ГЛАВА 2.
Как правильно сформулировать клинический вопрос?
пропорциональна той работе, которую нужно затратить для нахождения этой информации, можно использовать любые индикаторы качества публикации в библиографической системе.
Для экономии времени, врач может указывать для запроса тему своего поиска в сочетании с методологическими фильтрами, которые будут отбирать только исследования определенного уровня достоверности. Так, достоверные исследования положительного эффекта будут отбираться при помощи филь- тра Randomized Controlled Trial [PT] OR Meta-Analysis [PT], достоверные иссле- дования вредного эффекта при помощи фильтра Cohort Studies [MH] OR Meta-
Analysis [PT].Однако прежде чем использовать методологические фильтры, врач вначале должен решить, какой тип информации о данном заболевании он ищет – интересуют его вопросы этиологии (1), диагностики (2), прогноза
(3) или лечения (4) заболевания. При обсуждении фильтров очень часто упо- минается их чувствительность и специфичность, т. е. способность фильтра находить в MEDLINE интересующие исследования и не захватывать при этом большого количества ненужной информации. Если фильтр позволяет найти большее количество статей, имеющихся в MEDLINE по данной теме, то го- ворят о его высокой чувствительности. Если фильтр создает выборку, где содержится лишь небольшое количество не относящейся к делу информации, то говорят о его высокой специфичности. Если необходимо найти как можно больше публикаций и ничего не пропустить, следует использовать фильтры с высокой чувствительностью (оптимизированные по чувствительности), если пользователь не располагает достаточным количеством времени, в этом слу- чае при создании запроса нужно выбирать фильтры с высокой специфичнос- тью, где большая часть статей, относящаяся к теме, будет оптимизирована
по специфичности. Простейшие фильтры перечислены ниже:
– термин «Clinical Trial» («клинические испытания») при выявлении исследо- ваний, посвященных оценке эффективности методов лечения,
– термин «sensitivity» и «specificity» («чувствительность» и «специфичность») при выявлении исследований, посвященных оценке информативности диа- гностических методов,
– термин «explode cohort studies» (команда расширенного поиска по пред- метным рубрикам) при выявлении исследований, посвященных изучению прогноза,
– термин «harm» или «risk» («риск») при выявлении исследований, посвя- щенных оценке факторов риска или безопасности методов лечения.
В приведенной ниже таблице указан текст запроса при использовании фильтра на языке PubMed, с чувствительностью и специфичностью использу- емого фильтра. Так, первый из представленных запросов позволяет добиться
99% чувствительности, но за счет большого количества не имеющих отноше- ния к исследованиям лечения статьям. Второй фильтр даст почти исключи- тельно нужные статьи, но ценой потери примерно половины всех интересу- ющих нас публикаций (надо, правда, заметить, что высокая специфичность не всегда будет спасать от «мусора»).
44
ОСНОВЫ ДОКАЗАТЕЛЬНОЙ МЕДИЦИНЫ
Таблица запросов клинически важной информации с использованием
фильтров исследовательских методов
Категория
Оптимизация по
Чувствительность/
Специфичность
Запрос на языке PubMed
Лечение
Чувствительности
99% / 74%
«randomized controlled trial» [PT] OR
«drug therapy» [SH] OR «therapeutic use» [SH: NOEXP] OR «random*»
[WORD]
Специфичности
57% / 97%
(double [WORD] AND blind* [WORD])
OR placebo [WORD]
Диагностика Чувствительности
92% / 73%
«sensitivity and specificity» [MH] OR
«sensitivity» [WORD] OR «diagnosis»
[SH] OR «diagnostic use» [SH] OR
«specificity» [WORD]
Специфичности
55% / 98%
«sensitivity and specificity» [MH] OR
(«predictive» [WORD] AND «value*»
[WORD])
Этиология
Чувствительности
82% / 70%
«cohort studies» [MH] OR «risk» [MH]
OR («odds» [WORD] AND «ratio*»
[WORD]) OR («relative» [WORD] AND
«risk» [WORD]) OR «case» control*»
[WORD] OR case-control studies [MH]
Специфичности
40% / 98%
«case-control studies» [MH: NOEXP]
OR «cohort studies» [MH: NOEXP]
Прогноз
Чувствительности
92% / 73%
«incidence» [MH] OR «mortality»
[MH] OR «follow-up studies» [MH] OR
«mortality» [SH] OR prognos* [WORD]
OR predict* [WORD] OR course
[WORD]
Специфичности
49% / 97%
prognosis [MH: NOEXP] OR «survival analysis» [MH: NOEXP]
Как же можно использовать эту таблицу? В наиболее общем виде за- прос будет выглядеть так: Описание темы MESH терминами AND Фильтр.
Например,врач хочет найти статьи, посвященные прогнозу ишемической болезни сердца. Тогда он вначале выберет соответствующий данному за- болеванию MESH термин, например Myocardial Ischemia. Вполне возможно, он захочет использовать несколько MESH терминов: Myocardial Ischemia [MH]
OR Myocardial Infarction [MH]. Затем ему надо будет решить, какой тип по- иска он хочет использовать – максимально возможное количество публика- ций, но с риском получения большого количества ненужной информации, или максимально адекватную выборку с риском потери статей. Предположим, что у врача не так много времени и ему надо создать наиболее компактную вы- борку. Тогда он берет фильтр, оптимизированный по специфичности, и свя- зывает его описанием задачи оператором AND:
(Myocardial Ischemia [MH] OR Myocardial Infarction [MH])
AND
(prognosis [MH: NOEXP] OR «survival analysis» [MH: NOEXP])
45
ГЛАВА 2. Как правильно сформулировать клинический вопрос?
Обратите внимание на то, что обе части запроса заключены в скобки.
Если их не будет, последовательность выполнения операторов будет нару- шена и запрос будет выполнен неверно. Следует отметить, что Web-версия
PubMed имеет специальную страницу с клиническими фильтрами, где поль- зователь может создать запрос, не вспоминая структуру фильтра, а, только указав, какой тип исследования он хочет найти и надо ему оптимизировать поиск по чувствительности или по специфичности. Таким образом, фильтры являются мощным инструментом в использовании системы PubMed и они позволяют даже занятому клиницисту быстро и адекватно находить интере- сующую его информацию.
К другим достоинством поисковой системы PubMed можно отнести про- стоту ее применения для пользователя.
2.4.6. Другие базы данных – EMBASEEMBASE – база Excerpta Medica, охватывающая в первую очередь, лекар- ственные препараты и фармакологию, а также другие биомедицинские дис- циплины: биохимию, клиническую медицину, судебную медицину, педиатрию, фармацию, фармакологию и лекарственную терапию, фармакоэкономику, психиатрию, здравоохранение,
биомедицинскую инженерию и инструмента- рий, окружающую среду. Источники EMBASE – более чем 3,800 журналов из 70 стран, монографии, труды конференций, диссертации и отчеты. Эта база содержит более полную информацию об исследованиях, проведенных в Европе. ЕЕ версия обновляется ежемесячно.
Поиск можно проводить по библиографической информации, индексиру- емым терминам, рефератам, химическим названиям, торговым названиям лекарств, названиям фирм-производителей лекарств, торговым названиям медицинских устройств, именам их производителей, молекулярным после- довательностям и регистрационным номерам CAS. Имеется online-тезаурус в поле Controlled Term (/CT), содержащий коды и дескрипторы EMTREE, исто- рические примечания и регистрационные номера CAS.
2.5. Тестовые заданияВыберите один или несколько правильных ответов.
I. В КЛИНИЧЕСКОМ ВОПРОСЕ ОТРАЖЕНЫ СЛЕДУЮЩИЕ
СОСТАВЛЯЮЩИЕ
1. Пациент или клиническая ситуация
2. Вмешательство (предпринимаемые меры воздействия)
3. Сравнение вмешательств (воздействий)
4. Исходы (результаты)
5. Всё вышеперечисленное
II. ДЛЯ ОПРЕДЕЛЕНИЯ ПРОГНОЗА ЗАБОЛЕВАНИЯ ПРОВОДЯТ ПОИСК
ИССЛЕДОВАНИЙ
1. РКИ
46
ОСНОВЫ ДОКАЗАТЕЛЬНОЙ МЕДИЦИНЫ2. Когортное исследование
3. Исследование случай-контроль
4. Систематические обзоры
5. Всё вышеперечисленное
III. РАНДОМИЗИРОВАННОЕ КЛИНИЧЕСКОЕ ИССЛЕДОВАНИЕ
ПРИЗВАНО ОТВЕТИТЬ НА ВОПРОСЫ
1. Лучший ли данный препарат, по сравнению с плацебо или другим лекарственным препаратом, при данном заболевании
2.
Выяснить параметры достоверности и надежности3. Определить прогноз заболевания
4. Определить этиологию заболевания
5. Всё вышеперечисленное
IV. КОКРАНОВСКАЯ БАЗА ДАННЫХ ВКЛЮЧАЕТ В СЕБЯ
1. Две мета-базы (Кокрановская база данных систематических обзо- ров, база данных рефератов обзоров эффективности)
2. Кокрановская база данных по методологии обзоров
3. База данных, посвященных научному анализу
4. Всё вышеперечисленное
V. МАТЕРИАЛЫ, СООТВЕТСТВУЮЩИЕ КРИТЕРИЯМ ВЫСОКОГО
МЕТОДОЛОГИЧЕСКОГО КАЧЕСТВА, ПРЕДСТАВЛЕНЫ В БАЗАХ ДАННЫХ
1. MEDLINE
2. Best Evidence
3. Clinical Evidence
4. EMBASE
5. Кокрановская библиотека
6. Всё вышеперечисленное
VI. ПОИСК СИСТЕМАТИЧЕСКИХ РЕФЕРАТОВ ПРОВЕРЕННОГО
КАЧЕСТВА ПО ВСЕМ ИМЕЮЩИМСЯ ДОСТОВЕРНЫМ СВЕДЕНИЯМ
ПО ОПРЕДЕЛЁННОЙ ТЕМЕ ПРОВОДЯТ
1. MEDLINE
2. Кокрановская база данных
3. EMBASE
4. Нигде из перечисленных
47
ГЛАВА 3. Диагностические тесты. Скрининг
ГЛАВА 3.Диагностические тесты. СкринингВ.А. Выгодин, С.К. Кукушкин
3.1. Диагностические тесты3.1.1. Надежность диагностического тестаДиагностика (например, выявление наличия некоторого заболевания или фактора риска) является, наряду с выбором лечения, прогнозом течения, оценкой соответствующих рисков и др., одной из основных ситуаций, требую- щих принятия ответственного клинического решения.
При этом необходимо учитывать, что в большинстве клинических ситуаций диагноз, прогноз и результаты лечения отдельного больного неопределенны и поэтому должны выражаться через вероятности. Кроме того, в клиничес- кие наблюдения всегда заложены некоторая
предвзятость и систематические ошибки, а любые исследования, включая клинические, подвержены влиянию случайности.
Отсюда следует естественный вывод: все исследователи (в т.ч. клини- цисты) должны полагаться только на такие наблюдения, которые основаны на твердых научных принципах, включающих способы уменьшения система- тических ошибок и предвзятости, а также оценку роли случайных факторов.
Чтобы соответствовать вышеуказанным требованиям, приходится прини- мать во внимание множество аспектов, связанных с измерениями изучаемых показателей и касающихся оценки достоверности измерений, их воспроизво- димости, точности, интерпретируемости и т. д.
Здесь речь идет не об итоговой достоверности результатов и выводов исследования, а всего лишь о степени достоверности отдельных измерений изучаемых показателей. Однако без этой «локальной» достоверности выпол- няемых измерений невозможно достичь итоговой
внутренней (и, тем более,
внешней) достоверности исследования.
Для справки: о наличии внутренней достоверности говорят тогда, ког- да полученные результаты являются точными, с учетом рамок проводимого исследования, а применяемые методы получения отдельных измерений (и методы последующего анализа результатов измерений) являются достаточ- но адекватными типу изучаемых показателей и характеру их распределения.
При этом интерпретация результатов и полученные выводы должны быть подкреплены не только собственными данными исследования, но и другой
48
ОСНОВЫ ДОКАЗАТЕЛЬНОЙ МЕДИЦИНЫинформацией из заслуживающих доверия медицинских публикаций. Что ка- сается внешней достоверности, то она предполагает возможность обобщения результатов исследования (полученных, естественно, на выборочном матери- але) на всю соответствующую популяцию.
Достоверность отдельных измерений
Чтобы обеспечить достоверность отдельных измерений (
Validity) некоторо- го показателя, используемый метод его измерения должен отражать все важ- ные аспекты изучаемого явления и отображать меру согласованности резуль- татов соответствующего теста с другими оценками того же явления, а также степень предсказуемости данных, полученные в ходе измерений.
Воспроизводимость
результатов измеренийВоспроизводимость (
Reliability) определяется вероятностью получения од- ного и того же результата измерения показателя при повторных измерениях, сделанных разными людьми, на разных приборах, в разное время и в разных местах. В частности, воспроизводимость биохимических показателей можно оценить путем повторных измерений, выполненных на одном и том же образ- це, но разными специалистами или на разных приборах.
«Точность» и интерпретируемость результатов измерений
Под точностью измерений (
Responsiveness) понимается способность ме- тода реагировать на изменения измеряемого показателя. Менее «точные»
(т. е. более «грубые») методы, шкалы измерения которых имеют всего 3-5 различных числовых оценок, зачастую не позволяют выявить небольшие из- менения тяжести состояния больного, даже если сами больные уверенно кон- статируют наличие улучшения или ухудшения. Например, в процессе лечения больного ИБС его состояние улучшается (уменьшается частота приступов стенокардии напряжения, увеличивается толерантность к физической нагруз- ке), однако у него все еще сохраняется тот же функциональный класс ИБС.
Аналогично ведут себя такие показатели, как степень артериальной гипер- тензии или класс тяжести сердечной недостаточности: их шкалы измерения таковы, что соответствующие оценки запаздывают при выявлении динамики состояния больного на фоне лечения.
С другой стороны, интерпретируемость (
Interpretability) результатов зачас- тую может быть улучшена, если перейти от более детальных шкал оценки показателя к более грубым. Примеры: количественные значения уровней тре- вожности и депрессивности по шкалам опросника HADS не всегда понятны врачам и пациентам, что вызывает необходимость «огрублять» эти шкалы для получения оценки показателей как клинически значимых, субклиничес- ких или нормальных. Именно для улучшения интерпретируемости результатов измерений (и не только при применении опросников, но и при физикальном обследовании или выполнении лабораторных тестов) предлагаются границы нормы изучаемых показателей и т. п.
49
ГЛАВА 3. Диагностические тесты. Скрининг
Однако с предлагаемыми порогами нормы не все обстоит так просто.
Методические проблемы определения границ нормы
Следует подчеркнуть: определение того, что можно считать нормой для не- которого показателя в конкретном клиническом или эпидемиологическом ис- следовании, не свободно от серьезных методических проблем.
Иногда можно встретить определения, непосредственно основанные на ре- зультатах применения статистических методик к выборочным распределени- ям показателя. Например, в качестве границы нормы используется пороговая точка для верхней квинтили (т. е. 80%-я отрезная точка) или верхней кварти- ли распределения (т. е. 75%-я отрезная точка). Однако, если бы все значения показателей, находящиеся за некоторым статистическим пределом (скажем, за 80%-й отрезной точкой), рассматривались в качестве патологических, то и распространенность всех соответствующих патологий оказалась бы оди- наковой и составляла точно 20%.
Кроме того, известно, что риск наличия заболевания коррелирует с пока- зателями многих клинико-лабораторных тестов по всему диапазону их воз- можных значений (т. е. при разных пороговых значениях «нормы»). Например, в пределах нормальных значений уровня общего холестерина риск заболева- ния ИБС
различается в несколько раз, если сравнивать «высокие нормальные» и «низкие нормальные» значения этого показателя. Аналогичная ситуация на- блюдается и в случае других факторов риска сердечно-сосудистых заболева- ний и смерти от ССЗ: например, для уровня систолического и диастолического артериального давления и т. п.
Таким образом, фактически не существует однозначного соответствия меж- ду степенью статистической «необычности» измеренного значения показателя и наличием соответствующего заболевания. Более того, некоторые крайние, явно необычные значения показателя могут – в случае конкретного больного – оказаться для него предпочтительнее «обычных» значений этого показателя.
Естественно, следует обращать особое внимание на то, являются ли по- добные необычные результаты измерения воспроизводимыми у данного больного.
Смещение (регрессия) к среднему
У пациентов, получивших необычно низкие или необычно высокие резуль- таты лабораторных тестов, при повторном тестировании следует ожидать сдвига результатов к центру распределения – к более «средним» значениям.
Это явление получило название регрессии к среднему (
Regression to Mean).
При этом результаты повторных измерений у подобного пациента будут, как правило, приближаться к «истинному» значению показателя, т. е. к тому, которое можно было бы получить при многократном повторении измерения у этого пациента.
Исходя из этого, следует признать оправданной практику повторения ла- бораторных тестов, результаты которых оказались аномально высокими или
50
ОСНОВЫ ДОКАЗАТЕЛЬНОЙ МЕДИЦИНЫнизкими, и использования более правдоподобного результата повторного теста в качестве истинного значения показателя.
Вариация и ее источники
Результаты клинических измерений одного и того же явления могут быть распределены в некотором диапазоне значений – в зависимости от условий проведения этих измерений. Поэтому, чтобы избежать ошибочных выводов из подобных результатов, нужно учитывать возможные причины их вариа- ции (
Variation) в конкретной ситуации, а также оценивать абсолютный и от- носительный вклад каждой из этих причин в общую вариацию.
Под общей вариацией понимается сумма вариаций, связанных с процес- сом измерения показателя, а также с биологическими различиями между отдельными индивидуумами, у которых выполняются измерения, и биологи- ческими изменениями, происходящими в организме с течением времени.
Таким образом, основные источники наблюдаемой вариации значений изучаемого показателя связаны как с методом измерения изучаемых пока- зателей (включая средства измерения и лиц, производящие эти измерения), так и с биологическими причинами, поскольку они отмечаются у каждого конкретного обследуемого в связи с изменениями в его организме (в зави- симости от времени и внешних условии), а также связаны с биологически- ми различиями между обследуемыми, включая особенности метаболизма и пр.
Наблюдаемые вариации определяют два разных типа ошибок при изме- рении конкретного показателя.
Систематические и случайные ошибки измерений
В статистическом смысле, систематическая ошибка измерения показате- ля (иными словами –
смещение) – это некоторое однонаправленное откло- нение результатов измерения показателя, т. е. его систематическое завы- шение или занижение. При этом величина систематической ошибки не за- висит от объема выборки.
Как правило, систематическая ошибка может быть оценена и даже умень- шена еще на этапе планирования исследования (с помощью стандартиза- ции измерений, калибровки приборов и т. п.) и учтена впоследствии – при анализе результатов.
Кроме того, основные источники систематических ошибок в клинических исследованиях хорошо известны. Прежде всего, это погрешности выборки, когда организатор исследования был необъективен при распределении об- следуемых по группам сравнения, а
также ошибки измерения, когда в одной из групп пациенты лучше определяют последствия лечения, чем в другой.
Здесь играют свою роль и ошибки памяти, из-за которых испытуемые в од- ной группе точнее помнят отдельные события, чем в другой, а также эффект плацебо, т. е. положительный эффект приема «пустышки» у тех испытуе- мых, которые думают, что они принимают активный препарат.
Скачать 1.39 Mb.