دوشنبه 17 دي 1403 - 05 رجب 1446
جستجو :
 ورود
نام کاربری:
کلمه عبور:
کلمه عبور را فراموش کردم
عضویت
 
  نقادی شواهد تشخیصی

مقالات مربوط به آزمايشهاي تشخيصي يا غربالگري

پزشكان به نحوي فرآيند دستور انجام آزمايشهاي تشخيصي و غربالگري را صادر مي كنند و استفاده كنندگان از خدمات بهداشتي هم همواره انتظار انجام اين آزمايشها را دارند. اما آزمايش ها هرگز 100% دقيق نيستند و نتيجه " مثبت كاذب" و " منفي كاذب" متضمن حالت ابتلاي خود هستند. هدف اين بخش آن است كه به شركت كنندگان امكان دهد كه توانايي خود را در ارزيابي يك مطالعه مربوط به تعيين عملكرد آزمايش تشخيصي يا غربالگري نسبت به يك معيار اساسي (استاندارد طلايي ) مشخص نشان بدهند و در مفيد بودن علمي آن تصميم بگيرند شركت كنندگان بايد احساس اطمينان كنند كه مي توانند به ديگران هم كمك كنند تا اين توانايي را نشان بدهند. (1) مطالعاتي كه صحت آزمونهاي تشخيصي را بررسي مي كنند ممكن است از نوع مقطعي1 يا مورد شاهدي2 باشند.

در حالي كه مطالعاتي كه صحت آزمونهاي پيش بيني كننده وضعيت بيماري را ارزيابي مي كنند، معمولاً‌از نوع هم گروهي(3)هستند. البته مطالعات مورد – شاهدي در ارزيابي صحت آزمون هاي تشخيصي محدود به بيماريهاي نادر
مي شود كه هيچ طرح مطالعه ديگري براي آنها نمي توان انجام داد يا انجام آن بسيار دشوار است.(2)

در تعيين صحت آزمايش يا روش تشخيصي ،‌ دو نكته را بايد در نظر گرفت :‌ اول آنكه ميزان كارآيي روش تشخيصي در وضعيت مورد نظر چقدر است ( چند درصد از بيماراني كه داراي نتيجه آزمايش مثبت هستند ،‌واقعاً مبتلا به بيماري هستند؟) اين نكته را حساسيت(4) آزمايش مي گويند اگر ميزان حساسيت آزمايش بالا باشد، ميزان منفي كاذب آن پايين است. به عبارت ديگر نتيجه آزمايش در تعداد زيادي از بيماران مبتلا به اين بيماري به طور كاذب منفي نمي شود (حساسيت = ميران مثبت واقعي )، نكته بعدي اين است كه صحت يك آزمايش ،‌ميزان شناسايي صحيح آن دسته از افرادي است كه به بيماري مورد نظر مبتلا نيستند. اين قسمت از صحت آزمايش را ويژگي (اختصاص بودن ) (5)  آزمايش مي نامند اگر ويژگي يك آزمايش بالا باشد ميزان مثبت كاذب آزمايش پايين است (ويژگي = ميزان منفي واقعي ). (2)

علاوه بر حساسيت و ويژگي ،‌دو ميزان ديگر وجود دارد كه در تعيين اعتبار يك آزمون تشخيصي اهميت دارند حساسيت ويژگي را مي توان بطور مستقل با مطالعه جداگانه گروههاي افراد بيمار و سالم تعيين نمود ،با وجود اين ،مفيد بودن يك آزمون تشخيصي به ميزان شيوع حقيقي بيماري مورد نظر در جمعيت مورد مطالعه نيز بستگي دارد. براي ترتيب دهندگان يك برنامه غربالگري ،‌ارزش (مقدار) پيش بيني (6) يك آزمون ،‌پارامتر مهمتري است. مقدار پيش بيني يك آزمون نسبت موارد واقعي در ميان كل افرادي است كه نتيجه آزمون در آنها مثبت است .

. ميزان شيوع حقيقي بيماري با مقدار پيش بيني يك آزمون به ازاي هر مقدار حساسيت و ويژگي ارتباط مستقيم دارد ،

 


1-     Cross sectional

2-     Case –control

3-     Cohort

4-     Sensitivity

5-     Specificity

6-     Predictive value

يعني با افزايش شيوع بيماري "‌مقدار پيش بيني "‌ افزايش مي يابد و بر عكس. براي مثال ، يك آزمون در يك محيط بيمارستاني كه انتظار مي رود شيوع هر وضعيت زياد باشد، مقدار پيش بيني زيادي خواهد داشت ،در حاليكه وقتي همين آزمون براي جمعيت عمومي بكار مي رود مقدار پيش بيني (Predictive value ) كمي داشته باشد كه عملاً كارايي نخواهد داشت.(3)

مترادف هاي ديگر "مقدار پيش بيني " عبارتند از :‌ارزش اخباري (مثبت يا منفي )‌آزمون، (2) و احتمال پس از آزمايش يك آزمون. (1) براي تعيين صحت يا اعتبار يك آزمايش يا روش تشخيص به ترتيب زير عمل مي شود:

يك گروه از بيماران كه مطمئاً به بيماري ( يا وضعيت ) مورد نظر مبتلا هستند انتخاب مي شوند گروه ديگر كه مطمئن هستيم به بيماري (يا وضعيت ) مورد نظر مبتلا نيستند نيز انتخاب مي شوند پاسخ مثبت يا منفي آزمايش مورد نظر را در هر دو گروه جداگانه وارد مي كنيم معمولاً حالت هاي وجود يا عدم وجود بيماري را بصورت ستوني (عمودي ) و پاسخ مثبت و منفي آزمايش را در رديف هاي افقي يك جدول 2*2 وارد مي كنيم (شكل 1)

 

 

حساسيت =

 

 

 

 

 

ويژگي =

 

 

 

 

 

ارزش اخباري مثبت1 =

 


 

 

 

 

ارزش اخباري منفي2 =




 

 

 

 

نسبت احتمال 3 (شانس) مثبت =

 

 

 

 

 

نسبت احتمال منفي =

 

 

 

 

 

شيوع بيماري 4=

 

=

 

 

 

شيوع بيماري = 

احتمال قبل از آزمايش5

 

 

 

 

                               

 

 

بيماري

نتيجه

آزمايش

 

مثبت

منفي

 

مثبت

مثبت واقعي TP

مثبت كاذب FP

(a+b)

منفي

منفي كاذب FN

منفي واقعي TN

(c+d)

 

(a+c)

(b+d)

جمع كل 

(a+b+c+d )

 

 

 

 

 

 

 

 

 

 

TP= True positive
FP= False positive
TN= True negative
FN=False negative


1- Positive predictive value(PPV)

2- Negative predictive value (NPV)

3- Likelihood ratio(LR)

4- Prevalence

5- Pre-test probability