Home / Fonksiyonel Tıp Nedir / Klinik Karar Verme – Bir Fonksiyonel Tıp Perspektifi

Klinik Karar Verme – Bir Fonksiyonel Tıp Perspektifi

21. yüzyılda sağlık hizmetleri hastalık temelli bir yaklaşımdan, sağlık ve işlevin iyileştirilmesi için biyokimyasal bireyselliği ele alan daha sabırlı bir sisteme doğru ilerler, klinik karar verme süreci daha karmaşık hale gelir. Problemi vurgulamak, bu daha karmaşık fonksiyonel tıp yaklaşımı için açık bir standart olmamasıdır. Batı tıbbında hastalığın yetkin değerlendirmesini ve ilgili tedavi yaklaşımlarını tanımlamak için nispeten geniş bir anlaşma olmasına rağmen, karmaşık fonksiyonel tıp modeli, çoğu ya da birçoğu mantıklı temel bilim ve ilkeleri olan çok sayıda ve bireyselleştirilmiş tanı ve tedavi yaklaşımları ortaya koymaktadır. Bir araştırma veya klinik ortamda titizlikle test edilmemiştir.

Anahtar Kelimeler: Fonksiyonel tıp, klinik karar verme, Bayes çıkarımı, yapay zeka araştırması.

Bu tartışmada, fonksiyonel bir tıp pratiğinde klinik karar vermenin zorluklarını ele alacağız, çeşitli insan karar verme modellerine bakacak ve sağlık bakım ortamındaki uygulamalarını geliştirmek için stratejileri belirleyeceğiz.

FONKSİYONEL TIP KLİNİĞİ İÇİN ZORLUKLAR

Fonksiyonel tıp yaklaşımıyla elde edilebilecek bakımın kişiselleştirilmesi, bugün bize bakan kronik hastalığın krizine karşı tek gerçek çözümdür. Ancak, bu tıp formunu uygulamak zor, karmaşık ve klinisyenler tarafından daha yüksek karar verme standartlarına ihtiyaç duyuyor. Tanıya yönelik fonksiyonel ilaç yaklaşımı, sadece hastanın hangi hastalıktan ıstırap çektiğini değil, aynı zamanda zorlayıcı olabileceğini, aynı zamanda hastanın altında yatan fizyolojik bozuklukların ve karmaşık bir süreç olan altta yatan nedenlerin (ler) olduğunu da belirlemektedir.

Sumatriptan veya Magnezyum?

En iyi ilacı uygulamak isteyen klinisyeni göz önünde bulundurun ve bu nedenle sadece standart tıp dergilerini değil aynı zamanda beslenme araştırmalarını da okuyor. Klinisyen, migren baş ağrısına yakalanmış bir hasta için sumatriptanı magnezyumla karşılaştırmaya karar verir. Migren hastalarının tedavisinde çeşitli triptanların metaanalizine bakıldığında, klinisyen 100 mg sumatriptanın hastaların% 59’unda etkili olabileceği sonucuna varabilir. (Etkinlik, 2 saat içinde baş ağrısı ağrısının giderilmesi olarak tanımlanmaktadır.) Sorumlu bir klinisyen olarak, aynı zamanda ters ilaç reaksiyonlarını da dikkate alacak ve en az 1 ilaç reaksiyonu (ADR) olan hastalar için plasebo-çıkarılan oranın olduğunu görecektir. % 13; en az bir merkezi sinir sistemi semptomu için,% 6 (% 3.0 -9.0); ve en az bir göğüs semptomu için,% 1.9 (% 1.0-2.7). Klinisyen bu verileri diğer triptanlarla karşılaştırabilir ve bunun yerine rizatriptanı seçebilir, çünkü daha iyi bir etkinlik ve tutarlılık ve benzer tolerans gösterir.

Aksine, magnezyum için yapılan araştırmaya bakıldığında, klinisyen oral magnezyumdan% 41.6’lık bir cevap bulacaktır. Magnezyum grubunda atak sıklığındaki bu azalma, plasebo grubunda% 15.8 iken, zorlayıcı olabilir, ancak diyare ADR’lerinin (% 18.6) ve mide tahrişinin (% 4.7) görülme sıklığı kullanımın önüne geçebilir.  Doğal olarak, çok büyük olasılıkla kanıta dayalı tıp (EBM) karar ve magnezyum üzerinde rizatriptan tercih ediyorum, geleneksel bir uygulayıcı.

Bununla birlikte, daha derin kazma, serum iyonize magnezyum seviyelerine (IMg2 +) dayanan magnezyum yanıtında dramatik bir farklılık gösterecektir. İntravenöz magnezyum yanıtı olanların yüzde seksen dokuzunda tedavi öncesi serum magnezyum düzeyleri düşükken, yanıt vermeyenlerin sadece% 37.5’i düşük bir IMg2 + düzeyine sahipti.  da derine inen klinisyen, hastanın prodromal auraya maruz kalması durumunda magnezyumun iki kat daha etkili olduğunu fark edecektir. 

Klasik migren tanısı oldukça basittir, ancak atipik sunumlar muhtemelen daha önce tanınmış olanlardan daha yaygındır. Ancak nedenleri sayısızdır. SaluGenecists, Inc’de bir araştırma ekibi, araştırma literatürünün kapsamlı bir incelemesini gerçekleştirdi (çalışılan 10 000’den fazla araştırma makalesi, 1000 alıntı) ve migren baş ağrısının klinik prezentasyonuna yol açabilecek en az 27 farklı fizyolojik işlev bozukluğu tespit etti. Hastalar migreni karmaşık, bireysel yollarla alırlar. Ayrıca, migrene (beslenme, bitkisel ve yaşam tarzı tedavileri) yaklaşık 40 farklı “doğal tıp” yaklaşımıyla ilgili olarak çalışılacak araştırma raporları bulunmaktadır. Ve fizyolojik bozuklukların normalize edilmesi için 20 çevresel toksinin değerlendirilmesi gerekebilir. Klinik karar verme süreci, migreni teşhis etmekten ve triptan reçete etmekten çok daha karmaşık bir hal aldı!

Bir insanın yaklaşık 4000 enzim sistemini düşünürsek, 1000 kimyasal aracı (bu 2 rakam benim tahminlerim; gerçek bir sayı bulamamıştım), 2 000 000 olası tek nükleotid polimorfizmi (SNP), insan sağlığında önemli olduğu bilinen yaklaşık 250 besin, ve birkaç bin endojen ve ekzojen ksenobiyotik, zorluğun gerçek boyutu kolayca ortaya çıkıyor.

KLİNİK KARAR VERME

Eleştirel Düşünmede Ne Kadar İyi?

Hastalarımızın biyokimyasal, fizyolojik ve çevresel özgünlüğünü klinik olarak etkili bir şekilde anlamak için mevcut hastalık bazlı tanı ve tedavi modelini nasıl genişleteceğiz? Bu genişletilmiş model klinisyenler için hangi tanı zorluklarını yaratır? Bir klinisyenin hastalarına sağladığı en önemli hizmetlerden biri karar verme sürecidir. Hastalık teşhisi, fizyolojik fonksiyon değerlendirmesi, optimal tedaviyi belirleme, istenmeyen ilaç reaksiyonlarını sınırlandırma – hepsi eleştirel düşünme becerilerini içerir.

Klinisyenler tanı ve tedavi kararlarını nasıl veriyor? Klinik karar verme sürecini neler etkiler? Hangi veriler doğru kararlara katkıda bulunur? Bir klinisyenin kararlarına neden olan hatalar nelerdir? Klinik düşüncenin doğruluğunu ve güvenilirliğini nasıl geliştirebiliriz? Karmaşıklık çok büyük olduğunda ne olur?

Karar verme sürecini nadiren düşünürken, bunu etkin ve doğru bir şekilde yapabilmemiz, hastalarımızla olan her etkileşimi etkilemektedir. Ne yazık ki, araştırmalar, klinik kritik düşünme becerilerinin, sistematik mantık hatalarından ve çeşitli hasta bilgisi türlerinin gerçek yordayıcı değerinin yanlış yorumlanmasından kaçınmak için daha fazla dikkat gerektirdiğini göstermiştir.

Klinisyenlerin karar vermek için kullandıkları bilginin güvenilirliğinin artırılması açıktır. Bu amaçla EBM, tıbbi araştırma ve akademik literatürde tekrarlayan bir tema haline gelmiştir. Yakın zamanda yapılan bir anket, neredeyse tüm (122/126) LCME-akredite edilmiş (Tıp Eğitimi İrtibat Komitesi) tıp okullarının en az 20 saatlik bir zorunlu ders olarak EBM’yi içerdiğini göstermiştir. Bununla birlikte, özellikle eleştirel düşünmeye adanmış resmi kurslar nadirdir. AAMC (Amerikan Tıp Okulları Birliği) müfredatı arama araçlarını kullanarak, “karar” veya “kritik” veya “analitik” terimlerini içeren derslerin bulunduğu 6 kurum bulundu ve saat tahsisi düşüktü. Açıkçası, eleştirel düşünme pek çok derste ve klinik rotasyonda gayri resmi olarak öğretilmektedir. Bununla birlikte, sınırlı resmi dikkat almak gibi görünüyor. 417 ABD dahili tıp uzmanlığı programı ile ilgili bir anket, yanıt veren 269 (% 37) kurumun sadece 99’unda resmi klinik karar verme eğitimi (kritik değerlendirme, kanıt arama, soru sorma ve karar almada uygulama) bulmuştur. 

Kritik düşünme becerilerinin öğretime etkisini değerlendiren araştırmanın bir Cochrane incelemesi, zaten hastalar için bakım yapan sağlık profesyonelleri için klinik doğrulukta kayda değer bir% 25 iyileşme sağlamıştır.  Bununla birlikte, Cochrane incelemesi, iyileşmenin boyutuna ya da gerçek klinik önemine güvenmek için çok az sayıda uygun şekilde tasarlanmış ve yürütülen çalışmaların olduğunu söylemiştir. Bununla birlikte, sık klinisyen hatalarının iyi kanıtlanmış kanıtları ve suboptimal bakım insidansındaki rolü ve olumsuz klinik sonuçlar zorlayıcıdır. Yayımlanan raporları gözden geçiren geniş çaplı bir epidemiyolojik çalışma, ardışık ayakta tedavi ziyaretlerinin% 4 ila% 18’inin yan etkilere yol açtığını, bir çalışmanın da olumsuz olayların% 69’unun daha iyi karar verme ile önlenebildiğini ortaya koyduğunu ortaya koymuştur.

Hastaların yüksek düzeyde uygulayıcı eğitimi ve şu anda mevcut olan muazzam araştırmalar göz önüne alındığında beklenenden daha düşük bir bakım kalitesi almaları yadsınamaz görünmektedir. Klinisyenler fonksiyonel tıbbın prensiplerini ve uygulamalarını benimserken, doğru karar verme ihtiyacı daha da önemlidir.

Yapay Zeka (AI) Araştırmalarından Ne Öğrenebiliriz?

Eleştirel düşünme becerilerini geliştirmenin bir yolu, insanların kararları nasıl verdiklerini daha iyi anlamaktır. Bilgisayarlar, insani düşünme süreçlerini taklit etmek için yeterli güce sahip olduklarından, araştırmacılar, insanların kararları nasıl verdiklerini titizlikle incelemek zorunda kaldılar. Erken araştırmaların çoğu, insan ustalarıyla eşleştirilebilecek satranç programlarının yaratılmasına odaklanırken, özellikle ilgili olan, sağlık çalışanlarının düşünce süreçlerini çoğaltma çabasıdır.

1970’lerin sonlarında Stanford Üniversitesi’nde araştırma yapan bir uzman sistem olan MYCIN’in (1980) yayınlanmasıyla bu alandaki ilgi önemli ölçüde artmıştır. AI ve sağlık hizmetleri topluluklarının hayal gücünü yakalayan şey, kan yoluyla bulaşan enfeksiyonlar için MYCIN’in yalnızca tıp öğrencileri ve sakinleri değil, aynı zamanda bulaşıcı hastalık arkadaşları ve tıp fakültesi fakültelerinden de daha iyi performans göstermesiydi (Tabloya bakınız). Bunu nasıl yaptı? Mantıkçılar ve programcılar, hangi bakteriyel türlerin kan yoluyla bulaşan bir enfeksiyona yol açtığını ve ortadan kaldırılması için en uygun müdahaleyi belirledikleri tüm “kuralları” belirlemek için bir grup enfeksiyöz hastalık uzmanı ile çalışarak. Bilgisini yazılım mantığına dönüştürmek, klinisyenlerin kararları nasıl aldıkları konusunda aşırı düşünmelerini gerektiriyordu.

tablo

MYCIN vs Öğrenciler ve Klinisyenler (1980)

Sağlık uzmanı Gol
Mükemmel skor 80
Tıp öğrencisi 24
oturan 36
Gerçek hastane sonuçları 46
Bulaşıcı hastalık arkadaşı 48
Tıp fakültesi fakültesi 34-50
MYCIN 52

Enrico Coiera’ya göre (New South Wales Üniversitesi Tıp Bilimlerinde Tıp Bilişimi Vakfı Başkanı) “Fizyoloji tam anlamıyla ‘yaşam mantığı’ anlamına gelirse ve patoloji ‘hastalığın mantığı’ ise, sağlık bilişimidir. “sağlık mantığı”. ” 

Günümüzde konvansiyonel tıpta tanıyı iyileştirmek için (geleneksel olarak bazı bölgelerde klinisyenlerden daha iyi performans), ilaç etkileşimlerinden kaçınmak, x-ışınlarını ve laboratuvar testlerini yorumlamak, tıp öğrencilerine öğretmek ve diğer görevleri yerine getirmek için 70’in üzerinde AI aracı bulunmaktadır (bkz. Judith Federhofer’in mükemmel yorumu en www.computer.privateweb.at/judith ). Karar verme süreçlerimizi bilgisayar programlarına resmen kodlayarak, tıbbi karar verme mekanizmaları ve potansiyel hata alanları hakkında çok fazla şey öğrenmeye devam edebiliriz. Bu programlar sürekli olarak düşünme süreçlerimizi yeniden üretecek şekilde yeniden üretmektedir. Kararlarımızın doğru veya yanlış sonuçlara yol açtığını belirleyerek, düşüncemizi geliştirebilir ve kanıt ve hasta verilerini kullanmamızı iyileştirebiliriz.

YAPAY ZEKA – DÜŞÜNME ÇOK YÖNLÜ

İnsan düşüncesini taklit edecek şekilde geliştirilmiş olan AI sistemlerinin çeşitlerini ve çeşitliliğini incelemek (uzmanlık alanlarını, bir alandaki uzmanları kopyalamak için kullanıldığında) çok bilgilendirici bir yaklaşımdır.

Genel olarak, tıpta 5 tür kullanılmıştır (aslında daha çok AI türü vardır, ancak bunlar sağlık hizmetlerinde en yaygın olanlardır):

  • Kural tabanlı sistemler
  • Vaka-temelli akıl yürütme (CBR)
  • Nöral ağlar
  • Bulanık mantık
  • Bayes ağları

Bu tartışma korkutucu görünebilir, ancak ondan bazı basit rehberlik çekeceğiz. Meşgul klinisyenlerin her bir hasta için tavsiyede bulunmadan önce tüm olasılıkları hesaplamaları beklenemez, ancak eleştirel düşünme becerileri, kararların nasıl alındığını daha iyi anlayarak geliştirilebilir.

Kural tabanlı sistemler

Kural tabanlı sistemler oldukça basittir. “If… o zaman” ifadelerine sahip akış şemalarına benziyorlar. Birçok klinik rehber bu modele dayanmaktadır. Şekil 1,Cilt 2 olarak yayınlanan migren baş ağrısı için işlevsel bir ilaç yaklaşım, Nancy Sudak, MD, bir ürün için ot birleştirici-Bey, ND, tarafından geliştirilen bir akış şeması modifiye eden bir diyagramı, No 6, Şekil Bütünleyici Tıp: diş hekimi için Journal . Her şube noktası basitçe “If… o zaman” mantık ifadesidir. Bu, basit vakalarda, özellikle de patognomonik karar noktaları mevcut olduğunda (Koplik’in kızamıktaki lekeleri gibi) insan akıl yürütme ile iyi bir uyum içindedir.

Resim, resim vb. Tutan harici bir dosya. Nesne adı gahmj.2012.1.4.002.g001.jpg

Migren akış çizelgesi.

Vaka Tabanlı Muhakeme

Vaka-temelli akıl yürütme, başarılı bir şekilde tedavi edilen hastaların özelliklerini belirlemek için çok sayıda “çözülmüş” vaka biriktirerek ve değerlendirerek başlar. Daha sonra veritabanındaki hastalarla yeni hastaları eşleştirmeye çalışır. Bu yöntem, insan modeli eşleştirmesini oldukça iyi bir şekilde yineler, yani, klasik migrenli bir hastayı gördükten sonra, diğerlerinin tanıması kolaydır.

Nöral ağlar

Sinirsel ağlar, insanların nasıl düşündüklerini anlamada ve algoritma geliştirmediklerinde hiçbir çaba göstermezler. Daha ziyade, insan kararını “kara kutu” olarak görüyorlar. İstenen davranışların çok sayıda örneğini kullanarak, girdileri (belirti ve semptomları) çıktılara (tanılara veya terapilere) uydurmaya çalışıyorlar. Bilgisayar yazılımı, beynin paralel işlem mimarisine benzer şekilde kurulur. Bu süreç, insan düşüncesine çok erken yaşlarda eşleşebilir, ancak yetişkin akıl yürütme süreçlerini anlamaya çalışırken bize fazla yardımcı olmaz.

Bulanık mantık

Bulanık mantık kavramı beni insan yaratıcılığından korkutuyor. Buradaki fikir, belirli bilgilere bakmak ve belirsizlik düzeyini belirlemeye çalışmaktır. Basitçe olasılıklar veya eklenmiş olan belirsizlikler içeren bir kural sistemi olarak tanımlanabilir.

Bayes Çıkarımı

Tıbbi teşhis sistemlerinde sıklıkla kullanılan bir uzman sistem, 18. yüzyılda bir matematikçi olan Thomas Thomas’ın olasılık teorisine dayanan Bayesci çıkarımdır. Bu sezgisel akıl yürütme sistemi, bilginin yordayıcı değerinin titiz matematiğine dayalı çıkarımlar yapar. Bilginin tahmin değerini belirlemek için formülü basitçe şöyle ifade edilebilir:

P (D | F) = P (F | D) * P (D) / P (F)
nerede:
D = Karar (örn. Hastalık)
F = Bulma (örneğin, semptom)
P (D) = Kararın önceliği olasılığı (ör., Genel popülasyondaki bir hastalığın insidansı)
P (F) = Bulgunun priori olasılığı (örn. Genel popülasyonda bir semptom insidansı)
P (D | F) = Bulgunun verdiği karar olasılığı
P (K | D) = Kararın varlığı göz önüne alındığında bulgunun olasılığı

Bayes formülü duyarlılık ve özgüllük açısından yeniden düzenlenebilir:

denklem resmi

Bu oldukça karmaşık gözüküyor, ancak asıl mesele, kararın doğruluğunun olasılığının, bulgunun öncelikli olasılığı ile ters orantılı olmasıdır. Diğer bir deyişle, daha yaygın bir bilgi parçası (bir bulgu veya semptom) popülasyondadır, belirli bir hastada daha az belirleyici olur.

Sezgisel olarak, bu mantıklı.

İstatistik çalışmalarınızdan uzun zaman önce hatırlayabileceğiniz gibi, duyarlılık ve özgüllük konuları son derece önemlidir.

İstatistik çalışmalarınızdan uzun zaman önce hatırlayabileceğiniz gibi, duyarlılık ve özgüllük konuları son derece önemlidir. Bunlar, spesifik testlerin yararlılığı konusunda bize rehberlik sağladıkları laboratuvar tıbbında sıklıkla kullanılmaktadır. Örneğin, bir laboratuar testi çok hassas olabilir, yani hastalık mevcut olduğunda çok sık anormal olabilir. Bununla birlikte, yüksek bir sahte pozitif (düşük özgüllük, yani FP = 1 özgüllüğü) ise, hastalığın olmadığı zaman bile sonuç genellikle anormaldir, bu çok kullanışlı değildir.

Bu tür bir çıkarım temelli uzman sistemin değeri, insan düşüncesini iyi bir şekilde taklit etmesidir (insan beyni, son derece etkili çıkarım motorlarıdır). Matematiksel olarak titiz Bayes düşünme kullanılıyorsa, kararlar daha doğru olabilir ve uzun mantık zincirleri kullanılabilir (bkz. Şekil 2 ). Bu, kumarhaneler tarafından oranların hesaplanması için kullanılan yöntemdir ve Mars Lander tarafından bir alan seçip güvenli bir şekilde karaya çıkar. Aynı derecede önemli olan bu sistem insan biyokimyasını haritalamak için kullanılabilir ve insan düşünme süreçlerinin güçlü ve zayıf yönleri hakkında çok şey öğrenebiliriz.

Not: Her ok bir Bayesian çıkarımını belirtir.

Bayesci çıkarım ağı.

TIBBİ HATASIZDA BELİRSİZ ROLÜ

Belirsizliğin belirsizliğinin ilaçta büyük bir hata nedeni olduğu kuvvetli bir durum olabilir.  McNeil, daha iyi sağlık hizmetlerine yönelik gizli engellerin, ilaçtaki belirsizliğin etkisiyle ilgili bir tartışma eksikliğinden kaynaklandığını ileri sürmüştür.  Bulut karar verme sürecinin belirlediği 3 belirsizlik kaynağını saymaktadır:

  1. ikna edici kanıt eksikliği nedeniyle belirsizlik,
  2. Araştırma kanıtlarının klinik bakımda uygulanabilirliği konusundaki belirsizlik ve
  3. verilerin yorumlanması konusunda belirsizlik.

Diğerleri belirsizlik altında karar vermeyi öğrenememenin aşırı tanı testlerinin ve uygunsuz tedavilerin önde gelen nedenidir.  Açıkçası, etkili karar verme için güvenilir kanıtlar önemlidir. Bununla birlikte, çok sık kanıtlar karar verme ile karıştırılmaktadır. Kanıt kalitesi şu anda değerlendirilmektedir (birkaç EBM ölçeği vardır, tipik olarak meta analiz için 1’den kanıtlara kanıtlar), bu da yardımcı olabilir, ancak klinik karar verme sadece kanıtların sıralamasıyla ilgili değildir; aynı zamanda belirsizlik karşısında seçimler yapmakla ilgilidir. Klinik belirsizlik hakkında doktorlar yetiştirmek başarısızlık “yirminci yüzyıl boyunca tıp eğitiminin büyük eksiklik.” Olarak anılmıştır 

Reverend Bayes’den Dersler

Belirsiz bir şekilde titizlikle uğraşmak tam olarak Bayes olasılık formülleri tarafından ele alınan problemdir. Doğru pozitifliği doğru bir şekilde gösterebilmek için doğru pozitifliği dengelemek için bilinçli olarak doğru belirsizliği kullanmak karar vermenin güvenilirliğini önemli ölçüde artırır. Bunu, doğruluğu arttırmak için daha fazla bilgiye duyulan ihtiyaca işaret ederek, kararların kesinliği konusundaki aşırı tahminimizi kaldırarak yapar.

Gerçek pozitif (duyarlılık) ve yanlış pozitif (1 özgüllük) kullanımıyla, bir çıkarımın matematiksel olarak doğru kuvveti belirlenebilir – yani klinisyen kanıtların gerçek kestirim değerini daha iyi anlayabilir.

Bayes formülü göz korkutucu görünebilir, ancak kullanımı şaşırtıcı derecede kolay olabilir. Aslında, internette basit Bayes hesaplayıcıları mevcuttur (Excel’de paylaştığım ve paylaştığımız bir tane var; moc.stsicenegulas@onrozziprdadresinden bana ulaşın ). Bununla birlikte, klinisyen her zaman hesaplamayı yapmak zorunda değildir. Formülü birkaç kez kullandıktan sonra, karar vermede gerekli değişiklikler daha sezgisel hale gelir.

O migren hastasına tekrar bakalım. Migren hastalarının% 41.6’sının oral magnezyum yanıtı verdiği görülmektedir. Hangisinin yanıtlayacağını nasıl belirliyorsunuz? En öngörücü hangi kanıttır?

Kas krampları, magnezyum eksikliğinin yaygın bir belirtisidir. Gerçek pozitif (TP)% 48’dir. Hasta migren ile kas krampları yaşıyorsa, klinisyen magnezyumun çalışma olasılığının yüksek olduğunu varsayabilir. Bununla birlikte, genel popülasyonda kas krampları yaygındır (% 27.5  ), dolayısıyla yanlış pozitif (FP) aslında oldukça yüksektir,% 25’dir. Bu nedenle Bayes formülünü kullanan tahmin değeri, sadece% 41.6’dan% 62’ye kadar hasta için yararlı olan magnezyumdaki gerçek güveni arttırdığımızdır. Bu, yan etki potansiyeli göz önüne alındığında hala çok iyi değildir.

Bunun yerine, magnezyum eksikliğinin bir göstergesi olarak mitral kapak prolapsusunu düşünün. Onun TP sadece% 14, hangi yüzeyde kas krampları daha az zorlayıcı görünüyor. Bununla birlikte, popülasyondaki prevalansı düşüktür (% 4  ), bu yüzden FP’si de düşüktür, sadece% 3’dür. Bu nedenle, tahmin değeri önemli ölçüde daha yüksektir – Bayes hesaplaması kullanılarak, güvenimiz artık% 80’tir – daha caziptir! Buna ek olarak, olumsuz bir reaksiyonun insidansı artık çok daha azdır, çünkü artık ihtiyacı olmayan bir hastaya magnezyum vermemiz olası değildir.

Bu karşılaştırma yararlıdır çünkü yüksek hassasiyete sahip olduğu için yüzeyde 1 parça kanıtın daha yararlı olabileceğini açıkça görebiliyoruz, ancak aslında çok daha düşük bir yanlış pozitif olan düşük duyarlılık kanıtlarından çok daha az yararlıdır.

Basit kural: Eğer bir kanıtın genel bir popülasyonundaki yaygınlık (bir semptom veya başka bulgu) yüksekse, yüksek oranda ilişkili olsa da, öngörü değeri gerçekten zayıftır. Bu nedenle, klinisyen güvenle bir öneride bulunmadan önce, doğru türden bir kanıt, yani yüksek bir TP’den FP’ye kadar olan bir oranın toplanması gerekir (örneğin, hastanın bir prodromal auradan muzdarip olup olmadığını, magnezyum düzeylerini ölçtüğünü ve öylesine).

Doğru çıkarımsal bilgi için gerekli olan Bayes hesaplamaları, işlevsel tıbbı ilgilendiren insan düşüncesi sürecindeki bir zafiyetin altını çizmektedir: yüksek belirsizlik içeren bir alanda karmaşık kararlar verirken sadece doğru pozitif kullanarak ve yanlış pozitifleri göz ardı ederek karar vermeyi çarpıtmaktadır. Farklı bir şekilde ifade edildiğinde, kanıtların popülasyon prevalansını göz önüne almamak ve müdahale, klinisyen tarafından yanlış bir güvene yol açmaktadır.

ÖZET

Belirsizlik sağlık hizmetlerinde yaşamın bir gerçeği. Pek çok kaynaktan doğar: eksik veya yanlış hasta verileri; İstediğimiz kadar iyi olmayan kanıtlar; ve kanıtlardan ve verilerden yanlış çıkarımlar yapmak. Bu belirsizlik ilkesi hakkında farkındalık eksikliği sonuçlarımıza aşırı güven vermektedir. Yanlışlıkla iyi bir karar verdiğimize inanmak, kanıt toplama sürecini zamanından önce durduracaktır. O zaman klinik etki, etkisiz tedavilerin sıklığı ve ADR riskinin artmasıdır.

Klinisyenler ne yapabilir? Tüm sağlık çalışanlarının alabileceği 3 nispeten basit adım vardır:

  1. Kullandığımız kanıtların kalitesini geliştirin (kanıtlanacak veriler, hasta verilerinin altta yatan fizyoloji ve biyokimyanın daha iyi anlaşılmasına, çevrenin gen ifadesi üzerindeki etkisine ve değerlendirme araçlarının ve terapötik stratejilerin etkililiğine kadar).
  2. Kanıtların gerçek kestirim değerini sadece gerçek pozitif değil, aynı zamanda kritik yanlış pozitifleri de dikkate alarak anlayın, yani kullandığımız kanıt ve verilerin popülasyon prevalansının daha fazla farkına varın ve kesinlik üzerine etkilerini nasıl hesaplayacağımızı öğrenin.
  3. Kesinlik düzeyinin müdahalenin etkinliğine ve güvenliğine makul bir güven düzeyini desteklemesine kadar kanıt toplamaya devam edin (özellikle yalancı pozitiflik oranı yüksek bir gerçek pozitif kanıt). Klinik karar verme konusundaki hassasiyetin aşırı derecede kaldırılması, hastalarımıza mümkün olan en iyi bakımı sağlayabilmemiz için ek bilgilerin toplanması gereken yerlere öncelik vermemize yardımcı olur.

REFERENCES

1. Ferrari MD, Goadsby PJ, Roon KI, Lipton RB. Triptans (serotonin, 5-HT1B/1D agonists) in migraine: detailed results and methods of a meta-analysis of 53 trialsCephalalgia. 2002; 22(8):633–58 [PubMed]
2. Peikert A, Wilimzig C, Kohne-Volland R. Prophylaxis of migraine with oral magnesium: results from a prospective, multi-center, placebo-controlled and double-blind randomized studyCephalalgia. 1996; 16:257–63 [PubMed]
3. Mauskop A, Altura BT, Cracco RQ, Altura BM. Intravenous magnesium sulfate rapidly alleviates headaches of various typesHeadache. 1996; 36:154–60[PubMed]
4. Bigal ME, Bordini CA, Tepper SJ, Speciali JG. Intravenous magnesium sulphate in the acute treatment of migraine without aura and migraine with aura. A randomized, double-blind, placebo-controlled studyCephalgia. 2002; 22:345–53[PubMed]
5. Rains JC, Penzien DB, Lipchik GL, Ramadan NM. Diagnosis of migraine: empirical analysis of a large clinical sample of atypical migraine (IHS 1.7) patients and proposed revision of the IHS criteriaCephalalgia. 2001; 21(5):584–95[PubMed]
6. Barzansky B, Etzel SI. Educational programs in US medical schools, 2002– 2003JAMA.2003;290:1190–96 [PubMed]
7. Green ML. Evidence-based medicine training in internal medicine residency programs a national surveyJ Gen Intern Med. 2000; 15:124–33 [PMC free article][PubMed]
8. Parkes J, Hyde C, Deeks J, Milne R. Teaching critical appraisal skills in health care settingsCochrane Database Syst Rev. 2001;(3):CD001270. [PubMed]
9. Wiengart SN, Wilson RM, Gibberd RW, Harrison B. Epidemiology and medical errorBMJ. 2000; 320:774–7 [PMC free article] [PubMed]
10. Coiera E. Guide to health informatics. Arnold Publications, London, 2003
11. Editorial Lifting the fog of uncertainty from the practice of medicineBMJ. 2004; 329:1419–20 [PMC free article] [PubMed]
12. McNeil BJ. Hidden barriers to improvement in the quality of careN Engl J Med. 2001; 345: 1612–20 [PubMed]
13. Haynes B. Bridging the gap between the Cochrane Collaboration and clinical practice. Plenary presentation. 12th Cochrane Colloquium; 2004 Oct 3; Ottawa, Ontario
14. Ludmerer KM. Time to heal. New York: Oxford University Press, 1999
15. Naylor JR, Young JB. A general population survey of rest crampsAge Ageing. 1994; 23(5):418–20 [PubMed]
16. Freed LA, Levy D, Levine RA, et al. Prevalence and clinical outcome of mitral-valve prolapseN Engl J Med. 1999; 341:1–7 [PubMed]

Articles from Global Advances in Health and Medicine are provided here courtesy of SAGE Publications

About admin

Check Also

Fonksiyonel Tıp

Fonksiyonel Tıp, kronik hastalıkların giderek ivme kazandığı 21. yüzyılın sağlık ihtiyaçlarına yanıt vermek üzere yepyeni …

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir