診斷型文獻的評讀
-
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
(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
(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？
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
-
不好意思，結果解釋圖中的陰性概似比是否分子分母顛倒了？還是我個人理解有誤？
-
@wayne030 不好意思，回去確認內容後發現有誤植，已經重新更正，非常感謝您的幫忙