Hoe denkt de arts? 2 Kennis toepassen, en beslissingen nemen Dr. Peter Moorman Medische Informatica ErasmusMC 1 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 2 Hoe wordt kennis toegepast? 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? verzamelen van gegevens Speciële anamnese Tractus anamnese Lichamelijk onderzoek differentiaal diagnose 3 4 7 Dimensies Gerichte Anamnese Lokalisatie Plaats Kwaliteit Aard Kwantiteit Sterkte (ernst) Factoren Factoren Context Omstandigheden Tijdsverloop Tijdsbeloop Begeleidende verschijnselenoverige klachten 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. 5 1
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. 7 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. 199;124:5-2. 8 Formelere wijze Casus Regel van Bayes Bepalen hoe groot de kans op een ziekte is gegeven een bepaald symptoom. 20 jarige vrouw bij huisarts voornaamste klacht moeheid sinds 3 weken Hb bepalen -> blijkt leukemie te zijn Welke factoren? Wat is nu de kans dat het bij deze pt leukemie is bij de klacht moeheid? 9 10 1. Hoe vaak komt de ziekte voor? Prevalentie Incidentie P(Z) De kans op ziekte Z P=probilitas=kans 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(leukemie in huisartspraktijk)=1: 11 12 2
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(Z S) als P(Z)*P(S Z) P(beginnen met moeheid leukemie)=0. 13 14 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 Hoe vaak komt het symptoom voor? Bij mensen MET de ziekte P(Z)*P(S Z) PLUS Bij mensen zonder de ziekte P(nZ)*P(S nz) 15 1 Theorema van Bayes De variabelen in Bayes P(ziekte met symptoom) P(Z)* P(S Z) P(Z S)= --------------- (P(Z)*P(S Z)) + (P(nZ)*P(S nz)) P(Z) * P(S Z) P(Z S)= ------------------------------------------ (P(Z)*P(S Z))+( (1-P(Z)) P(nZ) *P(S nz)) P(symptoom) 17 18 3
Moeheid en leukemie Kans op NIET de ziekte P(nZ)* P(S nz) P(nZ S)= --------------- P(Z)*P(S Z)+P(nZ)*P(S nz) 19 20 Differentiaal diagnose moeheid bij huisarts Geen leukemie Wat dan wel? (veel mogelijkheden) 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 21 22 Kans op bloedarmoede bij moeheid 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 23 24 4
Moe thuis Bayes: nonsens? Nee! WEL mee gewerkt Onbewust Niet getalsmatig Basiskennis arts: 1. prevalentie van ziekten 2. welke waarnemingen bij ziekten en hoe vaak 3. hoe specifiek is waarneming voor bepaald ziektebeeld 4. pathofysiologie 25 2 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? 27 28 Aanvullend Onderzoek Bloed, Rontgen, ECG, etc. Bewijs van de ziekte? Nee Normale uitslagen bij zieken Afwijkende uitslagen bij niet zieken Vaak: hoger of lager dan normaal Normaal als statistische definitie 29 30 5
Voorbeeld: schildklier Vast percentage afwijkende uitslagen Pas op als de uitslag het (enige) definierende kenmerk is van ziektebeeld (bijv aneamie)! (Grundmeijer: pathofysiologische ziektediagnose) Lab als ondersteuning 31 32 Prevalentie schildklierziekte 4:1000 Maar: overlap ±4% Z-, T+ FP 9.90 33 34 Maar: overlap ±15% Z+, T- FN 398 9.52 9.90 35 3
34 398 9.52 9.90 34 Terecht-positief 398 Fout-positief 432 Fout-negatief 9.52 Terecht-negatief 9.58 9.90 37 38 Indicators van test Elke test fout-positieven en foutnegatieven Behalve als uitslag definierende kenmerk Vergelijk: HIV-positief Aids of drager virus Hoge bloeddruk gemeten Hypertensie: 5 x meten en gemiddeld > bv 95 proportie terecht-positieven (34/=0,85) hoe goed kan test, bij ziekte, de ziekte opsporen: sensitiviteit proportie terecht-negatieven (952/990=0,9) hoe goed kan test, bij niet-ziekte, de ziekte uitsluiten: specificiteit 39 41 7