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

DIAGNOSE Typisch probleem: Is het juist te stellen dat 7.331 groter is dan 0.560 ? sarcoma (n=75) hyperploidie: minimum: 0.000 maximum: 57.917 gemiddelde: 7.331 mediaan: 1.759 variantie: 147.051 Std. Dev.: 12.126 Standard Error: 1.400 niet-sarcoma (n=24) 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

DIAGNOSE Typisch probleem:

DIAGNOSE 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 Typisch probleem:

DIAGNOSE

DIAGNOSE

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

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

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

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

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

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

DIAGNOSE Gebaseerd op distributie (statistiek) ?

DIAGNOSE Gebaseerd op distributie (statistiek) ?

DIAGNOSE Gebaseerd op distributie (statistiek) ?

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

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

DIAGNOSE Traditionele vraag: 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 Voorbeeld: diagnose van glaucoom gebaseerd o intra-oculaire druk

DIAGNOSE

DIAGNOSE Afkappunt: goede sensitiviteit slechte specificiteit slechte sensitiviteit goede specificiteit

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

DIAGNOSE VOORBEELD: Waarde van intra-oculaire druk > 23 mm Hg als test voor de aanwezigheid van glaucoom positief 104 2 106 pos druk >23 mm Hg neg totaal negatief 20 543 563 124 545 669 glaucoom

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

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

DIAGNOSE ROC- curve: Hyperploidie en sarcoma

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 45 5 50 pos test neg totaal afwezig 28 922 950 73 927 1000 cervix kanker

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 4 1 5 pos test neg totaal afwezig 30 965 995 34 966 1000 cervix kanker

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

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

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

DIAGNOSE Prevaletice en predictieve waarden bij constante sensitiviteit en specificiteit

DIAGNOSE Theorema van BAYES Bewijs:

DIAGNOSE Theorema van BAYES Toepasbaar ? Sensitiviteit: een natuurconstante ?

DIAGNOSE Theorema van BAYES Toepasbaar ? Sensitiviteit: een natuurconstante ?

DIAGNOSE Theorema van BAYES Toepasbaar ? Sensitiviteit: een natuurconstante ?

DIAGNOSE Theorema van BAYES Toepasbaar ? Sensitiviteit: een natuurconstante ?

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

DIAGNOSE Theorema van BAYES 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)

DIAGNOSE Theorema van BAYES 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 ?

DIAGNOSE Theorema van BAYES 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 ?

DIAGNOSE

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

DIAGNOSE Voorbeeld: diagnose van streptococcen keelontsteking gebaseerd op klinische bevindingen 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 + ?

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

DIAGNOSE multiple linear regression Voorbeeld: diagnose van streptococcen keelontsteking gebaseerd op klinische bevindingen Prevalentie als een functie van het diagnostisch profiel Prev= 0.04 + 0.25(koorts) + 0.41(inspectie) multiple linear regression

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

DIAGNOSE Voorbeeld: glaucoma

DIAGNOSE Voorbeeld: glaucoom Lineaire regressie ?

DIAGNOSE Voorbeeld: glaucoom

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

DIAGNOSE Logistisch model: 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) burden

DIAGNOSE Voorspellig van de kans op glaucoom gebaseerd op intra-oculaire druk : Y = f(X1), 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

DIAGNOSE positief 104 2 106 pos druk >23 mm Hg neg totaal negatief 20 543 563 124 545 669 glaucoom Y = f(X1), Y is de prevalentie van glaucoom en X is het test resultaat Vervanging van X door 1 geeft PV+

DIAGNOSE LOGISTISCHE REGRESSIE: Logistische functie:

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

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

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

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

DIAGNOSE LOGISTISCHE REGRESSIE: SPSS-output

DIAGNOSE LOGISTISCHE REGRESSIE: SPSS-output

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

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