Labis na Pag-diagnose — Paghahanap ng mga Problema na Hindi Sana Nagdudulot ng mga Problema

Nangyayari ang overdiagnosis kapag may natukoy na totoong sakit — isa na tunay na umiiral — ngunit ang sakit na iyon ay hindi kailanman nagdulot ng mga sintomas, pinsala, o kamatayan habang nabubuhay ang pasyente kung hindi ito matutukoy. Hindi ito isang maling positibo (totoo ang sakit); ito ay isang tunay na positibo na hindi na kailangang hanapin.

🔴 Bakit Ito Mahalaga

Ang labis na pagsusuri ay nagiging mga pasyente ng mga taong may maayos na kalagayan. Inilalantad sila nito sa pagkabalisa, mga epekto, at mga panganib ng paggamot para sa isang kondisyon na hindi sana makakasama sa kanila. Isa ito sa pinakamahalagang pinsala ng mga programa sa screening — at isa ito sa mga direktang sinusuri ng AKT.

Voorwaarde	Halimbawa ng Overdiagnosis
Kanser sa prostate	Maraming low-grade na kanser na natukoy ng PSA ang hindi kailanman lalala o magdudulot ng mga sintomas — namamatay ang mga lalaki sa sila, hindi mula sila
Katawan ng thyroid	Natuklasan ng ultrasound ang maliliit na papillary thyroid cancer na halos lahat ay hindi aktibo — tumaas ang pagkatuklas ngunit hindi nagbago ang mortalidad
DCIS (dibdib)	Natukoy ang ductal carcinoma in situ sa pamamagitan ng mammography — ang ilan ay hindi kailanman magiging invasive cancer

Ang labis na pagsusuri ay parang paghahanap ng isang maliit na bitak sa isang pader na hindi sana'y magiging sanhi ng pagguho ng bahay — ngunit ngayong nakita mo na ito, napipilitan kang ayusin ito. Totoo ang bitak; ang pinsalang dulot ng paghahanap nito ay nagmula sa paggamot, hindi sa bitak.

Labis na Pagsusuri vs Labis na Paggamot

Labis na pagsusuri = paghahanap ng sakit na hindi na kailangang hanapin. Labis na Paggamot = paggamot sa isang sakit na hindi na kailangang gamutin (na maaaring kasunod ng labis na pagsusuri, o maaaring mangyari nang mag-isa). Ang mga ito ay magkaugnay ngunit magkaibang konsepto.

🔢 Istandardisasyon ng Edad

Kapag inihahambing ang mga rate ng sakit o mortalidad sa pagitan ng iba't ibang populasyon (hal. iba't ibang bansa, iba't ibang tagal ng panahon), kailangan mong isaayos ang katotohanan na ang mga populasyon na iyon ay maaaring may iba't ibang distribusyon ng edad. Natural na mas mataas ang mortalidad sa mga matatandang populasyon kahit na pareho silang mabuti ang kanilang kalusugan.

Pangunahing Konsepto

Ang estandardisasyon ng edad ay isang pamamaraang pang-estadistika na nag-aalis ng epekto ng pagbaluktot ng iba't ibang distribusyon ng edad kapag inihahambing ang mga resulta ng kalusugan sa pagitan ng mga populasyon. Lumilikha ito ng isang rate na maoobserbahan kung ang parehong populasyon ay may parehong istruktura ng edad (ang "karaniwang populasyon").

🎗️ Mga Estadistika ng Kanser — Mga Dapat Malaman ng AKT

Paminsan-minsan ay sinusuri ng AKT ang mga partikular na estadistika ng kanser. Hindi mo kailangan ng malawak na kaalaman sa oncology — ngunit ang mga pangunahing datos na ito ay lumalabas at sulit na malaman.

Kanser	Pangunahing Istatistika	Bakit mahalaga ito
Testicular cancer	>98% 10-taong kaligtasan	Isa sa mga kanser na pinakamadaling gamutin — mahalagang malaman para sa pagpapayo sa mga kabataang lalaki
Kanser sa baga	Pangunahing sanhi ng pagkamatay dahil sa kanser (UK)	Bagama't hindi ito ang pinakakaraniwang kanser, mas maraming tao ang napatay nito kaysa sa iba pang mga kanser.

⚠️ Antas ng Kaligtasan vs Antas ng Pagkamatay — Huwag Malito sa mga Ito

Ang isang kanser ay maaaring magkaroon ng mataas na antas saklaw (karaniwan) ngunit mababa dami ng namamatay (maaaring gamutin), tulad ng kanser sa suso. O maaari itong magkaroon ng mas mababang insidente ngunit napakataas na mortalidad, tulad ng kanser sa pancreas. Maaaring subukan ng AKT ang iyong kakayahang bigyang-kahulugan nang tama ang mga istatistika ng kanser — huwag ipagpalagay na ang pinakakaraniwang kanser ang pinakamalubha.

⚖️ Mga Hindi Pagkakapantay-pantay sa Kalusugan

Ang mga hindi pagkakapantay-pantay sa kalusugan ay naglalarawan ng hindi patas at maiiwasang mga pagkakaiba sa kalusugan sa pagitan ng iba't ibang grupo ng mga tao. Ang mga ito ay isang mahalagang pokus ng patakaran sa kalusugan ng publiko sa UK at lumilitaw sa AKT sa konteksto ng epidemiology at mga panlipunang determinant ng kalusugan.

Depinisyon

Ang mga hindi pagkakapantay-pantay sa kalusugan ay hindi patas at maiiwasang mga pagkakaiba sa katayuan ng kalusugan o sa distribusyon ng mga determinant ng kalusugan sa pagitan ng iba't ibang grupo ng populasyonAng mga ito ay "maiiwasan" dahil nagmumula ang mga ito sa mga kondisyong panlipunan, pang-ekonomiya, o pangkapaligiran na sa prinsipyo ay maaaring mabago — hindi mula sa random na pagkakataon o biyolohikal na baryasyon.

uri	Mga halimbawa sa UK
Socioeconomic	Mas mababang inaasahang haba ng buhay sa mga mahihirap na lugar; mas mataas na antas ng sakit sa puso, diabetes, at sakit sa pag-iisip sa mga mahihirap na komunidad
Heograpiko	"Paghahati ng Hilaga at Timog" — mas mahinang resulta ng kalusugan sa mga bahagi ng Hilagang Inglatera kumpara sa Timog
Etniko	Mas mataas na antas ng type 2 diabetes sa mga populasyon ng Timog Asya; mas mataas na panganib sa cardiovascular sa mga populasyon ng mga Itim
Kasarian	Mas mababa ang inaasahang haba ng buhay ng mga lalaki ngunit mas matagal ang mga taon ng pagkakasakit (morbidity) ng mga babae

Sa AKT, ang mga hindi pagkakapantay-pantay sa kalusugan ay kadalasang lumilitaw bilang mga tanong tungkol sa mga panlipunang determinant ng kalusugan o tungkol sa pagbibigay-kahulugan sa datos ng populasyon na nagpapakita ng mga pagkakaiba sa pagitan ng mga grupo. Pangunahing kagamitan: ang Pagsusuri sa Marmot (Patas na Lipunan, Malusog na Pamumuhay) at ang konsepto ng proporsyonal na unibersalismo — mga serbisyong panlahat na ibinibigay nang mas matindi sa mga higit na nangangailangan.

Distribusyon ng Datos at Kahalagahang Pang-estadistika

Mga Panukala ng Central Tendency

Sukatin	Depinisyon	Pinakamahusay na Ginagamit Kailan	Tingnan mo
Ibig sabihin	Kabuuan ng lahat ng halaga ÷ bilang ng mga halaga	Ang datos ay normal na ipinamamahagi	Madaling mapilipit ng mga outlier
panggitna	Gitnang halaga kapag inayos ayon sa pagkakasunud-sunod. Kung mayroong pantay na numero ng mga halaga, ang median ay ang average ng dalawang gitnang numero.	Hindi tumpak na datos (hal. kita, tagal ng pananatili sa ospital)	Hindi pinapansin ang mga aktwal na halaga sa mga sukdulan
paraan	Pinakamadalas na nagaganap na halaga	Mga datos na pang-kategoriya; mga distribusyon na bimodal	Maaaring walang kahulugan sa patuloy na datos
Saklaw	Pinakamataas − Pinakamababa	Mabilis na pakiramdam ng pagkalat	Ganap na tinutukoy ng mga outlier
IQR (Saklaw ng Interquartile)	Ika-75 porsyento − Ika-25 porsyento	Ipinares sa median para sa skewed data	Hindi pinapansin ang itaas at ibabang 25%
Standard Deviation (SD)	Karaniwang pagkalat mula sa mean	Karaniwang ipinamamahaging data	Nakakalito kung ang datos ay hindi normal na naipamahagi

🗂️ Mga Uri ng Datos — Nominal, Ordinal, Interval, Ratio

Pag-unawa sa kung ano uri ng datos na mayroon ka ang nagtatakda kung aling mga buod na estadistika at aling mga istatistikal na pagsubok ang naaangkop. Sinusubukan ito ng AKT — kadalasan sa pamamagitan ng paglalahad ng isang dataset at pagtatanong kung aling pagsubok o sukat ang gagamitin.

uri	Depinisyon	Mga halimbawa	pagkakatulad
Naturingan	Mga kategoryang walang natural na pagkakasunud-sunod	Grupo ng dugo (A, B, AB, O); kasarian; kulay ng mata; sanhi ng kamatayan	Isang mangkok ng prutas — magkaiba lang ang mansanas at saging, wala ring "higit pa"
Ordinal	Nakaayos na mga kategorya, ngunit ang mga puwang sa pagitan ng mga ito ay hindi kinakailangang pantay	Klase ng pagpalya ng puso ng NYHA (I–IV); sukatan ng sakit (banayad/katamtaman/malala); mga sukatan ng Likert	Mga posisyon sa karera — Una, Ikalawa, Ikatlong Puwesto. Alam natin ang pagkakasunod-sunod, ngunit ang pagitan sa pagitan ng Una at Ikalawa ay maaaring ibang-iba sa pagitan ng Ikalawa at Ikatlong Puwesto.
Pagitan	Nakaayos nang may pantay na agwat sa pagitan ng mga halaga, ngunit walang tunay na sero	Temperatura sa °C; mga petsa sa kalendaryo; mga marka ng IQ	Ang termometro — 0°C ay hindi nangangahulugang "walang temperatura." Hindi mo masasabing ang 20°C ay "doble ang init" kaysa sa 10°C sa anumang ganap na kahulugan.
Proporsyon	Nakaayos, pantay na mga puwang, AT isang tunay na ganap na sero	Taas, timbang, presyon ng dugo, edad, kita, dosis ng gamot	Pera — Ang £0 ay nangangahulugang wala kang tunay na pera. Ang £40 ay doble ang halaga kaysa sa £20

💡 Bakit Ito Mahalaga para sa AKT

Nominal/Ordinal na datos → gumamit ng mga di-parametrikong pagsubok, mode o median para sa mga average
Datos ng Interval/Ratio (normal na ipinamamahagi) → maaaring gumamit ng mean, SD, at parametric tests
Ikaw hindi kayang kalkulahin nang makabuluhan ang isang mean para sa nominal na datos (hal. walang katuturan ang "mean blood group") o gumawa ng mga proporsyonal na pahayag gamit ang interval data (hindi mo masasabing ang isang taong may IQ na 120 ay "dobleng mas matalino" kaysa sa isang taong may 60)

🔬 Mga Pagsusulit na Parametriko vs. Mga Pagsusulit na Hindi Parametriko

Ang mga pagsusulit na pang-estadistika ay nahahati sa dalawang pamilya depende sa mga pagpapalagay na ginagawa nila tungkol sa iyong datos. Sinusubukan ng AKT kung aling uri ng pagsusulit ang angkop para sa isang partikular na senaryo — hindi mo kailangang isagawa ang mga kalkulasyon, alamin lamang kung kailan gagamitin kung alin.

Ang Pangunahing Pagkakaiba

Mga pagsubok sa parametric ipagpalagay na ang datos ay normal na distribusyon (o ang sample ay sapat na malaki kaya hindi ito gaanong mahalaga) at ang datos ay hindi bababa sa antas ng interval. Mga pagsubok na hindi parametric huwag gumawa ng mga ganitong pagpapalagay — gumagana ang mga ito sa mga ranggo o kategorya at angkop para sa mga skewed data, maliliit na sample, o ordinal/nominal data.

Ang mga parametric test ay parang isang recipe na gagana lamang kung ang iyong oven ay eksaktong nasa tamang temperatura. Ang mga non-parametric test ay mas mapagpatawad — gumagana ang mga ito kahit na medyo mainit o malamig ang oven.

Layunin	Pagsubok na Parametriko	Katumbas na Hindi Parametriko
Paghambingin ang mga mean ng 2 magkakahiwalay na grupo	Malayang t-test	Mann-Whitney U na pagsubok
Ang ibig sabihin ng paghahambing ay: parehong grupo, 2 punto ng oras	Ipinares na t-test	Wilcoxon sign-rank test
Paghambingin ang mga mean ng 3 o higit pang grupo	ANOVA (Pagsusuri ng Pagkakaiba)	Pagsubok sa Kruskal-Wallis
Korelasyon sa pagitan ng dalawang tuluy-tuloy na baryabol	Korelasyon ni Pearson	Kaugnayan sa ranggo ng Spearman
Paghambingin ang mga proporsyon / kategoryang datos	-	Pagsubok na Chi-squared (χ²)

⚠️ Mga Panuntunan sa Desisyon ng AKT

Ang data ay skewed or hindi normal na ipinamamahagi → gumamit ng hindi parametriko
Maliit na laki ng sample (at hindi tiyak ang normalidad) → gumamit ng hindi parametriko
Ang data ay utak (hal. mga marka ng sakit, Likert) → gumamit ng hindi parametriko
Halintulad mga proporsyon o kategorya → pagsubok na chi-squared
Malaking sample, tuloy-tuloy, humigit-kumulang normal → ayos lang ang parametric test

🔔 Normal na Distribusyon — Ang Panuntunan ng 68-95-99.7

Ang normal na distribusyon ay isang simetrikong kurba na hugis-kampanilya. Ang mean, median, at mode ay pawang magkakapantay at nasa gitna.

Saklaw	% ng mga Kasamang Halaga
Katamtaman ± 1 SD	68%
Katamtaman ± 2 SD	95%
Katamtaman ± 3 SD	99.7%

Aplikasyon ng AKT: Ang mga saklaw ng sanggunian para sa mga pagsusuri sa dugo ay karaniwang tinutukoy bilang mean ± 2 SD — ibig sabihin ay 5% ng mga normal at malulusog na tao ay mahuhulog "sa labas ng normal na saklaw." Ito ang dahilan kung bakit ang isang bahagyang abnormal na resulta sa isang asymptomatic na pasyente ay kadalasang hindi nangangailangan ng paggamot.

⚠️ Hindi Patas na Datos

Sa mga datos na may positibong skewed (hal. kita, oras ng paghihintay ng doktor, serum bilirubin sa isang ward), ang mean ay hinihila pakanan ng ilang matataas na outlier. Sa kasong ito, gamitin ang panggitna — mas mainam nitong kinakatawan ang karaniwang halaga. Gustung-gusto ng AKT na subukan ang pagkakaibang ito.

📉 Mga P-Value at Confidence Interval — Ang Tunay na Kahulugan ng mga Ito

Mga P-Value

Ang p-value ay ang probabilidad ng pag-obserba ng mga resulta kahit man lang kasing sukdulan ng mga nakita kung ang null hypothesis ay totoo (ibig sabihin, kung walang tunay na epekto). Ito ay hindi ang probabilidad na tama ang null hypothesis.

p-value	Interpretasyon
p <0.05	Makabuluhan sa istatistika — mas mababa sa 5% na posibilidad na ang resultang ito ay nangyari nang hindi sinasadya
p> 0.05	Hindi makabuluhan sa istatistika — ang resulta ay maaaring dahil sa pagkakataon
p = 0.01	1% na posibilidad na makuha ang resultang ito kung walang tunay na epekto

Mga Interval ng Kumpiyansa (CI)

Ang ibig sabihin ng 95% CI ay: kung uulitin mo ang pag-aaral nang 100 beses, sa 95 sa mga pagkakataong iyon ang tunay na halaga ng populasyon ay mahuhulog sa loob ng saklaw na ito.

Ang CI ay parang isang taya ng panahon na nagsasabing "asahan ang temperatura sa pagitan ng 14°C at 22°C bukas." Hindi ibig sabihin na ang temperatura ay tiyak na nasa ganoong saklaw — ngunit 95% kang kumpiyansa na magiging ganoon nga.

🔴 Ang Pinakasubok na Panuntunan — Lumalagpas ba sa Mahiwagang Numero ang CI?

Para sa isang proporsyon (RR, OR, HR): kung kasama sa 95% CI 1.0 → hindi makabuluhan sa istatistika
Para sa isang pagkakaiba (average na pagkakaiba, ARR): kung kasama sa 95% CI 0 → hindi makabuluhan sa istatistika
Kung ang CI ay ganap na mas mataas sa 1 (para sa mga ratio) → makabuluhang tumaas na panganib
Kung ang CI ay ganap na mas mababa sa 1 (para sa mga ratio) → makabuluhang nabawasan ang panganib

❌ Mga Mali sa Uri I at Uri II — Umiiyak na Lobo vs. Nawawala ang Lobo

Uri I na Error (α — Alpha)

Pagtanggi sa null hypothesis kahit na ito ay totoo talaga. Sa madaling salita: konklusyon na ang isang paggamot ay gumagana kapag hindi ito gumagana. Ang false positive rate. Karaniwang katanggap-tanggap sa 5% (α = 0.05, p < 0.05).

"Umiiyak na lobo" — pagpapatunog ng alarma kapag walang lobo.

Uri II na Error (β — Beta)

Hindi pagtanggi sa null hypothesis gayong ito ay mali. Sa madaling salita: hindi pagkakaroon ng true treatment effect. Ang false negative rate. Karaniwang katanggap-tanggap sa 20% (β = 0.2, power = 80%).

"Nami-miss ang lobo" — pagsasabi ng walang lobo kahit mayroon naman.

Power Power ng Statistical

Lakas = 1 − β. Ito ang probabilidad ng wastong pagtuklas ng isang tunay na epekto. Mas mataas na lakas = mas malamang na hindi makaligtaan ang isang tunay na epekto. Tumataas ang lakas kapag mas malaki ang laki ng sample. Ang isang mahusay na dinisenyong pagsubok ay nangangailangan ng ≥80% na lakas.

⚡ Kahalagahang Pang-estadistika ≠ Kahalagahang Klinikal

Isa ito sa pinakamahalaga at pinakasubok na mga detalye sa mga estadistika ng AKT — at isa na hindi napapansin ng maraming trainee.

🔴 Ang Pangunahing Panuntunan

Ang isang resulta ay maaaring makabuluhang istatistika (p < 0.05) habang klinikal na walang kahuluganSinasabi lamang sa iyo ng kahalagahang pang-estadistika na ang resulta ay malamang na hindi dahil sa pagkakataon — sinasabi nito wala tungkol sa kung ang epekto ay sapat na malaki upang maging mahalaga sa pagsasagawa.

Natuklasan sa isang pagsubok na kinasasangkutan ng 50,000 pasyente na ang isang bagong gamot para sa altapresyon ay nakakabawas ng systolic BP ng 1 mmHg. p = 0.001. Lubos na makabuluhan — ngunit babaguhin mo ba ang iyong pagrereseta para sa pagbaba ng 1 mmHg? Hindi. Maliit ang p-value dahil napakalaki ng sample, hindi dahil mahalaga ang epekto.

Sitwasyon	Mahalaga sa Estadistika?	Mahalaga sa Klinika?
Bumababa ang presyon ng dugo ng 1 mmHg, n=50,000, p=0.001	Oo	Hindi
Bumababa ang presyon ng dugo ng 15 mmHg, n=30, p=0.08	Hindi	Malamang oo
Bumababa ang presyon ng dugo ng 12 mmHg, n=500, p=0.02	Oo	Oo

💡 Ano ang Gagamitin sa halip

Laging tumingin sa laki ng epekto (ARR, NNT, mean difference) kasama ng mga p-value at CI. Ang isang makitid na confidence interval na hindi kasama ang zero o isa ay mas makabuluhan kaysa sa isang p-value lamang — sinasabi nito sa iyo ang direksyon at ang katumpakan ng epekto.

📏 Lapad ng Confidence Interval — Katumpakan sa Isang Sulyap

Makitid na CI → tumpak na pagtatantya → mataas na kumpiyansa ang tunay na halaga ay malapit sa puntong pagtatantya (karaniwan ay mula sa isang malaking sample)
Malawak na CI → hindi tiyak na pagtatantya → ang tunay na halaga ay maaaring nasa kahit saan sa isang malawak na saklaw (karaniwan ay mula sa isang maliit o magkakaiba na sample)

Halimbawa: RR = 1.5 (95% CI 1.4–1.6) → tumpak, kapani-paniwala. RR = 1.5 (95% CI 0.6–3.8) → malawak, hindi tiyak — at lumalagpas sa 1.0 kaya hindi rin makabuluhan.

📈 Regresyon sa Mean — Ang Nakatagong Pinagmumulan ng Klinikal na Pagsasanay

Ang regresyon sa mean ay ang istatistikal na tendensiya para sa isang sukdulang sukat na maging mas malapit sa average sa pangalawang sukat — kahit ano pa man ang interbensyonIsa ito sa mga pinaka-hindi gaanong kinikilalang mapagkukunan ng mga nakaliligaw na konklusyon sa medisina.

🔴 Bakit Ito Mahalaga sa Klinikal na Paraan

Kadalasang iniimbestigahan o ginagamot ang mga pasyente kapag nasa pinakamalala na ang kanilang mga sintomas o sukat. Ang natural na pagkakaiba-iba ay nangangahulugan na ang mga sukat na iyon ay malamang na bumuti pa rin sa muling pagsusuri — hindi kinakailangan dahil sa iyong interbensyon. Kung walang control group, imposibleng makilala ang regression sa mean mula sa tunay na epekto ng paggamot.

Sitwasyon	Ano ang Mukhang Epekto ng Paggamot	Ano ang Maaaring Tunay na Nangyayari
Napakataas ng presyon ng dugo ng pasyente sa isang pagbasa → nagsimula nang uminom ng gamot → Mas mababa ang presyon ng dugo sa susunod na pagbisita	Gumagana ang gamot	Ang unang pagbasa ay maaaring isang outlier; mas mababa pa rin sana ang BP sa paulit-ulit na pagsukat
Mababa ang marka ng estudyante sa pagsusulit → nakakakuha ng karagdagang matrikula → mas mataas ang marka sa susunod	Nakatulong ang matrikula	Ang mababang iskor ay maaaring hindi kumakatawan; ang natural na pagganap ay may posibilidad na maging karaniwan.
Ang pasyenteng may malalang eksema ay nagsimulang uminom ng bagong cream → bumuti ang kondisyon	Epektibo ang krema	Ang malalang pagsiklab ng sakit ay natural na bumubuti sa paglipas ng panahon anuman ang paggamot

Isipin mong sinusukat mo lang ang taas ng isang tao kapag nakatayo sila sa isang kahon. Mukha silang napakatangkad. Sa susunod na sukatin mo sila nang normal — mukhang "lumiit" sila. Nagbago ang sukat; ang tao naman ay hindi. Iyan ay regression to the mean.

💡 Paano Protektahan Laban Dito

Kumuha maraming baseline na sukat at gamitin ang average bago simulan ang paggamot
Gamitin control group — ang regresyon patungo sa mean ay pantay na nakakaapekto sa parehong grupo, kaya ang anumang pagkakaiba sa pagitan ng mga grupo ay mas malamang na maging isang tunay na epekto ng paggamot
Isa ito sa pinakamatibay na argumento para sa Mga RCT sa mga hindi makontrol na pag-aaral bago at pagkatapos

Mga Graph na Pang-estadistika — Ano ang Dapat Hanapin

Regular na nagpapakita ang AKT ng mga graph at hinihiling sa iyo na bigyang-kahulugan ang mga ito. Matutong tukuyin ang pangunahing katangian sa bawat uri ng graph — huwag subukang basahin ang lahat. Isang naka-target na obserbasyon lamang ang kailangan.

Uri ng Graph	Pangunahing Paggamit	Ang Isang Bagay na Dapat Hanapin
Plot ng Kagubatan	Mga resulta ng meta-analysis	Sinusuportahan ba ng brilyante tatawid sa patayong linya ng walang epekto?
Funnel Plot	Pagtukoy ng bias sa publikasyon / pagsubaybay sa outlier ng GP	Ang balangkas ba asymmetrical? (Gap = nawawalang mga hindi nailathalang pag-aaral)
Plot ng Cates	Pakikipag-ugnayan ng NNT nang biswal sa mga pasyente	Bilangin ang mga may kulay na "benepisyo" na mukha; NNT = 100 ÷ ang mga mukhang iyon
L'Abbé Plot	Paggalugad sa heterogeneity sa meta-analyses	Tuldok sa linyang pahilis = walang epekto sa paggamot
Plot ng Kahon-at-Bigote	Distribusyon at pagkalat ng datos	Gitnang linya = panggitna (hindi ibig sabihin); mga tuldok na lampas sa mga bigote = mga outlier
Nomogram ni Fagan	Probabilidad bago ang pagsusulit → probabilidad pagkatapos ng pagsusulit	Gumuhit ng linya mula sa probabilidad ng pre-test hanggang sa LR upang mabasa ang probabilidad ng post-test
Plot ng Tangkay at Dahon	Pamamahagi — pinapanatili ang mga orihinal na halaga	Parang histogram pero nagpapakita ng mga indibidwal na data point
Kurba ng Kaplan-Meier	Pagsusuri ng kaligtasan — oras bago ang pangyayari	Bumababa ang mga hakbang kapag naganap ang mga pangyayari; ang mga kurba na maagang naghihiwalay at nananatiling magkahiwalay ay nagmumungkahi ng patuloy na benepisyo sa paggamot
Histogram	Distribusyon ng patuloy na datos	Hugis ng kurba: simetriko = normal na distribusyon; skewed = gamitin ang median hindi mean

🌲 Mga Plot ng Kagubatan — Nang Detalyado

Paano Magbasa ng Isang Plot ng Kagubatan

Bawat parisukat = isang pag-aaral. Ang laki ng parisukat = ang bigat ng pag-aaral (karaniwang nakabatay sa laki ng sample)
Pahalang na mga linya = 95% confidence interval para sa pag-aaral na iyon
Ang dyamante sa ibaba = ang pinagsamang pangkalahatang pagtatantya. Ang lapad nito = ang pinagsamang 95% CI
Patayo na linya sa 1.0 = "linya ng walang epekto" (para sa mga ratio). Kung ang isang linya ng CI o ang diyamante tumatawid sa linyang ito, ang resulta ay hindi makabuluhan sa istatistika

Heterogeneidad — Ang Estadistika ng I²

Sinusukat ng I² kung gaano kalaking pagkakaiba-iba sa pagitan ng mga pag-aaral ang dahil sa tunay na heterogeneity (tunay na mga pagkakaiba) sa halip na dahil sa pagkakataon.
I² < 25% = mababang heterogeneity ✓
I² = 25–50% = katamtamang heterogeneity
I² > 50% = malaking heterogeneity — ang pinagsama-samang resulta ay hindi gaanong maaasahan ⚠️

Isipin ang diyamante bilang ang huling hatol ng hurado. Kung ang diyamante ay tumawid sa patayong "linya ng walang bisa," ang hurado ay binibitay — walang tiyak na konklusyon. Sinasabi sa iyo ng estadistikang I² kung ang mga hurado ay sumang-ayon sa parehong kaso.

📯 Mga Funnel Plot — Pagsubaybay sa Bias ng Publikasyon at Outlier ng GP

Ang mga funnel plot ay lumilitaw sa dalawang magkaibang konteksto sa AKT — siguraduhing nakikilala mo ang pareho.

Sa Meta-Analysis (Pagkiling sa Publikasyon)

Ipino-plot ang effect size (x-axis) laban sa katumpakan o laki ng pag-aaral (y-axis). Isang simetrikong inverted funnel = walang bias. Isang asimetrikong funnel na may puwang sa kaliwang ibaba = nawawalang maliliit na negatibong pag-aaral → publication bias.

Pagsubaybay sa Pagganap sa Praktikal na Paraan

Pinaghahambing ang mga kasanayan ng GP sa mga sukatan (hal. mga rate ng referral, mortality). Ang mga data point sa labas ng mga funnel lines ay istatistikal na outlier nangangailangan ng imbestigasyon — hindi kinakailangang patunay ng mahinang pagganap.

😊 Mga Plot ng Cates — Paano Biswal na I-extract ang NNT

Ang isang Cates plot (minsan tinatawag na "smiley face plot") ay gumagamit ng isang grid na may 100 mukha upang matulungan ang mga pasyente na mailarawan ang ganap na benepisyo at pinsala.

Ang bawat isa sa 100 mukha ay kumakatawan sa isang tao sa bawat 100 na ginagamot
Mga dilaw/berdeng mukha = mga taong nakinabang (mga pangyayaring napigilan)
Mga pulang mukha = mga taong nakaranas ng pinsala
Mga kulay abo/simpleng mukha = walang epekto sa alinmang paraan

NNT mula sa Cates Plot

NNT = 100 ÷ bilang ng mga mukha ng benepisyo

Halimbawa: 4 na dilaw na mukha → NNT = 100 ÷ 4 = 25

📉 Mga Kurba ng Kaligtasan nina Kaplan-Meier — Paano Basahin ang mga Ito

Ang mga kurba ng Kaplan-Meier (KM) ay nagpapakita ng probabilidad na mabuhay (o manatiling walang kaganapan) sa paglipas ng panahon. Lumilitaw ang mga ito sa mga tanong ng AKT tungkol sa mga pagsubok sa kanser, mga pag-aaral sa cardiovascular, at anumang pananaliksik na sumusubaybay sa oras ng isang kaganapan.

tampok	Ano ang Kahulugan nito
Ang Y-axis	Probabilidad ng kaligtasan (o kaligtasan na walang pangyayari) — nagsisimula sa 1.0 (100%) at bumababa sa paglipas ng panahon
Ang X-axis	Panahon (mga araw, buwan, taon)
Bawat pababang hakbang	May naganap na pangyayari (hal. kamatayan, pagbabalik sa dati). Mas malalaking hakbang = mas maraming pangyayari sa puntong iyon
Mga marka ng tsek sa linya	Mga pasyenteng sinensura — hindi natuloy ang follow-up o natapos na ang pag-aaral. Hindi mga kaganapan.
Dalawang kurba na maagang naghihiwalay at nananatiling magkalayo	Nagmumungkahi ng pangmatagalang benepisyo sa paggamot sa buong follow-up
Mga kurba na tumatawid	Nagmumungkahi na ang panganib ay hindi proporsyonal sa paglipas ng panahon — nagpapakomplikado sa interpretasyon
Median kaligtasan ng buhay	Ang punto ng panahon kung saan ang kurba ng kaligtasan ay tumatawid sa 50% — ang punto kung saan kalahati ng mga pasyente ay nagkaroon na ng pangyayaring ito

Link sa Ratio ng Panganib

Ang pagsubok sa log-ranggo pinaghahambing ang dalawang kurba ng KM sa istatistika. Ang ratio ng panganib (HR) Binubuod nito ang pangkalahatang pagkakaiba sa pagitan ng mga kurba. HR < 1 = ang grupong ginagamot ay may mas kaunting mga kaganapan sa paglipas ng panahon. Kung ang mga kurba ay lubos na nagsasapawan, ang HR ay magiging malapit sa 1 (walang benepisyo).

Isipin ang isang KM curve bilang isang hagdanang pababa. Sa bawat baitang pababa, may isang taong nakakaranas ng pangyayari. Ang isang paggamot na epektibo ay nagpapanatili sa mga tao sa mas matataas na baitang nang mas matagal — ang hagdanan ng grupong ginamot ay mas mabagal na bumababa.

📊 Mga Histogram — Isang Sulyap sa Distribusyon

Ipinapakita ng isang histogram ang distribusyon ng isang tuloy-tuloy na baryabol (hal. edad, presyon ng dugo, BMI) sa pamamagitan ng pagpapangkat ng mga halaga sa mga pagitan (mga bin) at pagpapakita kung gaano karaming obserbasyon ang nasa bawat isa. Hindi tulad ng isang bar chart, ang mga bar ay magkadikit — dahil ang data ay tuloy-tuloy.

Hugis	Ibig sabihin	Gumamit ng Mean o Median?
Simetrikal na hugis ng kampanilya	Normal na distribusyon — mean, median, mode lahat ay pantay	Alinman — ngunit karaniwang mean ± SD
Kanan (positibo) na hilig	Mahabang buntot sa kanan — ilang napakataas na halaga ang humihila pataas ng mean	Median (mas kumakatawan)
Kaliwa (negatibong) hilig	Mahabang buntot sa kaliwa — ilang napakababang halaga na humihila pababa sa mean	Median (mas kumakatawan)
Bimodal (dalawang taluktok)	Dalawang magkaibang subgroup sa datos	Iulat ang parehong peak nang hiwalay

Tip sa AKT: kung ang isang histogram ay nagpapakita ng positibong skew, ang tamang sukatan ng central tendency na mag-quote ay ang panggitnaKung nagpapakita ito ng normal na distribusyon, ang ibig sabihin ay angkop.

Pagpapabuti ng Kalidad at Klinikal na Pag-awdit

Kasangkapan	Layunin	Pangunahing tampok
Klinikal na Pag-audit	Sukatin ang kasanayan laban sa mga tahasang pamantayan; tukuyin at linawin ang mga kakulangan	Nangangailangan ng isang tinukoy na pamantayan. Gumagamit ng PDSA cycle. Kabilang dito ang pagsasara ng loop (muling pag-audit). Hindi pananaliksik — walang hipotesis, walang bagong kaalamang nalilikha.
Pagsusuri ng Makabuluhang Pangyayari (SEA)	Sistematikong pagsusuring multidisiplinaryo ng isang mahalagang kaganapan	Walang sisi. Nakatuon sa pagkatuto ng sistema, hindi sa indibidwal na pagkakamali. Ibinabahagi sa loob ng pangkat. Dinodokumento ang pagkatuto at pagkilos.
Root Cause Analysis (RCA)	Malalim na imbestigasyon sa mga seryosong insidente	Mas istrukturado kaysa sa SEA. Gumagamit ng pamamaraang "5 Bakit". Natutukoy ang mga sanhi at ugat ng problema. Kadalasan ay para sa mga pangyayaring hindi naman talaga nangyayari o malubhang pinsala.
Pag-uulat ng Eksepsiyon ng QOF	Angkop na pagbubukod ng mga pasyente mula sa mga tagapagpahiwatig ng QOF	Klinikal na angkop para sa: pinakamabisang pinahihintulutang therapy, may kaalamang pagtutol ng pasyente, matinding kahinaan, o klinikal na kontraindikasyon.

🔄 Klinikal na Audit vs Pananaliksik — Mga Pangunahing Pagkakaiba

tampok	Klinikal na Pag-audit	Pananaliksik
Layunin	Pagbutihin ang pangangalaga sa pamamagitan ng paghahambing sa mga pamantayan	Bumuo ng bagong kaalaman
Teorya	Wala — inihahambing sa umiiral na pamantayan	Palaging may hipotesis
Pag-apruba ng etika	Karaniwang hindi kinakailangan	Karaniwang kinakailangan
Pahintulot	Karaniwang hindi kinakailangan	Karaniwang kinakailangan
Randomization	Hindi kailanman	Maaaring kasama ang mga RCT
Pagtatapos na resulta	Pagpapabuti ng serbisyo; plano ng aksyon	Bagong ebidensya; publikasyon

AKT trap: "Nais imbestigahan ng isang GP kung ang isang bagong antibiotic ay nakakamit ng mas mahusay na mga rate ng paggaling kaysa sa karaniwang paggamot sa kanyang klinika." → Ito ay pananaliksik (bumubuo ng bagong kaalaman, may hipotesis, nangangailangan ng etika). "Sinusukat ng isang GP kung ang rate ng pagsusuri ng hika sa kanyang klinika ay nakakatugon sa pamantayan ng NICE na 80%." → Ito ay pagtutuos ng kuwenta.

🔁 Siklo ng PDSA

Ang Plan-Do-Study-Act cycle (PDSA) ay ang balangkas ng patuloy na pagpapabuti na ginagamit sa klinikal na pag-awdit at pagpapabuti ng kalidad.

Stage	Ano ang Mangyayari
Plano	Tukuyin ang tanong, itakda ang pamantayan, planuhin ang pangongolekta ng datos
Do	Ipatupad ang pagbabago o sukatin ang kasalukuyang kasanayan
pag-aaral	Suriin ang mga resulta; ihambing sa pamantayan; tukuyin ang mga kakulangan
Kumilos	Magpatupad ng mga pagpapabuti; magplano ng muling pag-audit upang tapusin ang loop

Mga Klinikal na Kalkulasyon (AKT Formula Bank)

Ang mga pormulang ito ay lumilitaw sa mga tanong sa pagkalkula ng AKT. Alamin ang bawat isa at alamin ang mga klinikal na limitasyon na nagpapasimula ng aksyon.

Body Mass Index (BMI)

Timbang (kg) ÷ Taas² (m²)

Kulang sa timbang <18.5 | Normal 18.5–24.9 | Sobra sa timbang 25–29.9 | Napakataba ≥30 | Labis na napakataba ≥40

Indeks ng Presyon ng Bukung-bukong-Brachial (ABPI)

Pinakamataas na systolic ng bukung-bukong ÷ Pinakamataas na brachial systolic

Normal: 1.0–1.3 | PAD: <0.9 | Malalang PAD: <0.5 | Hindi napi-compress (nakalsipika): >1.3

Mga Yunit ng Alkohol

(Dami sa ml × ABV%) ÷ 1000

hal. 750ml × 12% ÷ 1000 = 9 na yunit. Mababang panganib: ≤14 na yunit/linggo para sa parehong kasarian. Walang ligtas na antas sa pagbubuntis.

Non-HDL Cholesterol

Kabuuang Kolesterol − HDL Kolesterol

Target: <2.5 mmol/L sa mga umiinom ng statin therapy (gabay ng NICE). Kasama ang lahat ng atherogenic lipoproteins.

Dami ng Dosis ng Gamot para sa mga Bata

(Nais na dosis ÷ Magagamit na lakas) × Dami

hal. Ang bata ay nangangailangan ng 250mg, ang suspensyon ay 125mg/5ml: (250 ÷ 125) × 5ml = 10ml

Porsyento ng Pagbaba ng Timbang (Mga Bagong Sanggol)

[(Timbang ng kapanganakan − Kasalukuyang timbang) ÷ Timbang ng kapanganakan] × 100

Ang >10% na pagkalugi sa unang 5 araw ay nangangailangan ng pagsusuri. Normal na mawalan ng hanggang 10%; dapat itong mabawi pagsapit ng ika-10–14 na araw.

Cockcroft-Gault (CrCl)

[(140−Edad) × Timbang(kg)] ÷ Creatinine(µmol/L) × K

K = 1.23 (lalaki), 1.04 (babae). Tinatantya ang creatinine clearance — ginagamit para sa pagdodose ng gamot sa mga may kapansanan sa bato.

🧮 Halimbawa ng Paggawa ng ABPI

🎯 Senaryo: Ginang T, 72, na may pananakit ng binti habang naglalakad

1 Presyon sa bukung-bukong (pinakamataas sa DP/PT): 90 mmHg | Presyon sa brachial (pinakamataas na braso): 130 mmHg

2 ABPI = 90 ÷ 130 = 0.69

3 ABPI 0.69 = Nakumpirma ang Peripheral Arterial Disease (putol na <0.9)

4 Ang pagbebenda gamit ang compression ay KONTRAINDIKASYON — sumangguni sa operasyon sa ugat

🍷 Mga Halimbawa ng Paggawa sa Yunit ng Alkohol

inumin	Dami (ml)	ABV%	Pagkalkula	Units
Malaking baso ng alak	250ml	13%	250 × 13 ÷ 1000	3.25
Bote ng alak	750ml	12%	750 × 12 ÷ 1000	9.0
Pint lager (malakas)	568ml	5%	568 × 5 ÷ 1000	2.84
Sukat ng iisang espiritu	25ml	40%	25 × 40 ÷ 1000	1.0

Patnubay na may mababang panganib: ≤14 na yunit/linggo (mga lalaki at babae), nakakalat sa loob ng 3+ araw, na may 2–3 araw na walang alkohol kada linggo. Ito ang tatalakayin mo sa isang konsultasyon tungkol sa pagbabawas ng alkohol.

🧮

Mga Nagtrabahong Halimbawa

🎯 Halimbawa 1: Pagkalkula ng Lahat ng Metriko ng Panganib mula sa isang Table ng Pagsubok

Isang RCT ang nagrarandomize sa mga pasyente upang makatanggap ng alinman sa Drug X o placebo. Pagkatapos ng 3 taon: 80 sa 500 pasyenteng binigyan ng placebo ang nagkaroon ng stroke; 40 sa 500 pasyenteng binigyan ng Drug X ang nagkaroon ng stroke.

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

2ARR = 0.16 − 0.08 = 0.08 (8%)

3NNT = 1 ÷ 0.08 = 12.5 → i-round up hanggang 13

4Si Rrr = 0.08 ÷ 0.16 = 0.5 = 50%

5RR = 0.08 ÷ 0.16 = 0.5 (Binabawasan ng gamot X ang panganib ng stroke)

🎯 Halimbawa 2: Paggawa ng 2×2 na Talahanayan at Pagkalkula ng Sensitivity at Specificity

Isang bagong pagsusuri ang inilapat sa 200 pasyente, kung saan 100 sa kanila ay may ganitong sakit. Tamang natukoy ng pagsusuri ang 85 sa 100 na may sakit, at tama ring natukoy ang 80 sa 100 na walang sakit.

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

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

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

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

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

🎯 Halimbawa 3: Pagkalkula ng Dosis para sa mga Bata

Ang isang bata ay nangangailangan ng 300mg ng amoxicillin. Ang magagamit na suspensyon ay 250mg/5ml. Gaano karami ang dapat ibigay?

1Pormula: (Nais na dosis ÷ Magagamit na lakas) × Dami

2(300 ÷ 250) × 5 = 1.2 × 5 = 6ml

📋

Cheat Sheet ng Formula at Mga Pantulong sa Memorya

Mga Pormula sa Panganib at Paggamot

ARR = CER − EER Si Rrr = ARR ÷ CER RR = EER ÷ CER NNT = 1 ÷ ARR NNH = 1 ÷ ARI

Pagsubok ng Diagnostic

Pagkamapagdamdam = TP ÷ (TP+FN) Pagtutukoy = TN ÷ (TN+FP) PPV = TP ÷ (TP+FP) NPV = TN ÷ (TN+FN)

Populasyon at Klinikal na mga Pormula

SMR = (Obs ÷ Exp) × 100 BMI = Wt(kg) ÷ Ht²(m) ABPI = SBP ng bukung-bukong ÷ SBP ng Brachial Alkohol = (Vol × ABV%) ÷ 1000

🧠 Mga Dalubhasang Tulong sa Memorya

SnNout: Sensitibong pagsusuri — Negatibo na nagsasaad na wala ang sakit (screening)
SpPin: Tiyak na pagsusuri — Positibong mga tuntunin SA sakit (kumpirmasyon)
Lumampas ang CI sa 1.0 (ratio) o 0 (pagkakaiba) → hindi makabuluhan
Diyamante sa lote ng kagubatan na tumatawid sa linya → hindi makabuluhan
Kawalaan ng simetriya ng funnel → bias sa publikasyon (o GP outlier kung konteksto ng pagganap)
Gitnang linya ng kahon → MEDIAN (hindi katamtaman)
68-95-99.7 → ±1SD, ±2SD, ±3SD sa normal na distribusyon
I² >50% → malaking heterogeneity
O mula sa case-control | RR mula sa pangkat | Pagkalat mula sa cross-sectional
Audit ≠ Pananaliksik (mga panukat ng pag-audit vs pamantayan; ang pananaliksik ay lumilikha ng bagong kaalaman)

📊 Mnemonic sa Disenyo ng Pag-aaral: "Para sa mga Kaso, OR — Para sa mga Cohort, RR"

Case-control → OR (Odds Ratio) — pagbabalik-tanaw sa mga exposure
Cohort → RR (Relatibong Panganib) — pasulong mula sa pagkakalantad
Cross-sectional → Paglaganap — SNAPSHOT sa oras
RCT / SR → Pamantayang ginto para sa mga tanong sa paggamot

🎓

Mga Perlas ng Tagapagsanay at Pagtuturo

Mga Karaniwang Blind Spots ng mga Trainee sa Paksang Ito

Kadalasang natututunan ng mga nagsasanay ang NNT bilang isang pormula nang hindi nauunawaan ang tunay na kahulugan nito sa klinika — tinitiyak na maipapaliwanag nila ito sa isang pangungusap na mauunawaan ng isang pasyente.
Ang pagkakaiba sa pagitan ng sensitivity/specificity (mga katangian ng pagsusuri) at PPV/NPV (naiimpluwensyahan ng prevalence) ay hindi gaanong nauunawaan — ang analohiya ng pregnancy test ay gumagana nang maayos.
Maraming mga trainee ang nakakaalam kung ano ang hitsura ng isang lote ng kagubatan ngunit hindi maipaliwanag Ano tingnan — ituon ang pansin sa diyamante at kung ito ay tumatawid sa linya ng walang epekto
Ang lead time bias ay kadalasang napagkakamalang length bias — gumamit ng mga diagram o timeline upang ilarawan ang pagkakaiba
Karaniwang napagkakamalan ng mga nagsasanay ang klinikal na pag-audit sa pananaliksik — gamitin ang sariling mga halimbawa ng RCGP mula sa mga pagtatasa

Mga Ideya sa Tutorial at Mga Pasimula ng Talakayan

"Narito ang buod ng talahanayan mula sa isang pagsubok sa gamot — maaari mo bang sabihin sa akin ang NNT at kung irereseta mo ito para sa pasyenteng ito?"
"Tingnan mo itong lote ng kagubatan. Epektibo ba ang interbensyon? Gaano ka katiwala sa sagot na iyan?"
"Positibo ang FIT test ng pasyente mo. Ang PPV sa isang low-risk na populasyon ay mga 3%. Paano mo ito ipapaliwanag sa kanya?"
"Marami kaming nakikitang mataas na resulta ng PSA. Ano ang problema sa paggamit ng PSA bilang screening test?"
"Gustong ihambing ng isang kasamahan ang aming mga kinalabasan ng sepsis sa kinalabasan ng Trust. Audit ba iyon o pananaliksik? Kailangan ba nito ng etika?"
"Paano mo ipapaliwanag ang 1-sa-50 na posibilidad ng isang side effect sa isang pasyenteng nagtatanong ng 'Ligtas ba ito?'"

Mga Repleksyong Tanong para sa mga Tutorial

Paano mo kasalukuyang ipinapaliwanag ang panganib sa mga pasyente? Gumagamit ka ba ng absolute o relative na mga numero?
Natatandaan mo ba ang isang kamakailang klinikal na gabay na nagbanggit ng isang mahalagang NNT — ano ito, at paano ito nakaimpluwensya sa iyong pagsasanay?
Naranasan mo na bang umorder ng test at hindi mo alam ang sensitivity/specificity nito? Paano mo binigyang-kahulugan ang resulta?
Bakit maaaring piliin ng isang kompanya ng gamot na ipakita ang mga resulta ng kanilang pagsubok bilang RRR sa halip na ARR?

🔥 Mga Tip sa Mataas na Ani ng AKT

Ito ang mga padron na paulit-ulit na lumilitaw sa mga papel ng AKT. Kabisaduhin ang mga ito at makakakuha ka ng mga marka.

🎯 Pagkalkula ng NNT

Palaging i-convert muna ang mga porsyento sa mga desimal. ARR = 5% → NNT = 1 ÷ 0.05 = 20. Palaging bilog up sa pinakamalapit na buong numero. Ang mas mababang NNT ay = mas epektibong paggamot.

🎯 Nalampasan ng CI ang Mahiwagang Numero

Para sa mga ratio (RR, OR, HR): mga CI cross 1.0 = hindi makabuluhan. Para sa mga pagkakaiba: Mga CI cross 0 = hindi makabuluhan. Lumalabas ito sa halos bawat tanong tungkol sa lote ng kagubatan.

🎯 Pagtutugma ng Disenyo ng Pag-aaral

Bihirang sakit → case-control → O. Bagong pagkakalantad sa mga susunod na araw → cohort → RR. Snapshot ng Paglaganap → cross-sectionalPinakamahusay na ebidensya para sa paggamot → RCT or SR/meta-analysis.

🎯 Sensitivity vs Specificity — Alin ang Gagamitin Kailan

Pagsusulit sa screening → gusto ng mataas na sensitibidad (ayaw makaligtaan ang mga kaso → SnNout). Pagsusulit na nagpapatunay → gusto ng mataas na ispesipisidad (ayaw ng mga maling positibo → SpPin).

🎯 Pagbaba ng PPV sa mga Populasyong Mababa ang Prevalence

Kahit ang isang lubos na ispesipikong pagsusuri (99%) ay nagbibigay ng mababang PPV sa isang setting na mababa ang prevalence. Karamihan sa mga positibong resulta sa screening ng populasyon ay mga maling positibo. Ito ang dahilan kung bakit hindi namin sinusuri ang lahat para sa lahat.

🎯 Diamond ng Plot ng Kagubatan

Kung ang brilyante (pooled estimate) ay tumatawid sa patayong linya ng walang epekto → ang pangkalahatang resulta ay HINDI makabuluhan sa istatistika. Kung ang I² > 50% → malaking heterogeneity → ang pooled na resulta ay hindi gaanong maaasahan.

🎯 Kawalang-simetriya ng Plano ng Funnel

Ang puwang sa kaliwang ibabang bahagi ng isang funnel plot = publication bias — walang maliliit na negatibong pag-aaral na nailathala. Pinalalaki nito ang maliwanag na epekto ng isang paggamot sa meta-analysis.

🎯 Kahon-at-Bigote — Palaging Panggitna, Hindi Masama

Ang linya loob ang kahon ay panggitna. Ang kahon = IQR (gitnang 50%). Mga tuldok o bilog na lagpas sa mga bigote = mga outlier.

🎯 Mas Kahanga-hanga ang RRR Kaysa ARR

Gustung-gusto ng mga kompanya ng parmasyutiko ang pagbanggit ng RRR dahil mas malaki ang tunog nito. Ang 50% RRR ay parang kamangha-mangha — hanggang sa malaman mo na ang baseline risk ay 2% lamang (→ ARR = 1%, NNT = 100). Palaging itanong: ano ang baseline risk?

🎯 Median — Gamitin para sa Skewed Data

Mga hindi pantay na distribusyon (kita, pananatili sa ospital, serum bilirubin) → paggamit panggitna hindi mean. Ang mean ay hinihila ng mga outlier; ang median ay hindi.

🎯 Audit vs Pananaliksik

Audit: mga hakbang laban sa isang nabubuhay pamantayan; hindi kailangan ng etika; walang hipotesis. Pananaliksik: bumubuo bago kaalaman; nangangailangan ng pag-apruba ng etika; may hipotesis. Isang mahalagang pagkakaiba na paulit-ulit na sinusuri ng AKT.

🎯 Intensyong Magpagamot (ITT)

Kasama sa pagsusuri ng ITT ang lahat ng randomized na kalahok anuman ang kanilang pagsunod. Nagbibigay ito ng Konserbatibo pagtatantya ng bisa — mas makatotohanan para sa klinikal na kasanayan. Pinahihirapan ng pagsusuring per-protocol ang epekto.

🎯 Katapusan ng ABPI

ABPI < 0.9 = peripheral arterial disease. ABPI > 1.3 = non-compressible (calcified) vessels — hindi maaasahang resulta. Hindi dapat gamitin ang compression bandaging kung ang ABPI ay < 0.8 (sumangguni sa iyong mga alituntunin sa compression).

🎯 Cates Plot NNT

Bilangin ang mga mukha ng benepisyo (karaniwan ay dilaw o berde). NNT = 100 ÷ (bilang ng mga mukha ng benepisyo). 5 dilaw na mukha → NNT = 20.

⚠️

Mga Karaniwang Pagkakamali at Mga Bitag ng Trainee

Ito ang mga pagkakamaling paulit-ulit na lumilitaw sa mga iskema ng pagmamarka ng AKT. Bawat isa sa mga ito ay isang tunay na markang nawawala ng mga tunay na kandidato.

Nakakalimutang i-convert ang mga porsyento sa mga desimal bago kalkulahin ang NNT (hal., ARR = 5% → dapat gumamit ng 0.05, hindi 5, para makuha ang NNT = 20, hindi 0.2)
Pag-round off ng NNT pababa sa halip na up (NNT = 12.5 → ang sagot ay 13, hindi 12)
Pagkalito sa RRR at ARR at pagbanggit sa mas kahanga-hangang pakinggan na relatibong bilang bilang klinikal na benepisyo
Ang pagsasabing ang resulta ay "makabuluhan" kapag ang CI ay umabot lamang sa 1.0 — dapat ito hindi kasama 1.0 upang maging makabuluhan
Ang pagsasabi ng gitnang linya ng box-and-whisker plot ay ang mean — ito ay palaging ang panggitna
Pagkalito sa sensitibidad at PPV — ang sensitibidad ay isang nakapirming katangian ng pagsusuri; ang PPV ay nakadepende sa prevalence
Ang pag-iisip na ang isang lubos na ispesipikong pagsusuri sa isang populasyon na may mababang prevalence ay magbibigay ng maaasahang positibong resulta — hindi ito magbibigay (mababang PPV)
Pagkalito sa isang OR sa isang RR — ang mga OR ay hindi maaaring direktang gamitin bilang mga RR maliban kung bihira ang sakit
Ang pagsasabing ang isang case-control study ay bumubuo ng RR — bumubuo ito ng OR, dahil nagsisimula ka sa mga kaso at kontrol, hindi sa isang nakalantad na cohort.
Pagkalito sa klinikal na pag-audit at pananaliksik — ang pagsasabing ang isang pag-audit ay nangangailangan ng etikal na pag-apruba
Maling pagpapakahulugan sa lead time bias bilang nangangahulugang ang isang screening program ay tunay na nagpapabuti sa kaligtasan
Ang paglimot na ang I² >50% sa isang lote ng kagubatan ay nagdudulot ng mga alalahanin tungkol sa bisa ng pinagsama-samang resulta
Paggamit ng mean upang ilarawan ang skewed data (hal. kita, tagal ng pananatili sa ospital) — gamitin ang median

🏁 Mga Pangwakas na Puntos na Iuuwi

NNT = 1 ÷ ARR. Palaging i-convert ang mga porsyento sa mga desimal. Palaging i-round up. Mas mababang NNT = mas mahusay na pagtrato.
Klinikal na tapat ang ARR. Mukhang kahanga-hanga ang RRR ngunit maaaring makalinlang. Palaging ipares ang RRR sa baseline risk.
Ang sensitibidad at ispesipisidad ay mga nakapirming katangian ng isang pagsusuri. Nagbabago ang PPV at NPV kasabay ng paglaganap ng sakit.
SnNout: ang mga sensitibong pagsusuri ay nagsasaad ng OUT kapag negatibo. SpPin: ang mga partikular na pagsusuri ay nagsasaad ng IN kapag positibo.
Ang diyamante ng lote ng kagubatan ay tumatawid sa linya ng walang epekto → ang resulta ay hindi makabuluhan sa istatistika. I² >50% → mga alalahanin sa heterogeneity.
Asymmetry ng funnel plot → bias sa publikasyon. Mga punto sa labas ng mga limitasyon ng funnel sa pagsubaybay sa pagganap → mga kasanayan sa outlier.
CI para sa ratio na kinabibilangan ng 1.0 → hindi makabuluhan. CI para sa pagkakaiba na kinabibilangan ng 0 → hindi makabuluhan.
Case-control → OR. Cohort → RR. Cross-sectional → prevalence. RCT/SR → gold standard para sa paggamot.
Skewed data → gumamit ng median, hindi mean. Gitnang linya ng box plot = median. Mga tuldok na lagpas sa whiskers = outliers.
Mga hakbang sa klinikal na pag-audit laban sa mga pamantayan — hindi kailangan ng etika, walang hipotesis. Ang pananaliksik ay lumilikha ng bagong kaalaman — kinakailangan ang etika.

Ang mga tanong sa estadistika sa AKT ay kabilang sa mga pinaka-maaasahang matutunan na marka sa papel. Ang ilang oras sa pahinang ito at ilang mga tanong sa pagsasanay ay magbubunga ng mga dibidendo na higit pa sa kanilang ipinuhunan.