طراحی مطالعه دقت تشخیصی
- معرفیشده توسط
- Bossuyt, Reitsma, and STARD group (2003); clinical epidemiology pioneers
- سال
- 2003-2015
- نوع
- Research Design
- خانواده
- diagnostic evaluation
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
مطالعه دقت تشخیصی، میزان کارایی یک تست تشخیصی جدید (یا بیومارکر، روش تصویربرداری، ارزیابی بالینی) را در تشخیص وجود یا عدم وجود بیماری در مقایسه با یک استاندارد مرجع (استاندارد طلایی) ارزیابی میکند. مطالعات دقت تشخیصی که از سال ۲۰۰۳ توسط ابتکار STARD (استانداردهای گزارشدهی مطالعات دقت تشخیصی) استاندارد شدهاند، در پزشکی بالینی اساسی هستند و تعیین میکنند که آیا و چگونه تستهای جدید میتوانند تشخیص و درمان بیمار را بهبود بخشند.
شهود پشت روش
تصور کنید یک تست خون جدید ادعا میکند که سرطان را زود تشخیص میدهد. یک مطالعه دقت تشخیصی ۵۰۰ بیمار را شامل میشود: ۲۵۰ نفر با سرطان تأیید شده (با بیوپسی) و ۲۵۰ نفر بدون سرطان. همه تحت تست خون جدید قرار میگیرند. نتایج: تست ۲۴۰ مورد از ۲۵۰ مورد سرطانی را تشخیص میدهد (حساسیت ۹۶٪ - در یافتن سرطان خوب است) اما ۵۰ نفر از ۲۵۰ فرد سالم را به اشتباه مثبت اعلام میکند (ویژگی ۲۰٪ - هشدارهای کاذب زیاد). یک پزشک از نسبتهای درستنمایی استفاده میکند: اگر تست مثبت باشد، احتمال سرطان چقدر بیشتر است؟ اگر منفی باشد، احتمال آن چقدر کمتر است؟ حساسیت بالا به این معنی است که 'تست منفی بیماری را رد میکند' (تست غربالگری خوب). ویژگی بالا به این معنی است که 'تست مثبت بیماری را تأیید میکند' (تست تأییدی خوب). بدهبستان بین حساسیت و ویژگی مرکزی است: شما نمیتوانید همزمان هر دو را به حداکثر برسانید.
تاریخ
مطالعات دقت تشخیصی از اپیدمیولوژی اوایل قرن بیستم (حساسیت و ویژگی تعریف شده توسط یروشالمی در سال ۱۹۴۷) تکامل یافتهاند. این حوزه در دهه ۱۹۹۰ با انتشار راهنماهای کاربران توسط ساکت، جاشکه و دیگران که بر اعتبار و کاربرد بالینی تأکید داشتند، اعتبار یافت. ابتکار STARD (استانداردهای گزارشدهی مطالعات دقت تشخیصی)، که در سال ۲۰۰۳ توسط بوسیوت و همکاران راهاندازی شد، دستورالعملهای سیستماتیکی را برای طراحی و گزارشدهی مطالعه ارائه داد. STARD به استاندارد طلایی تبدیل شده است و توسط مجلات و تأمینکنندگان اصلی (NIH، اتحادیه اروپا) پذیرفته شده است. پیشرفتها شامل رویکردهای بیزی، متاآنالیز مطالعات تشخیصی (مرورهای سیستماتیک) و تأکید بر پیادهسازی عملی است.
چه زمانی استفاده شود
هنگامی که: (۱) در حال توسعه یا ارزیابی یک تست تشخیصی جدید، روش تصویربرداری یا بیومارکر هستید، (۲) دو تست تشخیصی را برای تعیین برتری یکی بر دیگری مقایسه میکنید، (۳) تعیین میکنید که آیا یک تست میتواند بیماری را در جمعیتهای بالینی به دقت تشخیص دهد، (۴) ارزیابی میکنید که آیا تست در زیرگروهها (بر اساس سن، جنس، مرحله بیماری، بیماری همراه) به طور مشابه عمل میکند، (۵) دستورالعملهای بالینی را برای پذیرش تست اطلاعرسانی میکنید، (۶) تستهای غربالگری را در جمعیتهای بدون علامت ارزیابی میکنید، (۷) تستهای تشخیصی را در تصمیمگیری بالینی ارزیابی میکنید (آیا انتخابهای درمانی را هدایت میکند؟).
محدودیتها و ملاحظات
- تعریف استاندارد مرجع: 'استاندارد طلایی' ممکن است کامل یا مورد توافق جهانی نباشد. اگر استاندارد مرجع معیوب باشد، کل مطالعه معیوب است.
- سوگیری طیفی: اگر جمعیت مطالعه منعکس کننده طیف بالینی بیماری نباشد (مثلاً فقط موارد شدید، موارد خفیف از قلم افتاده)، تخمینهای دقت قابل تعمیم نیستند.
- انتخاب آستانه: برای تستهای پیوسته (مثلاً سطوح بیومارکر)، انتخاب حد آستانه، بدهبستان حساسیت/ویژگی را تعیین میکند. آستانههای مختلف دقتهای متفاوتی را به دست میدهند. مطالعه باید طیفی از آستانهها را آزمایش کند یا یک حد آستانه واحد را توجیه کند.
- کور سازی ناقص: اگر اپراتور تست از وضعیت بیماری مطلع باشد، یا ارزیاب استاندارد مرجع از نتیجه تست شاخص مطلع باشد، سوگیری دقت را افزایش میدهد.
- سوگیری انتشار: مطالعات دقت منفی یا غیرقطعی ممکن است منتشر نشوند، که تخمینهای دقت منتشر شده را افزایش میدهد.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- مستقیم و شفاف: به وضوح به این سوال پاسخ میدهد که 'آیا این تست بیماری را به دقت تشخیص میدهد؟'
- روششناسی استاندارد شده: دستورالعملهای STARD گزارشدهی سازگار و جلوگیری از سوگیری را تضمین میکنند.
- ارتباط عملی: نتایج مستقیماً تصمیمگیری بالینی و پذیرش تست را اطلاعرسانی میکنند.
- معیارهای متعدد: حساسیت، ویژگی، ارزشهای پیشبینی، LRها و منحنیهای ROC تصویری ظریف از عملکرد تست ارائه میدهند.
- ارزیابی زیرگروه: میتواند ارزیابی کند که آیا تست در جمعیتهای متنوع به خوبی عمل میکند (مهم برای عدالت).
کاربردها
- بیماریهای قلبی عروقی: ارزیابی سنجشهای تروپونین برای تشخیص انفارکتوس میوکارد حاد؛ امتیاز کلسیم عروق کرونر برای پیشبینی CAD.
- تشخیص سرطان: ارزیابی مارکرهای تومور جدید، تصویربرداری (MRI، PET) یا تکنیکهای بیوپسی برای تشخیص زودهنگام.
- بیماریهای عفونی: ارزیابی تستهای تشخیصی سریع (مثلاً تستهای سریع برای آنفولانزا، COVID-19، مالاریا) در مقایسه با استانداردهای طلایی (PCR، کشت).
- بیماریهای عصبی: ارزیابی تستهای تشخیصی برای بیماری آلزایمر، پارکینسون یا مولتیپل اسکلروزیس (بیومارکرهای مایع مغزی نخاعی، تصویربرداری).
- امتیازات بالینی و مدلهای پیشبینی: اعتبارسنجی سیستمهای امتیازدهی تشخیصی (مثلاً CURB-65 برای شدت پنومونی) در برابر استانداردهای مرجع پیامد بالینی.
چگونه کار میکند
چگونه کار میکند
تعریف بیماری یا وضعیت هدف (مثلاً سرطان پروستات، بیماری عروق کرونر، دیابت نوع ۲). تعریف تست شاخص: تست جدیدی که در حال ارزیابی است (مثلاً مارکر خونی جدید، یافتههای تصویربرداری، امتیاز بالینی). تعریف استاندارد مرجع: 'استاندارد طلایی' پذیرفته شده برای تشخیص بیماری (مثلاً بیوپسی برای سرطان، آنژیوگرافی برای CAD، تست تحمل خوراکی گلوکز برای دیابت). استخدام نمونهای نماینده از افراد: ترکیبی از افراد دارای بیماری و بدون بیماری، سنین، مراحل بیماری و بیماریهای همراه که منعکس کننده عمل بالینی است. کورسازی: فردی که تست شاخص را انجام میدهد باید از وضعیت بیماری بیاطلاع باشد (برای جلوگیری از سوگیری ناخودآگاه در تفسیر). فردی که استاندارد مرجع را ارزیابی میکند باید از نتایج تست شاخص بیاطلاع باشد. انجام هر دو تست بر روی همه شرکتکنندگان (یا زیرنمونهای نماینده). ثبت و تأیید وضعیت بیماری. استفاده از معیارهای تفسیری عینی و استاندارد شده برای هر دو تست. مستندسازی هرگونه شرکتکنندهای که نمیتواند هیچ یک از تستها را انجام دهد (امتناع، منع مصرف).
فرمول
Recruit representative sample of individuals (both with and without target disease); administer index test (new test) and reference standard (gold standard) to all; ensure blinding: test operator blind to disease status, reference standard assessor blind to index test result.
ساخت جدول احتمالات ۲×۲: ردیفها = تست شاخص (مثبت/منفی)، ستونها = بیماری حاضر/غایب. شمارش موارد مثبت واقعی (TP: تست مثبت، بیماری حاضر)، مثبت کاذب (FP: تست مثبت، بیماری غایب)، منفی واقعی (TN: تست منفی، بیماری غایب)، منفی کاذب (FN: تست منفی، بیماری حاضر). محاسبه معیارهای کلیدی: حساسیت (Sn) = TP / (TP + FN) = احتمال تست مثبت با توجه به بیماری. ویژگی (Sp) = TN / (TN + FP) = احتمال تست منفی با توجه به عدم وجود بیماری. نسبت درستنمایی مثبت (LR+) = Sn / (۱ − Sp) = اینکه نتیجه تست چقدر احتمال بیماری را افزایش میدهد. نسبت درستنمایی منفی (LR−) = (۱ − Sn) / Sp = اینکه نتیجه تست چقدر احتمال بیماری را کاهش میدهد. ارزش پیشبینی مثبت (PPV) = TP / (TP + FP) = احتمال بیماری با توجه به تست مثبت (بستگی به شیوع دارد). ارزش پیشبینی منفی (NPV) = TN / (TN + FN) = احتمال عدم وجود بیماری با توجه به تست منفی. محاسبه فواصل اطمینان ۹۵٪ با استفاده از روشهای دوجملهای یا امتیاز ویلسون. رسم منحنی مشخصه عملکرد گیرنده (ROC) (حساسیت در مقابل ۱-ویژگی در آستانههای مختلف تست)؛ محاسبه مساحت زیر منحنی (AUC): ۰.۵ = حدس تصادفی، ۰.۷–۰.۸ = قابل قبول، ۰.۸–۰.۹ = عالی، >۰.۹ = برجسته.
فرمول
Construct 2×2 table (index test × disease presence). Calculate Sensitivity = TP/(TP+FN), Specificity = TN/(TN+FP), LR+ = Sensitivity/(1-Specificity), LR− = (1-Sensitivity)/Specificity, AUC of ROC curve.
حساسیت بالا (مثلاً >۹۵٪) برای تستهای غربالگری مطلوب است: نتیجه منفی به طور قابل اعتماد بیماری را رد میکند (NPV بالا). ویژگی بالا (مثلاً >۹۵٪) برای تستهای تأییدی مطلوب است: نتیجه مثبت به طور قابل اعتماد بیماری را تأیید میکند (PPV بالا). LR+ >۱۰ مدرک مثبت قوی است (احتمال بیماری را به طور قابل توجهی افزایش میدهد). LR− <۰.۱ مدرک منفی قوی است (احتمال بیماری را به طور قابل توجهی کاهش میدهد). تفسیر در زمینه بالینی: احتمال پیش از تست (شیوع بیماری در جمعیت) چقدر است؟ نتیجه تست این را از طریق قضیه بیز تغییر میدهد: احتمال پس از تست = (LR+ × نسبت پیش از تست) / (۱ + LR+ × نسبت پیش از تست). به عنوان مثال، اگر شیوع بیماری ۱۰٪ باشد، تستی با LR+ = ۱۰ احتمال پس از تست را به حدود ۵۰٪ افزایش میدهد. AUC >۰.۸ نشان میدهد که تست کاربرد بالینی دارد. دقت را برای زیرگروهها گزارش کنید: آیا تست در مردان در مقابل زنان، جوان در مقابل پیر متفاوت عمل میکند؟ کاربرد بالینی همچنین به هزینه، ایمنی و در دسترس بودن تست بستگی دارد.
فرمول
Interpret Sensitivity (ability to detect disease), Specificity (ability to exclude disease), LR+/LR− (how likelihood of disease shifts with test result); report confidence intervals; assess clinical utility and threshold selection.
دامهای رایج
- استفاده از شیوع بیماری از جمعیت مطالعه هنگام اعمال به جمعیتهای بالینی متفاوت: ارزشهای پیشبینی (PPV، NPV) به شیوع بیماری بستگی دارند. تستی با PPV بالا در جمعیت با شیوع بالا ممکن است در جمعیتهای با شیوع پایین PPV پایینی داشته باشد. به جای آن از LR استفاده کنید که مستقل از شیوع است.
- فرض استقلال تست شاخص از استاندارد مرجع: اگر هر دو تست یک بیومارکر را اندازهگیری کنند، دقت به دلیل همبستگی، نه تشخیص مستقل واقعی، به طور مصنوعی افزایش مییابد. از تستهای واقعاً مستقل استفاده کنید.
- اندازههای نمونه کوچک: مطالعات با کمتر از ۱۰۰ شرکتکننده اغلب دارای فواصل اطمینان بسیار گسترده و دقت ناکافی هستند. هدف گذاری ≥۱۰۰ فرد بیمار و ۱۰۰ فرد سالم.
- نادیده گرفتن سوگیری طیفی: گنجاندن فقط موارد بیماری شدید یا فقط موارد خفیف، حساسیت یا ویژگی را دچار سوگیری میکند. موارد نماینده در سراسر طیف بیماری را ثبت نام کنید.
- تفسیر بیش از حد حساسیت/ویژگی: بدون دانستن شیوع، اینها به تنهایی کاربرد بالینی را به شما نمیگویند. LR و ارزشهای پیشبینی را گزارش کنید؛ از نوموگرامهای درستنمایی برای تبدیل نتایج تست به احتمال بالینی استفاده کنید.
پرسشهای متداول
تفاوت بین حساسیت و ارزش پیشبینی مثبت (PPV) چیست؟
حساسیت = احتمال تست مثبت با توجه به وجود بیماری. این سوال را میپرسد: 'اگر من بیماری داشته باشم، آیا تست آن را تشخیص میدهد؟' حساسیت بالا به معنای تعداد کمی منفی کاذب است (تست به ندرت بیماری را از قلم میاندازد). PPV = احتمال بیماری با توجه به تست مثبت. این سوال را میپرسد: 'اگر نتیجه تست من مثبت باشد، آیا من بیماری دارم؟' PPV به شیوع بیماری بستگی دارد: یک تست مشابه در جمعیتهای با شیوع بالا PPV بالاتری دارد و در جمعیتهای با شیوع پایین PPV کمتری دارد. حساسیت برای یک تست و آستانه معین ثابت است. برای عمل بالینی، PPV اغلب مهمتر است (شما میخواهید بدانید آیا نتیجه مثبت به معنای بیماری است)، اما وابسته به جمعیت است. هر دو را گزارش کنید و از نسبتهای درستنمایی استفاده کنید که در جمعیتهای مختلف پایدارتر هستند.
منحنی ROC چیست و AUC به چه معناست؟
منحنی ROC (مشخصه عملکرد گیرنده) حساسیت (نرخ مثبت واقعی) را در مقابل ۱-ویژگی (نرخ مثبت کاذب) هنگام تغییر آستانه تشخیصی رسم میکند. برای تستهای پیوسته (مثلاً فشار خون، سطوح بیومارکر)، هر حد آستانه ممکن، حساسیت/ویژگی متفاوتی را به دست میدهد. منحنی ROC این بدهبستان را نشان میدهد. AUC (مساحت زیر منحنی) مساحت زیر منحنی ROC است. AUC = ۰.۵ به معنای حدس تصادفی (خط مورب) است. AUC = ۱.۰ تبعیض کامل است. دستورالعملها: AUC ۰.۵–۰.۷ = متوسط، ۰.۷–۰.۸ = قابل قبول، ۰.۸–۰.۹ = عالی، >۰.۹ = برجسته. AUC مستقل از آستانه است و کل طیف بدهبستان حساسیت/ویژگی را در نظر میگیرد، برای مقایسه تستها مفید است.
نسبت درستنمایی (LR) چیست و چرا باید از آن استفاده کرد؟
نسبت درستنمایی (LR) نسبت حساسیت به ویژگی (یا ۱-ویژگی) است. LR+ = حساسیت / (۱-ویژگی) نشان میدهد که یک تست مثبت چقدر احتمال بیماری را افزایش میدهد. LR− = (۱-حساسیت) / ویژگی نشان میدهد که یک تست منفی چقدر احتمال بیماری را کاهش میدهد. به عنوان مثال، LR+ = ۱۰ به این معنی است که یک تست مثبت، بیماری را ۱۰ برابر محتملتر میکند. LR− = ۰.۱ به این معنی است که یک تست منفی، بیماری را ۱۰ برابر کمتر محتمل میکند. چرا LR؟ آنها مستقل از آستانه و شیوع هستند: LR یکسان در هر جمعیتی اعمال میشود، برخلاف PPV/NPV که با شیوع تغییر میکنند. با استفاده از قضیه بیز، شما احتمال پیش از تست (شیوع) را از طریق LR به احتمال پس از تست تبدیل میکنید و مستقیماً به این سوالات پاسخ میدهید: 'آیا باید این تست را سفارش دهم؟' و 'نتیجه برای بیمار من چه معنایی دارد؟'
استاندارد مرجع چیست و چرا باید کامل باشد؟
استاندارد مرجع 'استاندارد طلایی' پذیرفته شده برای تشخیص بیماری است: بیوپسی برای سرطان، آنژیوگرافی برای CAD، PCR برای COVID-19. تست شاخص با آن مقایسه میشود. اگر استاندارد مرجع ناقص باشد (گاهی اوقات نتایج اشتباهی میدهد)، کل مطالعه به خطر میافتد: شما نمیتوانید بدانید که آیا اختلافات تست شاخص به این معنی است که تست شاخص اشتباه است یا استاندارد مرجع اشتباه است. استاندارد مرجع کامل ایدهآل است اما اغلب غیرممکن است. اگر استاندارد مرجع نقص شناخته شدهای داشته باشد، آن را مستند کنید و تأثیر آن را بر نتایج بحث کنید. حساسیت و ویژگی تخمین زده شده به طور فنی نسبت به استاندارد مرجع ناقص، نه بیماری واقعی، هستند. در مورد محدودیتهای استاندارد مرجع شفاف باشید.
روشهای مرتبط
منابع
Bossuyt, P. M., Reitsma, J. B., Bruns, D. E., Gatsonis, C. A., Glasziou, P. P., Irwig, L. M., ... & de Vet, H. C. (2003). Towards complete and accurate reporting of studies of diagnostic accuracy: the STARD initiative. Annals of Internal Medicine, 138(1), 40–44.
باز کردن مرجع DOIکپی شد.Cohen, J. F., Korevaar, D. A., Altman, D. G., Bruns, D. E., Gatsonis, C. A., Hooft, L., ... & Bossuyt, P. M. (2016). STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open, 6(11), e012799.
باز کردن مرجع DOIکپی شد.Jaeschke, R., Guyatt, G. H., & Sackett, D. L. (1994). Users' guides to the medical literature. III. How to use an article about a diagnostic test. A. Are the results of the study valid? JAMA, 271(5), 389–391.
باز کردن مرجع DOIکپی شد.