診斷型文獻的評讀


  • administrators

    前言

    診斷性檢驗會影響臨床上的決定,然而相對於治療相關文獻,其受到的重視度顯著偏低,僅占Cochrane database中不到1%。本篇筆記從診斷的過程談起,接著就『偏差(bias)』、『結果』和『臨床應用』三個面向分析。

    診斷的過程

    alt text

    (1) 機率性診斷法

    • 經由臨床評估,根據症狀產生一個前測機率值
    • 安排檢查,得到新資訊後,會產生新的後測機率值
    • 新的機率值可能會影響我們的決策,包括進一步的診斷或治療

    (2) 概似比:描述『一個檢驗修正機率值的程度』

    偏差風險(bias)-從四個角度分析

    (1) 面向1:是否有診斷兩難的樣本?

    • 診斷檢驗的目的,是要協助分辨出『不易診斷』的個案 (ex.症狀輕微)

    • 如果文獻中,只有取『嚴重患者』和『完全沒病者』→會高估檢力

    • 一篇CEA的研究,樣本只取末期大腸癌和健康的人,未考慮到嚴重度低較低者、或是其他腸道疾病患者,使得研究高估了CEA的檢定力

    • 記得要取同一個母群體的連續性樣本,比較能減少bias

    (2) 面向2:是否與標準檢驗比較?

    • 診斷的結果,要和『黃金準則』比較,才知道檢驗的正確性
      該參考標準/黃金準則,是要能夠被接受的

    • 然而,被檢視的檢驗,不應該是黃金準則的一部分 會高估檢力

    (3) 面向3:盲測的程度?

    • 檢驗的解釋者和參考標準的解釋者,是否彼此不知道另一個檢測的結果

    (4) 面向4:是否所有人都進行標準檢驗?

    • 有時候,黃金準則的檢驗方法侵入性高,並不是每一個患者都做

    • 只有部分接受指標檢驗的患者,才可能被參考標準檢驗 →部分驗證偏差
      (ex. 運動測試陽性者比較會被安排血管攝影)

    • 依據指標檢驗的結果,選擇不同的參考標準檢驗 →鑑別驗證偏差
      (ex. 懷疑肺栓塞的患者,肺部通氣掃描陽性→做血管攝影;陰性→密切f/u一年)

    結果解釋

    (1) 重點1:概似比(likelihood ratio)的計算
    alt text

    (2) 重點2:概似比如何影響後測機率值

    • 進行篩檢後,會改變前測機率值,進而產生新的後測機率值

    • 概似比=1,表示前後測的機率值沒有改變
      概似比>1,表示後測的機率提高;且值越大,機率越高

    • 若概似比>10或<0.1,會對後測機率值產生顯著的影響
      若概似比在1-2或0.5-1,則不太會顯著影響後測機率值

    • 如何從前測機率值,利用LR算出後測機率值?

    alt text

    alt text

    臨床可用性-從四個角度分析

    (1) 面向1:檢驗的再現性

    • 良好的檢驗,再次檢驗後所產生的結果應該要相同(再現性)
    • 如果再現性不佳,可能有兩個原因
      檢驗本身:試劑的變動性、實驗室設備因素
      結果解讀:解讀者的詮釋空間(ex. 影像的判讀)

    (2) 面向2:患者和研究族群的狀況相似嗎?

    • 一個檢驗是否有用,會受到檢測患者的特性影響!!
      (ex. 有些檢查,可能對於有症狀者較有用,無症狀者則較差)

    • 例子
      在有症狀的患者,尿液試紙檢測陰性,其LR為0.2
      但在症狀不明顯的患者,檢測陰性的LR卻高於0.5

    • 要確認清楚,目前的患者,是否符合文獻中的研究族群對象

    (3) 面向3:檢驗結果是否會影響臨床處置?

    • 檢驗的目的,是為了排除診斷或啟動治療

    • 如何判斷檢驗是否容易改變後測機率值?
      計算極端值的病人比例(LR大於10或小於0.1)

    (4) 面向4:檢驗結果是否會讓患者更好?

    • 做隨機分配試驗

    • 將患者分成兩組,一組患者接受目標檢驗,一組患者未接受目標檢驗
      追蹤一段時間,評估兩組出現重大結果的頻率

    • 過度診斷的議題
      隨著影像和生化技術的發展(ex. Low dose CT),醫師更容易抓出早期患者,但也讓『過度診斷』的浮上臺面,讓健康的人接受了不必要的侵入性檢查或治療→要權衡利弊得失!!

    Reference

    醫學文獻導讀-實症臨床實務精要 第十一章、第十二章