Hoe denkt de arts? 1 Dr. Peter Moorman Medische Informatica ErasmusMC Mulrow CD, Cook DJ, Davidoff F. Systematic reviews: Critical links in the great chain of evidence. Annals of Internal Medicine, 1997. 126:389-391 Huishoudelijke mededelingen Blackboard Selectie college slides Allerhand achtergrond materiaal Zelfstudie Opdracht Omgaan met onzekerheden Vragen / opmerkingen: graag! Indeling Introductie Gegevens, informatie en kennis Kennis toepassen, en beslissen Onzekerheid, extrapolatie, en fouten Conclusie Tussendoor: stellingen Wat doet een arts? Introductie is geen absolute, objectief aantoonbare waarheid. Vaststellen diagnose en therapie is onzekerheid. Wat doet de arts, en welke beslissingen neemt de arts? De arts probeert vanuit bevindingen een diagnose te stellen om van daaruit de prognose van de patiënt te kunnen beïnvloeden / voorspellen / verbeteren 1
Diagnose De diagnose is datgene wat de arts denkt dat de patiënt heeft, niet datgene wat de patiënt daadwerkelijk heeft. Bv blinde darm ontsteking Geen harde objectieve waarheid Slechts indirect waarneembaar verschijnselen Geen diabetes stofje, leukemie stofje Wat heeft de patiënt? Biologische variatie: Normaal waardes Ontstekingen? Angina Tonsillaris door Streptococcus Viridans Kanker? Ontstaanswijze Ontdekt?? Gezondheids definitie! WorldHealthOrganisation- Health definition: Complete physical, psychological, and social wellbeing 2
Te hard rijden als ziekte Geneeskunde: Bepaling grenswaarde Hoe hard rijdt iedereen? Bekeuring voor 2.5% hardrijders en 2.5% langzaamrijders Of met veel variabelen Stelling 1. s zijn geen absolute, objectief aantoonbare waarheden. Geschiedenis Hippocrates (500 voor Christus) : Reason based upon observation Disbalans van de 4 lichaams vloeistoffen (bloed, lymfe, en gele en zwarte gal) Sydenham (17 e eeuw) : Determinisme, classificeren als entiteit http://www.homeoint.org/morrell/articles/sydenham.htm Pathofysiologische processen Zenuw prikkeling Bacterie Kapotte cel Stoffen vrij Ontstekings reaktie (Indirecte) Waarnemingen BEELDEN Longontsteking Plek op thorax Rö foto Hoesten Pijn Koorts Bezinking Plek op thorax Rö foto Hoesten Pijn Koorts Bezinking Zenuw prikkeling Zenuw prikkeling Bacterie Kapotte cel Stoffen vrij Ontstekings reaktie Bacterie Kapotte cel Stoffen vrij Ontstekings reaktie 3
BEELDEN Plek op thorax Rö foto Longontsteking Hoesten Longkanker Pijn Koorts Zenuw prikkeling Bezinking NAAM van iets (een aandoening ) Toekenning geschiedt op basis van de aan of afwezigheid van één of meerdere definiërende kenmerken. Veelheid aan definiërende kenmerken Soms: definiërende kenmerk = naam van de ziekte Bacterie Kapotte cel Stoffen vrij Ontstekings reaktie Diagnose Uitgangspunt van handelen en denken [zie Grundmeijer] Sleutel tot medische kennis Basis voor handelen Uitspraak prognose mogelijk Uitgangspunt communicatie Toegang gezondheidszorg / erkenning Basis wetenschappelijk onderzoek Voorbeelden werkhypothese (opnamediagnose acuut infarct) differentiaaldiagnose (lijst van waarschijnlijke diagnoses) waarschijnlijkheidsdiagnose (werkhypothese met de hoogste waarschijnlijkheid) - / syndroom- / symptoom- diagnose Diagnose Waarschijnlijk Onzeker Gebaseerd op de waarnemingen pathofysiologische processen: obductie (wil je wel altijd de diagnose weten?) Diagnostisch proces Stellen diagnose: weten dat de beslissing om te handelen alsof de patiënt de ziekte heeft, niet zal veranderen door meer informatie Uitsluiten diagnose: weten dat de beslissing om te handelen alsof de patiënt de ziekte NIET heeft, niet zal veranderen door meer informatie. Stelling 2 Zelfs bij het stellen van een diagnose en instellen van therapie is er onzekerheid 4
Wat doet de arts? Kennis nodig Wat doet de arts? Anamnese en lichamelijk onderzoek. Opstellen probleem en DD. Aanvullend onderzoek Instellen behandelplan Welke vraag beantwoordt de arts? Wat is er aan de hand? Gegeven de symptomen, welke ziektebeelden zijn hoog waarschijnlijk of laag waarschijnlijk, maar met grootte consequentie Hoe kan ik de waarschijnlijkheid van de diagnoses in de DD vergroten of verkleinen Welke therapie? Voor elke stap kennis nodig. Essentiele stap is diagnose stellen: Vergelijken bevindingen bij patiënt met kennis Wat zijn bevindingen / wat is kennis? Hoe???? Geneeskunde is gebaseerd op gegevens Gegevens, informatie en kennis Gegevens en kennis zijn nodig voor stellen diagnose. Gegevens waarmee we werken in de geneeskunde, zijn onzeker. De kennis die de arts gebruikt is slechts een klein gedeelte van de kennis die de arts zou kunnen gebruiken. interpretatie gegevens informatie kennis aggregatie Gegevens Stelling 3 De gegevens, waarmee we in de geneeskunde werken, zijn onzeker Kwantitatief (maat en getal) Discreet (slagen per minuut) Continu (temp, bloeddruk) Kwalitatief (of- en in welke vorm aanwezig) Hoesten +/- geen / lichte / matige / ernstige moeheidsklachten 5
Waarom zijn gegevens onzeker? Meetfouten: de uitkomst komt niet overeen met de werkelijke waarde door meet instrument en/of waarnemer systematische en toevallige meetfouten Meetfouten Systematische meetfout Steeds ongeveer het zelfde Hoe kleiner hoe accurater Toevallige meetfout Steeds anders Hoe kleiner hoe preciezer herhalingsnauwkeurigheid (reproduceerbaarheid) Dus: Geneeskunde gebaseerd op gegevens Gegevens (alle!) zijn onzeker Gegevens moeten geïnterpreteerd worden Stelling 4 De kennis die de arts gebruikt is slechts een klein gedeelte van de kennis die de arts zou kunnen gebruiken. Kennis Geneeskundige beslissingen op basis van kennis Een arts gebruikt ongeveer 2.000.000 stukjes kennis/informatie Kennis is georganiseerd Ervaren arts: scripts van patiënt prototypes Onervaren arts: hypothetico-deductieve aanpak Vragen per 3 patienten: 2 vragen Meeste mbt geneesmiddelen Antwoord zoeken: 12-36% Geneesmiddel dosis 85% Als gezocht: antwoord in 80% Wyatt JC. Clinical questions and information needs. J R Soc Med 2000;93: 168-71 6
Kennis Veel Moeilijk up tot date te blijven Moeilijk te vinden Kennis toepassen, en beslissingen nemen Hoe weet je of een ziektebeeld waarschijnlijk is? de differentiaal diagnose Hoe wordt een ziektebeeld meer of minder waarschijnlijk? aanvullend onderzoek Hoe weet je hoe een ziektebeeld behandeld moet worden? therapie 38 Wat doet de arts? Hoe wordt kennis toegepast? Wat doet de arts? Anamnese en lichamelijk onderzoek. Opstellen probleem en DD. Aanvullend onderzoek Instellen behandelplan Welke vraag beantwoordt de arts? Wat is er aan de hand? Gegeven de symptomen, welke ziektebeelden zijn hoog waarschijnlijk of laag waarschijnlijk, maar met grootte consequentie Hoe kan ik de waarschijnlijkheid van de diagnoses in de DD vergroten of verkleinen Welke therapie? Wat doet de arts? verzamelen van gegevens Speciële anamnese Tractus anamnese Lichamelijk onderzoek differentiaal diagnose 40 Wat is differentiaal diagnose? Geen standaard Mogelijkheden: Possibilistic Probabilistic Prognostic Pragmatic Richardson WS et al. Users' guides to the medical literature: XV. How to use an article about disease probability for differential diagnosis. Evidence-Based Medicine Working Group. JAMA 1999;281:1214-9. 41 Hoe kennis toe te passen op de patiënt? Vuistregels (heuristiek), bv een veel voorkomend ziektebeeld is waarschijnlijker dan een zeldzame 1 ziektebeeld dat een (groot) deel van de verschijnselen verklaard is waarschijnlijker dan 2 ziektebeelden die ieder een deel verklaren Behandel de patiënt, niet de getallen Primam non nocere wetenschappelijk basis? McDonald CJ. Medical heuristics: the silent adjudicators of clinical practice. Ann Intern Med. 1996;124:56-62. 42 7
Regel van Bayes Formelere wijze Bepalen hoe groot de kans op een ziekte is gegeven een bepaald symptoom. 1. Hoe vaak komt de ziekte voor? Voorafkans Prevalentie 43 44 2. Hoe vaak komt het symptoom bij de ziekte voor? Niet iedereen die de ziekte heeft, heeft ook het symptoom 3. Symptoom bij mensen die de ziekte NIET hebben? Er zijn ook mensen die wel het symptoom hebben, maar niet de ziekte 45 46 Wat is, gegeven een rood rondje, de kans op blauw hokje? 8/24=1/3 Wat als de ziekte 2 keer vaker voorkomt (of de voorafkans 2 keer groter is?) 16/32=0,5 48 8
Zijvraag 1: Hoe vaak komt het symptoom voor in de bevolking? Zijvraag 2: Hoeveel mensen hebben ziekte EN symptoom? Bij mensen MET de ziekte PLUS Bij mensen zonder de ziekte 49 50 Theorema van Bayes P(ziekte met symptoom) P(Z)* P(S Z) P(Z S)= --------------- (P(Z)*P(S Z)) + (P(nZ)*P(S nz)) Casus 20 jarige vrouw bij huisarts voornaamste klacht moeheid sinds 3 weken [Hb bepalen -> blijkt leukemie te zijn] P(symptoom) Wat is nu de kans dat het bij deze pt leukemie is bij de klacht moeheid? 51 52 1. Hoe vaak komt de ziekte voor? Prevalentie [Incidentie] P(Z) De kans op ziekte Z P=probilitas=kans P(leukemie in huisartspraktijk)=1:10.000 2. Hoe vaak komt het symptoom bij de ziekte voor? Niet iedereen die de ziekte heeft, heeft ook het symptoom (Sensitiviteit) P(S Z) Kans op symptoom S gegeven ziekte Z P(beginnen met moeheid leukemie)=0.6 53 54 9
3. Symptoom bij mensen die de ziekte NIET hebben? P(S nz) Kans op het symptoom gegeven NIET de ziekte nz= niet ziek of andere ziekte (nz= Z=Z=!Z) P(S nz) = 1:30 moeheid bij huisarts terwijl ze geen leukemie hebben Kans op leukemie bij moeheid Voorafkans: 1/10.000 Kans symptoom gegeven ziekte: 6/10 Kans symptoom maar niet de ziekte: 1/30 Kans is 2/1000 55 Kans op NIET de ziekte P(nZ)* P(S nz) P(nZ S)= --------------- P(Z)*P(S Z)+P(nZ)*P(S nz) Differentiaal diagnose moeheid bij huisarts Geen leukemie Wat dan wel? (veel mogelijkheden) 57 58 Differentiaal diagnose moeheid bij huisarts (volgens richtlijn) Werkhypothese (Zelf-limiterende) moeheid Actieve alternatieven (pas na 4 weken klachten) Anemie (bloedarmoede) (probabilistisch) Ontsteking (probabilistisch) Diabetes (suikerziekte) (pragm. + progn.) Schildklierziekte (pragm. + progn.) Andere hypotheses Kans op bloedarmoede bij moeheid Voorafkans: 16.3/1.000 Kans symptoom gegeven ziekte: 9/10 Kans symptoom maar niet de ziekte: 1/30 Kans is 31/100 59 10
Bayes in de praktijk Vaak onbekend: Prevalenties van ziektebeelden Prevalenties van eigen (sub)populatie Frequentie van symptoom bij ziekte Frequentie symptoom bij NIET de ziekte en/of symptoom in de (sub)populatie Kans op leukemie bij moeheid. bij de hematoloog Voorafkans: 1/100 Kans symptoom gegeven ziekte: 6/10 Kans symptoom maar niet de ziekte: 1/30 Kans is 15/100 61 Moe thuis : leukemie? Wat doet de arts? Voorafkans: 1/10.000 Kans symptoom gegeven ziekte: 6/10 Kans symptoom maar niet de ziekte: 4/30 Kans is 4/10.000 Wat doet de arts? Anamnese en lichamelijk onderzoek. Opstellen probleem en DD. Aanvullend onderzoek Instellen behandelplan Welke vraag beantwoordt de arts? Wat is er aan de hand? Gegeven de symptomen, welke ziektebeelden zijn hoog waarschijnlijk of laag waarschijnlijk, maar met grootte consequentie Hoe kan ik de waarschijnlijkheid van de diagnoses in de DD vergroten of verkleinen Welke therapie? Aanvullend Onderzoek Bewijs van de ziekte? Nee Normale uitslagen bij zieken Afwijkende uitslagen bij niet zieken Want vaak: hoger of lager dan normaal 66 11
Normaal als statistische definitie Lab als ondersteuning Vast percentage afwijkende uitslagen Schildklier afwijking: Gouden standaard: schilkier verwijderen en bekijken 67 68 Voorbeeld: schildklier Prevalentie schildklierziekte 4:1000 Aanwezig Afwezig Positief Negatief Totaal 40 9.960 Totaal 10.000 69 70 Maar: overlap ±4% Z-, T+ FP Aanwezig Afwezig Positief Negatief Totaal 40 398 9.562 9.960 Totaal 10.000 71 72 12
Maar: overlap ±15% Z+, T- FN Aanwezig Afwezig Positief Negatief Totaal 34 6 40 398 9.562 9.960 Totaal 10.000 73 74 Aanwezig Afwezig Positief Negatief Totaal 34 6 40 Terecht-positief 398 9.562 9.960 Fout-positief Fout-negatief Terecht-negatief Elke test fout-positieven en foutnegatieven Behalve als uitslag definierende kenmerk is Totaal 432 9.568 10.000 75 76 Indicators van test proportie terecht-positieven (34/40=0,85) hoe vaak is de test, bij ziekte, positief: sensitiviteit proportie terecht-negatieven (9562/9960=0,96) hoe vaak is de test, bij niet-ziekte, negatief: specificiteit 77 78 13
Maakt een positieve testuitslag bij een test met sensitiviteit van 100% de ziekte zeker? (nee!) Maakt een positieve testuitslag bij een test met sensitiviteit van 100% de ziekte zeker? (nee!) Positief Negatief Totaal Positief Negatief Totaal Aanwezig 100 0 100 Aanwezig 100 0 100 Afwezig Afwezig 4900 5000 9.900 Totaal 10.000 Totaal 5000 5000 10.000 Kans op ziekte bij positieve testuitslag =Bayes P(Z)=40/10.000=0.004 P(S Z)=34/40=0.85=sensitiviteit P(S nz)=398/9.960=0.04=1-specificiteit Voorafkans: 40/10.000 Kans symptoom gegeven ziekte: 85/100 Kans symptoom maar niet de ziekte: 4/100 Kans is 7.9/100 Bayes in Sensitiviteit en Specificiteit =Bayes Prev * Sens P(Z S)= ------------------------------------------ Prev * Sens + (1-Prev)*(1-Spec) P(Z)=40/10.000=0.004 P(S Z)=34/40=0.85=sensitiviteit P(S nz)=398/9.960=0.04=1-specificiteit P(Z S)=X?/Y? 14
Goede test? =Bayes =Bayes P(Z)=40/10.000=0.004 P(S Z)=34/40=0.85=sensitiviteit P(S nz)=398/9.960=0.04=1-specificiteit P(Z S)=34/432=0.0786 P(Z)=40/10.000=0.004 P(S Z)=34/40=0.85=sensitiviteit P(S!Z)=398/9.960=0.04=1-specificiteit Specificiteit=0.96 P(Z S)=34/432=0.078 LET op! Prevalentie was vooraf-kans voor hele bevolking In klinische praktijk ALLEEN onderzoek bij verdenking boven drempelwaarde Stel zelfde Sensitiviteit en Specificiteit maar nu voorafkans 0.1 (ipv 0.004) Kans bij positieve uitslag = 850/1210=70,2% Betekenis: Betekenis test-uitslag afhankelijk van vooraf-kans! Diagnostisch onderzoek alleen om vermoedens te bevestigen. Dus nooit zomaar aanvullend onderzoek» Zonder vooraf verdenking betekenisloze uitslagen» bij 12 testen 50% kans op positieve test» Betekenis alleen bekend bij hoge verdenking als een test doorgaans alleen verricht wordt bij mensen waarbij al een verdenking op een ziekte bestaat, en een positief resultaat doorgaans een zeer sterke indicator voor de ziekte is, dan wil dat nog niet zeggen dat een positief test-resultaat bij iemand zonder die vooraf-verdenking ook zo n sterke indicator is 15
Stelling 5 Het diagnostisch proces is een afweging van kansen Stelling 6 Fouten ten opzichte van de (uiteindelijke) werkelijkheid / waarheid zijn inherent aan de onzekerheid in de geneeskunde Wat doet de arts? Therapie Wat doet de arts? Anamnese en lichamelijk onderzoek. Opstellen probleem en DD. Aanvullend onderzoek Instellen behandelplan Welke vraag beantwoordt de arts? Wat is er aan de hand? Gegeven de symptomen, welke ziektebeelden zijn hoog waarschijnlijk of laag waarschijnlijk, maar met grootte consequentie Hoe kan ik de waarschijnlijkheid van de diagnoses in de DD vergroten of verkleinen Welke therapie? Hoe weten dat therapie werkt? Werkingsmechanisme? Aangrijpingspunten? Onderliggende pathologie tegengaan? Het werkt omdat wetenschappelijk bewezen is dat het werkt : onderzoek Bv randomized controlled trial (RCT) Randomized Controlled Trial Statistiek Is 60% meer dan 40%? 16
Therapie Kans dat werking op toeval berust <5% Dus niet zozeer HOE Toevalsbevinding Verschil met homeopathie + alternatieve geneeswijzen? Werking begrijpen Effectiviteit (nog?) niet bewezen op 5% nivo Therapie Bewezen effectiviteit niet de enige voorwaarde voor acceptatie Complex, therapie moet bv wel begrepen worden Vaag Placebo Bidden Stelling 7 Van veel therapie weten we dat het werkt, en niet zozeer hoe het werkt Harris WS, Gowda M, Kolb JW, Strychacz CP, et al. A randomized, controlled trial of the effects of remote, intercessory prayer on outcomes in patients admitted to the coronary care unit. Arch Intern Med 1999;159:2273-8. Welk middel? Meeste effect? Niet perse, want complex Bijwerkingen Patient belasting Kosten Wens patient Welk middel? Kennis (maar moeilijk) 1. Afweging goed werkend, en bekend, vertrouwd middel vs nieuw, beter, maar onbekend 2. Vergelijkbaar? (extrapoleerbaar?) 17
Extrapoleerbaarheid Onzekerheid, extrapolatie en fouten Kennis, gebaseerd op populaties, toepassen op individu: onzekerheid Medische fouten Op wetenschap gebaseerde geneeskunde Een voorbeeld: Hypertensie kans op hart en vaatziekten In verleden: bloeddruk leidt tot sterfte (Ann Int med, 1975 1143-52) (alleen mannen in studie!) Sindsdien: veel nieuwe, anders werkende middelen verlagen bloeddruk Maar ook mortaliteit???? (JAMA 1996 620-5 ) Essentieel dilemma Niet alles kan onderzocht worden (praktisch en theoretisch) Kennis (populatie)? Individu Zelfs als deel populatie: uitzondering? Inschattingen en voorspellingen Patient presenteert zich niet zoals het ziektebeeld zich presenteert uitslag - < > waarde - Middel werkt meestal bij ziektebeeld < > werkend bij patient met ziektebeeld 5 jaars overleving 98%, patient kan in 2% zitten Medische fouten Stelling 8 Onzekerheid in de geneeskunde komt ook voort uit het feit dat populatiegebaseerde kennis toegepast moet worden op het individu To Err Is Human: Building a Safer Health System Linda T. Kohn, Janet M. Corrigan, and Molla S. Donaldson, Editors Committee on Quality of Health Care in America, Institute of Medicine http://www.nap.edu/books/0309068371/html/ 18
To Err Is Human Adverse events Letsel/schade veroorzaakt door medische management (handelen of juist niet handelen), en niet door de onderliggende conditie van de patient 3% van ziekenhuisopnames Niet noodzakelijkerwijs een fout : Operatie aan galblaas Normale hygienische maatregelen/ omstandigheden longontsteking Fout een actie wordt niet afgerond zoals de bedoeling was 10 ipv 1 mg voorschrijven Recept vergeten [Reason: slip, lapse] [error of execution] het gebruik van een verkeerd plan om het doel te bereiken Verkeerd geneesmiddel (kennis/informatie) [Reason: mistake] [error in planning] (Het verkeerde doel stellen!) Preventable Adverse Events Als AE door fout: voorkoombaar Groot deel PAE door nalatigheid Vergelijk: Voorschrijven antibiotica waarvoor pt allergisch blijkt Voorschrijven antibiotica waarvan je had kunnen weten dat pt daarvoor allergisch is 3% opnames AE 50% van AE zijn PAE In 10% van PAE dood (15:10.000) US: 44.000 doden Fouten (naast execution errors ) Meten Inzicht gegevens Interpretatie Kennis Toepassen kennis Merkwaardigheden Intraobserver variabiliteit Door: Interpretatie verschillen Interobserver variabiliteit Door: Interpretatie verschillen Andere kennis Andere interpretatie van kennis Merkwaardigheden [overuse, underuse and misuse] Bypass operaties: Oost US 2x West US Length of Stay: Oost US 1.5x > West US 40% diabeten jaarlijks oogonderzoek 21-43% betablokkers na hartinfarct Verkoudheid: 50% antibiotica Hysterectomie: 16% onnodig We weten eigenlijk nog weinig: meer aandacht, meer gegevens nodig 19
Medische kennis Vanoudsher via prof (of zijn boek) op student Sinds ± 25 jaar Wetenschappelijk bewijs Maar teveel kennis Evidence Based Medicine In praktijk Minder intuitie, klinische ervaring, pathophysiologische rationale, en expert kennis Meer wetenschappelijk bewijs Meta-analyses Guyatt GH, Haynes RB, Jaeschke RZ, et al. Users' Guides to the Medical Literature: XXV. Evidence-based medicine: principles for applying the Users' Guides to patient care. Evidence-Based Medicine Working Group. JAMA 2000;284(10):1290-6. Voetangels Populatie vs individu Feiten vs waarden Bewijs (feiten) kan niet dicteren wat er gedaan moet worden (waarden, en $$) Steroiden bij dreigende vroeggeboorte Tonelli MR. The philosophical limits of evidence-based medicine. Acad Med 1998;73:1234-40 Niet slechts kennis Is kennis geldig? Mag toepassen? Geneeskunde Kritische houding Wetenschappelijke denkwijze Conclusie Geneeskunde is werken en kunnen omgaan met onzekerheden. Nodig: Vaardigheden om (betrouwbare) gegevens te kunnen verkrijgen. Kennis feiten kennis, en inzicht Kennis kennis om kennis toe te kunnen passen, waaronder: Klinische blik (Ervaring) Kritische blik (Kritisch denken, wetenschappelijk inzicht en scepsis, interpretatiekunde) 20