De presentatie wordt gedownload. Even geduld aub

De presentatie wordt gedownload. Even geduld aub

L Typisch probleem: »Is het juist te stellen dat 7.331 groter is dan 0.560 ? DIAGNOSE.

Verwante presentaties


Presentatie over: "L Typisch probleem: »Is het juist te stellen dat 7.331 groter is dan 0.560 ? DIAGNOSE."— Transcript van de presentatie:

1 l Typisch probleem: »Is het juist te stellen dat groter is dan ? DIAGNOSE

2 l Typisch probleem: »Is het juist te stellen dat groter is dan ? DIAGNOSE sarcoma (n=75) hyperploidie: minimum:0.000 maximum: gemiddelde:7.331 mediaan:1.759 variantie: Std. Dev.: Standard Error:1.400 niet-sarcoma (n=24) hyperploidie: minimum:0.000 maximum:2.344 gemiddelde:0.560 mediaan:0.000 variantie:0.728 Std. Dev.:0.853 Standard Error:0.174 Niet-parametrische test (Mann-Whitney U): p<0.05

3 l Typisch probleem: DIAGNOSE

4 Kan de cytometrische beschrijving van morphonucleaire karakteristieken en DNA inhoud helpen bij de diagnose van weke delen sarcomas? bvb. Hoe zit het met de graad van hyperploidie? DIAGNOSE

5 l Typisch probleem: DIAGNOSE

6

7

8 l Diagnose: omgaan met onzekerheid l (Traditioneel) Klinische epidemiologie Dichotomiseren van test resultaten l Validiteit: sensitiviteit, specificiteit, ROC curven l Predictieve waarde, likelihood ratio en het theorema van Bayes l Beperkingen l De diagnostische onderzoeksvraag l Prevalentie functie l Logistische regressie DIAGNOSE

9 l Patient: * klachten * diagnose * behandeling * ‘geschikt ?’ ‘onderzoek, selectie’ H arbeidsgeneeskunde H verzekeringsgeneeskunde l ‘Algemene bevolking’ H overheid: prioriteiten l ‘Occurrence research’ (epidemiologie) H gezondheidsstatus als ‘afhankelijke variabele’ DIAGNOSIS

10 l Overgang gezond - ziek è onzeker è wat is ziek ? è illness è disease è sickness DIAGNOSE

11 determinanten biologische start pathologische veranderingen eindpunt vroegtijdige detectie of detectie van pre-klinische stadia gewoonlijk moment van diagnose en behandeling DIAGNOSE

12 l Overgang gezond - ziek è onzeker l Bepaling van de aanwezigheid van de aandoening è onzeker Hoe te dichotomiseren (ja-neen, 1-0)? DIAGNOSE

13 l Bepaling van de aanwezigheid van de aandoening è onzeker è Gebaseerd op distributie (statistiek, gemiddelde, standaard deviatie) ? DIAGNOSE Hoe te dichotomiseren (ja-neen, 1-0)?

14 l Gebaseerd op distributie (statistiek) ? DIAGNOSE

15 l Gebaseerd op distributie (statistiek) ?

16 DIAGNOSE l Gebaseerd op distributie (statistiek) ?

17 l Bepaling van de aanwezigheid van de aandoening è onzeker è Wat is de gebruikelijke praktijk ? Hoe te dichotomiseren (ja-neen, 1-0)? DIAGNOSE

18 l Bepaling van de aanwezigheid van de aandoening è onzeker è Klinische Epidemiologie ! Hoe te dichotomiseren (ja-neen, 1-0)? DIAGNOSE

19 Voorbeeld: Kan de cytometrische bepaling van morphonucleaire karakteristieken en DNA inhoud helpen bij de diagnose van weke deel sarcoma? Bvb. Hoe zit het met de graad van hyperploidie? Traditionele vraag: Waar zou ik een afkappunt moeten plaatsen teneinde een goed diagnostisch instrument te ontwikkelen? Erboven is waarschijnlijk sarcoma Eronder is waarschijnlijk geen sarcoma DIAGNOSE

20 Voorbeeld: diagnose van glaucoom gebaseerd o intra-oculaire druk

21 DIAGNOSE

22 Afkappunt: goede sensitiviteit slechte specificiteit Afkappunt: slechte sensitiviteit goede specificiteit DIAGNOSE

23 aanwezig a c a + c pos TEST neg totaal afwezig b d b + d totaal a + b c + d a + b + c + d Aandoening DIAGNOSE

24 positief pos druk >23 mm Hg neg totaal negatief totaal glaucoom VOORBEELD: Waarde van intra-oculaire druk > 23 mm Hg als test voor de aanwezigheid van glaucoom

25 DIAGNOSE Voorbeeld: glaucoom Afkappunt: ROC-curve sensitiviteit 1-specificiteit

26 DIAGNOSE l ROC- curve: receiver-operator characteristic curve ideaal afkappunt ? beste afkappunt ?

27 DIAGNOSE l ROC- curve: –Hyperploidie en sarcoma

28 DIAGNOSE Voorbeeld: In een gynecologische kliniek: patienten met symptomen In deze setting: 5% prevalentie Test: sensitiviteit: 90% specificiteit: 97% PW(+) : 45/73= 62% PW(-) : 922/927= 99.5% aanwezig pos test neg totaal afwezig totaal cervix kanker

29 DIAGNOSE Bij pil-gebruiksters in een algemene praktijk (case finding): patienten zonder symptomen In deze setting: 0.5% prevalence Test: sensitiviteit: 90% specificiteit: 97% PW(+) : 4/34= 12% PW(-) : 965/966= 99,9% aanwezig pos test neg totaal afwezig totaal cervix kanker

30 DIAGNOSE In de tweede setting: 88% ‘onnodige’ diagnostische op punt stellingen Predictieve waarde van pos. test is uitermate belangrijk voor de practicus Invloed op het bespreken met de patient Aangezien de predictieve waarde ook afhangt van de prevalentie van de aandoening, hoe gaan we hiermee om? Theorema van Bayes

31 Likelihood Ratios aannemelijkheids quotiënten DIAGNOSE aanwezig a c a + c pos TEST neg totaal afwezig b d b + d totaal a + b c + d a + b + c + d Aandoening

32 Anders gezegd: ‘posterior odds’ = LR(+) x ‘prior odds’ DIAGNOSE Likelihood Ratios

33 DIAGNOSE Prevaletice en predictieve waarden bij constante sensitiviteit en specificiteit

34 Theorema van BAYES Bewijs: DIAGNOSE

35 Toepasbaar ? Sensitiviteit: een natuurconstante ? Theorema van BAYES

36 DIAGNOSE Toepasbaar ? Sensitiviteit: een natuurconstante ? Theorema van BAYES

37 DIAGNOSE Toepasbaar ? Sensitiviteit: een natuurconstante ? Theorema van BAYES

38 DIAGNOSE Toepasbaar ? Sensitiviteit: een natuurconstante ? Theorema van BAYES

39 DIAGNOSE Toepasbaar ? Sensitiviteit: een natuurconstante ? Sensitiviteit van mammografie hangt ook af van: leeftijd vrouw stadium van de aandoening (onbekend)... Theorema van BAYES

40 DIAGNOSE Toepasbaar ? Sensitiviteit: een natuurconstante ? Prevalentie: beschikbaar? Welke prevalentie? Bvb. Retrosternale pijn als indicator voor MI Prevalentie specifiek voor Geslacht BMI (huidge en verleden) Rookgedrag (huidig en verleden) Lichaamsactiviteit (huidige en verleden) Theorema van BAYES

41 DIAGNOSE Toepasbaar ? Sensitiviteit: een natuurconstante ? Prevalentie: beschikbaar ? Welke prevalentie ? Dichotomie ? RECAP: PW(+) intra-oculaire druk (iop) (84%) Hoeveel van de 100 patiënten met iop >23mm HG hebben glaucoom ? Theorema van BAYES

42 DIAGNOSE Toepasbaar ? Sensitiviteit: een natuurconstante ? Prevalentie: beschikbaar ? Welke prevalentie ? Dichotomie ? RECAP: PW(+) intra-oculaire druk (iop) (84%) Hoeveel van de 100 patiënten met iop >23mm HG hebben glaucoom ? Hoeveel van de 100 patiënten met iop = 25 mm Hg hebben glaucoom ? Theorema van BAYES

43 DIAGNOSE

44 Toepasbaar ? Sensitiviteit: een natuurconstante ? Prevalentie: beschikbaar ? Welke prevalentie ? Dichotomie ? Alternatieven ? íPrevalentie als een functie van... Theorema van BAYES

45 DIAGNOSE Validiteit koorts ? Predictieve waarde ? Predictieve waarde geschat a.h.v. theorema van Bayes, d.w.z. gebruik makend van sensitiviteit en specificiteit berekend bij inspectie - en van de prevalentie bij inspectie + ? Voorbeeld: diagnose van streptococcen keelontsteking gebaseerd op klinische bevindingen

46 DIAGNOSE Prevalentie als een functie van diagnostische karakteristieke (profiel) ? Voorbeeld: diagnose van streptococcen keelontsteking gebaseerd op klinische bevindingen

47 DIAGNOSE Prevalentie als een functie van het diagnostisch profiel Prev= (koorts) (inspectie) multiple linear regression Voorbeeld: diagnose van streptococcen keelontsteking gebaseerd op klinische bevindingen

48 DIAGNOSE Voorbeeld: glaucoom Prevalentie: Functie van intra-oculaire druk

49 DIAGNOSE Voorbeeld: glaucoma

50 DIAGNOSE Voorbeeld: glaucoom Lineaire regressie ?

51 DIAGNOSE Voorbeeld: glaucoom

52 DIAGNOSE l Prevalentie functies, multipele regressie l Vorm, model van een prevalentie functie: –lineair ? –logistisch !

53 DIAGNOSE Beste keuze voor het modelleren van een probabiliteit Probabiliteit is de gemidelde waarde van een dichotomoom kenmerk in een populatie (= individueel risiko) Z = index van de combinatie van diagnostische indicatoren (diagnostisch profiel) l Logistisch model: burden

54 DIAGNOSE Voorspellig van de kans op glaucoom gebaseerd op intra- oculaire druk : Y = f(X 1 ), Y is de prevalentie van glaucoom en X is de intra-oculaire druk (in mm Hg) Vervanging van X door de gemeten waarde van intra- oculaire druk geeft de probabiliteit voor de aanwezigheid van glaucoom gegeven die waarde van intra-oculaire druk

55 DIAGNOSE Y = f(X 1 ), Y is de prevalentie van glaucoom en X is het test resultaat Vervanging van X door 1 geeft PV+ positief pos druk >23 mm Hg neg totaal negatief totaal glaucoom

56 DIAGNOSE LOGISTISCHE REGRESSIE: Logistische functie:

57 DIAGNOSE LOGISTISCHE REGRESSIE: Teneinde het logistisch model te bekomen : l Het logistisch model: Vervangen we deze lineaire term in de logistische functie:

58 DIAGNOSE LOGISTISCHE REGRESSIE: Korter: l Definitie van het logistische model: Onbekende parameters

59 DIAGNOSE Voorbeeld: Kan de cytometrische bepaling van morphonucleaire karakteristieken en DNA inhoud helpen bij de diagnose van weke deel sarcoma? Bvb. Hoe zit het met de graad van hyperploidie ? Voorspelt die sarcoma? Schat de functionele relatie tussen graad van hyperploidy en de prevalentie van sarcoma

60 DIAGNOSE LOGISTISCHE REGRESSIE: ‘FIT’: gebaseerd op de beschikbare data, worden de onbekende parameters geschat door het statistisch programma. logistisch model:

61 DIAGNOSE LOGISTISCHE REGRESSIE: SPSS-output

62 DIAGNOSE LOGISTISCHE REGRESSIE: SPSS-output

63 DIAGNOSE LOGISTISCHE REGRESSIE: l Study design –CAVE: Representatief (relevant) sample : correcte schatting van alpha

64 DIAGNOSE LOGISTISCHE REGRESSIE: l Discussie –Shift van de klemtoon op een probabiliteit op populatie niveau naar een probabiliteit op het individuele niveau –Aanvaardbaarheid (voor de practicus) ?


Download ppt "L Typisch probleem: »Is het juist te stellen dat 7.331 groter is dan 0.560 ? DIAGNOSE."

Verwante presentaties


Ads door Google