º ÛË Î È ÔÌ ÙË I ÙÚÈÎ ÏËÚÔÊÔÚ

Transcript

1 º ÛË Î È ÔÌ ÙË I ÙÚÈÎ ÏËÚÔÊÔÚ ÎÔapplefi Ο κύριος σκοπός αυτού του κεφαλαίου είναι να αναδείξει: 1 º π την πολυπλοκότητα της ιατρικής πληροφορίας σε σχέση µε αυτή που συναντάται στις βασικές επιστήµες_ πώς η πολυπλοκότητα της ιατρικής πληροφορίας επηρεάζει τη λήψη ιατρικών αποφάσεων, οι οποίες είναι αποφάσεις µε υψηλό βαθµό αβεβαιότητας_ πώς η επιστηµονική ταξινόµηση και διαχείριση των ιατρικών δεδοµένων και γνώσεων µπορεί να ενσωµατωθεί στις ιατρικές διαδικασίες και να βελτιστοποιήσει τα αποτελέσµατά τους. ÚÔÛ ÔÎÒÌÂÓ appleôùâï ÛÌ Ù Όταν θα έχετε µελετήσει αυτό το κεφάλαιο, θα µπορείτε να αναφέρετε: Πώς έχει επιδράσει η ανάπτυξη της τεχνολογίας των υπολογιστών και της δικτύωσής τους στην ιατρική πράξη. Τουλάχιστον τρεις διαφορές της ιατρικής πληροφορίας από την πληροφορία στις βασικές επιστήµες. Γιατί απαιτείται η τυποποίηση της ιατρικής ορολογίας σήµερα. Τι διαφοροποιεί µια βάση δεδοµένων από µια βάση γνώσης. Πώς συνδέεται η συλλογή δεδοµένων, η διατύπωση υποθέσεων και η εξαγωγή συµπερασµάτων στην ιατρική διάγνωση. Τι σηµαίνουν οι όροι επιπολασµός µιας νόσου, προβλεπτική αξία, ευαισθησία και ειδικότητα και πώς συνδέονται µεταξύ τους. Τι είναι η υποθετικο συµπερασµατική µέθοδος. ŒÓÓÔÈ ÎÏÂÈ È ευρετική προσέγγιση ιατρική πληροφορία

2 14 KEºA AIO 1. ºÀ π ª I ƒπ ƒ º ƒπ τυποποιηµένο λεξικό ιατρικής (ICD 9) βάσεις ιατρικών δεδοµένων υποθετικο συµπερασµατική προσέγγιση διαφορική διάγνωση ευαισθησία ειδικότητα επιπολασµός προβλεπτική αξία ÈÛ ÁˆÁÈÎ apple Ú ÙËÚ ÛÂÈ H ραγδαία ανάπτυξη της τεχνολογίας των υπολογιστών και της δικτύωσής τους σε τοπικό αλλά και διεθνές επίπεδο έδωσε τη δυνατότητα άµεσης επικοινωνίας µεταξύ ιατρών. Την επικοινωνία ακολούθησε η αµοιβαιότητα στο µοίρασµα της πληροφορίας, και έτσι δηµιουργήθηκαν διεθνώς «κατανεµηµένες» βάσεις ιατρικών δεδοµένων. Οι εξελίξεις αυτές είχαν ως αποτέλεσµα να διατίθεται σήµερα στην ιατρική κοινότητα ένας τεράστιος όγκος πληροφοριών, στον οποίο η πρόσβαση είναι άµεση. Ο τεράστιος όγκος πληροφορίας και η αµεσότητα στην πρόσβασή της είναι αναγκαίες συνθήκες για την επίλυση σύνθετων ιατρικών προβληµάτων, δεν είναι όµως ικανές. Πράγµατι, όσο µεγαλύτερος είναι ο όγκος της διατιθέµενης πληροφορίας, τόσο πιο δύσκολη γίνεται η ανεύρεση µιας συγκεκριµένης πληροφορίας. Είναι σαφές ότι για να βρεθεί η συγκεκριµένη πληροφορία θα πρέπει να υπάρχει ο κατάλληλος αλγόριθ- µος διερεύνησης, µέσω του οποίου θα γίνει ο εντοπισµός της. Εκτός όµως από τη διάσταση που σχετίζεται µε την εντόπιση χρήσιµων ιατρικών πληροφοριών, υπάρχει και η διάσταση του συνδυασµού τους για τη λήψη µιας ιατρικής πληροφορίας που αφορά τη διάγνωση, την πρόγνωση ή τη θεραπεία. Η διαχείριση των ιατρικών πληροφοριών κάνει χρήση των Η/Υ, αλλά δεν µένει σ αυτούς, απαιτεί νέες µεθόδους κωδικοποίησης και ανάλυσης, που συνιστούν τη βάση της «Ιατρικής Πληροφορικής». Η Ιατρική Πληροφορική παρουσιάζει σοβαρές διαφορές σε σχέση µε τις εφαρµογές της Πληροφορικής στις βασικές επιστήµες. Τα φυσικά ή χηµικά φαινόµενα περιγράφονται µε νόµους που δίνονται συνήθως από αναλυτικές µαθηµατικές εκφράσεις (συναρτήσεις). Το ίδιο δεν ισχύει για τα ιατρικά φαινόµενα, που συνήθως αναφέρο-

3 π ø π ƒ ƒ π 15 νται σε παθολογικές λειτουργίες σύνθετων οργάνων για τις οποίες δεν υπάρχει ένας κοινός κώδικας (λέγεται ότι δεν υπάρχουν ασθένειες, υπάρχουν ασθενείς) και, επο- µένως, κάθε πρόβλεψη ή απόφαση γι αυτές απορρέει από σύνθετες λογικές διαδικασίες που δεν µπορούν να δοθούν µε συστηµατικό τρόπο. Συνήθως ο ιατρός, αντίθετα από το βασικό επιστήµονα, λαµβάνει αποφάσεις ακολουθώντας µια µη αναλυτική προσέγγιση, η οποία καλείται «ευρετική» (heuristic) και είναι αντικείµενο µελέτης µιας νέας επιστήµης, που ασχολείται µε την Τεχνητή Νοηµοσύνη (Artificial Intelligence). Κατά την ευρετική διαδικασία οι διάφορες πληροφορίες εξετάζονται «ολιστικά» και έχουν µια σύνθετη µεταξύ τους αλληλεπίδραση, η οποία καθορίζει την τελική απόφαση. Η ικανότητα των ιατρών στην άσκηση της ευρετικής προσέγγισης ποικίλλει και εξαρτάται µεν από την εµπειρία και την αρτιότητα της εκπαίδευσης, αλλά όχι µόνο από αυτά (συχνά λέµε ότι αυτός ο ιατρός έχει ιατρική διαίσθηση). Σχεδόν πάντα, η ιατρική απόφαση λαµβάνεται σε συνθήκες αβεβαιότητος (µεγάλης ή µικρής). Οι υπολογιστές και η Ιατρική Πληροφορική έρχονται να υποστηρίξουν τη λήψη ιατρικών αποφάσεων, πρώτον, µειώνοντας την αβεβαιότητα και την υποκει- µενικότητα και, δεύτερον, χρησιµοποιώντας µε πιο αποδοτικό τρόπο τα υπάρχοντα δεδοµένα. Οι εφαρµογές της Ιατρικής Πληροφορικής απαιτούν: Πλήθος µαθηµατικών εργαλείων ώστε να κωδικοποιηθούν όσο το δυνατόν περισσότερο υπάρχοντα δεδοµένα. Μεθόδους στατιστικής ανάλυσης, αφού όλες οι ιατρικές µετρήσεις και παρατηρήσεις υπόκεινται σε τυχαία σφάλµατα. ηµιουργική εφαρµογή της αναλυτικής θεωρίας των αποφάσεων. Ανάλυση των γνωστικών µηχανισµών και γνωστική ψυχολογία. Η ιατρική πληροφορία είναι ένας συνδυασµός σηµάτων, το καθένα από τα οποία συνοδεύεται από τυχαίο θόρυβο. Η πρώτη προσπάθεια της Πληροφορικής είναι η µείωση αυτού του θορύβου. Όταν πρόκειται για σήµατα που αντιστοιχούν σε εργαστηριακές µεταβλητές ή εικόνες που πρόκειται να υποστούν µια επεξεργασία µέσω υπολογιστών, εφαρµόζονται αλγοριθµικά φίλτρα, που βασιζόµενα στη γνώση του µετρητικού πρωτοκόλλου και της απόκρισης του µετρητικού συστήµατος στοχεύουν στο ξεκαθάρισµα του θορύβου από το σήµα. Θόρυβο έχουν όλα τα ιατρικά σήµατα, ακόµα και αυτά που προέρχονται από τη φυσική εξέταση, γιατί η περιγραφή, π.χ., ενός συµπτώµατος από τον ασθενή εξαρτάται από το µορφωτικό του επίπεδο, την ψυχική του κατάσταση, την ηλικία κτλ. Σ αυτή την περίπτωση το φιλτράρισµα γίνεται µε τη

4 16 KEºA AIO 1. ºÀ π ª I ƒπ ƒ º ƒπ χρήση εναλλακτικών ερωτήσεων (η διαµόρφωση των ερωτηµατολογίων είναι µέρος της Ιατρικής Πληροφορικής). Ο ιατρός στη λήψη µιας ιατρικής απόφασης (διάγνωση, πρόγνωση ή θεραπεία) λαµβάνει υπόψη κλινικές και εργαστηριακές µεταβλητές, οι οποίες υπόκεινται σε στατιστικά σφάλµατα και δεν δίνουν σε κάθε περίπτωση (η καθεµία ξεχωριστά) απόλυτη βεβαιότητα στις αποφάσεις του. Μερικές από τις προαναφερόµενες µεταβλητές έχουν µεγαλύτερη και άλλες µικρότερη προβλεπτική αξία, αλλά ο συνδυασµός τους είναι εκείνος που αυξάνει την πεποίθηση του ιατρού προς τη µία ή την άλλη απόφαση. Η συνδυαστική διαδικασία γίνεται συνήθως µε έναν τρόπο «ευρετικό» και ακωδικοποίητο (αυτό που καλούµε ιατρική εµπειρία). Η Ιατρική Πληροφορική δίνει τη δυνατότητα της στατιστικής ταξινόµησης προτύπων (φυσιολογικών ή παθολογικών καταστάσεων) και επιτρέπει τη χρησιµοποίηση εκτεταµένων βάσεων ιατρικών δεδοµένων. Έτσι, σε πρώτη φάση ενσωµατώνει τις δυνατότητες της «ευρετικής» υπό την µορφή των έµπειρων συστηµάτων (expert systems), που τρόπον τινά συγκεντρώνουν και ταξινοµούν την υπάρχουσα εµπειρία δίνοντας επιπλέον κανόνες (if then), που συνήθως ακολουθούνται σε συγκεκριµένες ιατρικές «ρουτίνες». Σήµερα, αναπτύσσονται νέες προσεγγίσεις στη διαχείριση των ιατρικών πληροφοριών, µε τη χρήση νευρωνικών δικτύων και δικτύων πεποίθησης κατά Bayes (Bayesian Belief Networks).

5 1.1 ºÀ I ƒπ ƒ º ƒπ º ÛË ÙË I ÙÚÈÎ ÏËÚÔÊÔÚ Η διαφορετικότητα της ιατρικής πληροφορίας σε σχέση µε τις πληροφορίες των βασικών θετικών επιστηµών είναι προϊόν πολλών αιτίων και έχει να κάνει, αφενός, µε τα αντικείµενα της ιατρικής και, αφετέρου, µε την τελείως διαφορετική δοµή των συσχετίσεών τους. Για να γίνουν πιο συγκεκριµένα τα παραπάνω, ας εξετάσουµε αυτές που θεωρούνται επιστήµες βασικού επιπέδου, οι οποίες έχουν δοµηθεί µε αυστηρό τρόπο, που αντανακλάται και στο µαθηµατικό φορµαλισµό που έχουν αναπτύξει. Στην ιεραρχική σχέση µεταξύ των επιστηµών η φυσική βρίσκεται στη βάση. Η φυσική χαρακτηρίζεται από ένα είδος απλότητας αλλά και γενίκευσης. Οι έννοιες και οι περιγραφές των αντικειµένων και των µηχανισµών της φυσικής χρησιµοποιούνται απαραίτητα σε όλες τις εφαρµοσµένες επιστήµες, συµπεριλαµβανοµένης και της ιατρικής. Οι φυσικοί νόµοι και οι περιγραφές ορισµένων φυσικών διαδικασιών είναι ουσιαστικοί παράγοντες στην ανάλυση και εξήγηση των ιατρικών λειτουργιών. Είναι, για παράδειγµα, απαραίτητο να γνωρίζουµε ορισµένες βασικές έννοιες της Μοριακής Φυσικής για να κατανοήσουµε γιατί το νερό είναι τόσο καλός διαλύτης ή πώς µεταβολίζονται τα θρεπτικά µόρια. Η εφαρµογή των υπολογιστών για τη λύση κάποιου προβλήµατος φυσικής µέσα στα ιατρικά πλαίσια δεν παρουσιάζει διαφορές σε σχέση µε τις υπολογιστικές εφαρµογές που συναντώνται στα εργαστήρια φυσικής και µηχανολογίας. Η χρήση των υπολογιστών στις διάφορες διαδικασίες βασικού επιπέδου (όπως είναι αυτές της φυσικής ή χηµείας) είναι παρόµοια και ανεξάρτητη της συγκεκριµένης εφαρµογής. Εάν εξετάζουµε τις διαλυτικές ιδιότητες του νερού, δεν έχει σηµασία αν αυτές έχουν να κάνουν µε εφαρµογές στη γεωλογία, στη χηµεία ή στην ιατρική. Οι διαδικασίες βασικού επιπέδου της φυσικής είναι ιδιαίτερα προσιτές στη µαθηµατική κωδικοποίηση, έτσι η χρήση των υπολογιστών σε αυτές τις εφαρµογές απαιτεί µόνο συµβατικό αριθ- µητικό προγραµµατισµό. Στην ιατρική, όµως, υπάρχουν και άλλες διαδικασίες υψηλής πολυπλοκότητας, οι οποίες αναφέρονται σε σύνθετα αντικείµενα, όπως οι οργανισµοί (φυσιολογικοί ή παθολογικοί). Όταν αναλύονται, περιγράφονται ή καταγράφονται ιδιότητες ή λειτουργίες ανθρώπων, χρησιµοποιούνται περιγραφές αντικειµένων πολύ υψηλής πολυπλοκότητας, η συµπεριφορά των οποίων δεν έχει αντίστοιχο στο χώρο της φυσικής ή της µηχανολογίας. Αυτές οι περιγραφές είναι πολύ δύσκολο να κωδικοποιηθούν χρησιµοποιώντας µαθηµατικούς αλγόριθµους και λογισµικά πακέτα, τα οποία εφαρ- µόζονται τόσο καλά στα βασικά επίπεδα.

6 18 KEºA AIO 1. ºÀ π ª I ƒπ ƒ º ƒπ Από τα προηγούµενα συνάγεται ότι η Ιατρική Πληροφορική περιέχει εφαρ- µογές που κινούνται µεταξύ της ανάλυσης µηχανισµών χαµηλού επιπέδου και της επεξεργασίας εξαιρετικά σύνθετων φαινοµένων. Όταν µελετώνται ολιστικά ανθρώπινοι οργανισµοί (συµπεριλαµβανοµένων των στοιχείων της αντίληψης, της αυτοσυνείδησης και της συµπεριφοράς), αναδεικνύονται πολλά και σύνθετα προβλήµατα, για τα οποία η συµβατική λογική και τα συµβατικά µαθηµατικά είναι δύσκολο να εφαρµοστούν. Γενικά, τα χαρακτηριστικά των αντικει- µένων βασικού επιπέδου είναι καθαρά ορισµένα και σαφώς διακριτά, ενώ εκείνα των αντικειµένων υψηλού επιπέδου είναι ασαφώς ορισµένα και όχι µε ακρίβεια διακριτά. Ú ÂÈÁÌ Όταν ένας φυσικός θέλει να προσδιορίσει το διάστηµα που έχει διανύσει ένα όχηµα κινούµενο µε σταθερή ταχύτητα, θα χρησιµοποιήσει τη σχέση που υπάρχει µεταξύ του µήκους, του χρόνου και της σταθερής ταχύτητας, που είναι σαφώς καθορισµένα αντικείµενα. Αντίθετα, ένας ιατρός που θέλει να διαγνώσει την πάθηση κάποιου ασθενούς, έχει να κάνει µε αντικείµενα όπως δυνατός πόνος, περιορισµένη κινητικότητα, µέτρια ωχρότητα, παροδικές λιποθυµίες κτλ. Στην τυπική λογική, ξεκινά κανείς µε την παραδοχή ότι µια δεδοµένη πρόταση πρέπει να είναι ή αληθής ή ψευδής. Αυτό το ουσιαστικότατο χαρακτηριστικό της τυπικής λογικής είναι δύσκολο να διατηρηθεί στην ανάλυση αντικειµένων υψηλής πολυπλοκότητας, όπου η απάντηση στα διάφορα ερωτήµατα δεν δίνεται µε απόλυτη βεβαιότητα, αλλά είναι µια απάντηση που δίνεται µε µια πιθανότητα σφάλµατος ÔÌ ÙˆÓ È ÙÚÈÎÒÓ Â ÔÌ ÓˆÓ Είναι γνωστό ότι η θεµελίωση µιας επιστήµης απαιτεί αυστηρότητα ορισµών, ώστε να µην υπάρχει σύγχυση εννοιών, και κατόπιν τη δόµηση θεωρηµάτων και την ανάπτυξη µιας συµβολογίας που να έχει συνέπεια και να µην αφήνει περιθώρια ασάφειας. Από την άλλη πλευρά, η ιατρική είναι γνωστή για την έλλειψη ενός τυποποιηµένου λεξικού και τυποποιηµένης ορολογίας. Είναι αρκετοί αυτοί που πιστεύουν ότι η πραγµατική επιστηµονική θεµελίωση της ιατρικής είναι αδύνατη εάν δεν λυθεί αυτό το µείζον πρόβληµα. Υπάρχουν, βέβαια, ορισµένοι οι οποίοι αναρωτιούνται αν είναι επιθυµητή µια τέτοια τυποποίηση για την ιατρική, και µάλιστα πιστεύουν ότι κάτι τέτοιο ίσως µειώσει τις δυνατότητες, µιας και τη θεωρούν περισσότερο «τέχνη» παρά επιστήµη.

7 1.1 ºÀ I ƒπ ƒ º ƒπ 19 Ú ÛÙËÚÈfiÙËÙ 1.1 Νοµίζετε ότι στις σηµερινές συνθήκες είναι απαραίτητο να αναπτυχθεί ένα τυποποιηµένο λεξικό της ιατρικής; Να τεκµηριώσετε την απάντησή σας και να τη συγκρίνετε µε αυτά που ακολουθούν. Η συζήτηση πάνω σε αυτό το θέµα έχει γίνει ιδιαίτερα πιο έντονη τελευταία, µε την εισαγωγή την υπολογιστών στη διαχείριση των ιατρικών δεδοµένων. Πράγµατι, γι αυτού του είδους τη διαχείριση είναι αναγκαία η οµοιοµορφία στην τυποποίηση των δεδοµένων και ορισµών. Είναι προφανές ότι χωρίς αυτή την τυποποίηση ενδεχο- µένως να υπάρχει διάσταση απόψεων µεταξύ του παρατηρητή ή του καταγραφέα µιας µεταβλητής και εκείνου που την αναλύει (για παράδειγµα: πόσο µεγάλη πρέπει να είναι η καρδιά ενός ατόµου για να θεωρηθεί ότι έχει «καρδιοµεγαλία»;). Η έλλειψη ακρίβειας και τυποποίησης δηµιουργεί ακόµα µεγαλύτερα προβλήµατα όταν πρέπει να αναλυθούν συνδυαστικά οι εµπειρίες και παρατηρήσεις πολλών ιατρών µαζί σχετικά µε την εξέλιξη µιας ασθένειας στον πληθυσµό ή την επίδραση κάποιου φαρµάκου στη θεραπεία. Γενικά, χωρίς µια προκαθορισµένη ορολογία είναι αδύνατον να γίνει µια αυτοµατοποιηµένη σύνθεση των δεδοµένων. Για παράδειγµα, ένας ιατρός µπορεί να σηµειώσει ότι ένας ασθενής έχει «βραχύτητα αναπνοής». Αργότερα, άλλος ιατρός µπορεί να καταγράψει για τον ίδιο ασθενή ότι έχει «δύσπνοια». Αν αυτοί οι δύο όροι δεν χαρακτηριστούν ως συνώνυµοι, τότε ένα αυτοµατοποιηµένο πρόγραµµα θα αποτύχει στο να υποδείξει ότι ο ασθενής έχει το ίδιο πρόβληµα στις δύο περιπτώσεις. Με δεδοµένη αυτή την έλλειψη, οι επιστήµονες στο χώρο της υγείας επικοινωνούν όσο καλύτερα µπορούν χρησιµοποιώντας εντονότατα το στοιχείο της «ευρετικής» αλληλεπίδρασης. Εκ των πραγµάτων, αποδεικνύεται ότι µόνο σε ελάχιστες περιπτώσεις µπορεί να τεθεί σε κίνδυνο η υγεία του ασθενούς λόγω επικοινωνιακών παρεξηγήσεων. Εάν, όµως, πρόκειται να χρησιµοποιηθούν ηλεκτρονικές βάσεις δεδοµένων για τη διαχείριση των ασθενών, τότε είναι, αφενός, απαραίτητη η κωδικοποίηση των πληροφοριών και, αφετέρου, ο σαφέστατος ορισµός των δεδοµένων ÛÙ Ì Ù Îˆ ÈÎÔappleÔ ËÛË Ένα µεγάλο µέρος των εφαρµογών στο χώρο της υγείας σχετίζονται µε επιδηµιολογικές µελέτες ή τις τάσεις ορισµένων ασθενειών στον πληθυσµό. Για παράδειγµα, οι

8 20 KEºA AIO 1. ºÀ π ª I ƒπ ƒ º ƒπ περιπτώσεις σύφιλης και φυµατίωσης πρέπει να αναφέρονται στις υγειονοµικές υπηρεσίες, οι οποίες τις ταξινοµούν, ώστε να είναι δυνατή η ανάλυση των τάσεών τους κατά τη διάρκεια του χρόνου. Σε ορισµένες περιπτώσεις αυτή η ανάλυση µπορεί να εντοπίσει επιδηµικές εστίες ή να δώσει τη δυνατότητα λήψης προληπτικών µέτρων. Ένα άλλο είδος κωδικοποιηµένων αναφορών σχετίζεται µε τις διαγνώσεις των νοσοκοµειακών ασθενών ή την καταχώριση των κλινικών πράξεων και εργαστηριακών εξετάσεων (στο εξής θα αναφέρονται και ως tests). Όλες αυτές οι κωδικοποιηµένες πληροφορίες µπορούν να χρησιµοποιηθούν για τον κρατικό υγειονοµικό προγραµ- µατισµό ή τον προγραµµατισµό µιας υγειονοµικής περιφέρειας ή ενός νοσοκοµείου. Είναι προφανές ότι σε όλες αυτές τις εφαρµογές ο κώδικας είναι απόλυτα οµοιόµορφος και καθορισµένος. Στις Ηνωµένες Πολιτείες δηµοσιεύεται και ισχύει ένας εθνικός κώδικας διαγνώσεων, ο ICD 9, στον οποίο είναι ταξινοµηµένες οι περισσότερες ασθένειες. Είναι κατανοητό ότι διαµέσου της µονοσήµαντης αντιστοίχισης κάθε ασθένειας µε έναν κωδικό αριθµό ικανοποιούνται οι συνθήκες δηµιουργίας ηλεκτρονικών βάσεων των ασθενειών. Με την ίδια λογική, άρχισαν να εισάγονται κωδικοί για τις κλινικές και εργαστηριακές πράξεις, όπως και για άλλες οντότητες του υγειονοµικού χώρου (π.χ. αριθµός µητρώου του ασθενούς). Η υλοποίηση τέτοιων διαδικασιών επιτρέπει τη δηµιουργία προτύπων µέσω των οποίων µπορεί να ελεγχθεί η ποιότητα των ιατρικών πράξεων του κάθε ιατρού ξεχωριστά ή συνολικά µιας ιατρικής µονάδας (κλινική ή εργαστήριο). Έτσι, µε τέτοια πρότυπα και χρησιµοποιώντας δείγµατα επαρκούς µεγέθους µπορεί να ελεγχθεί στατιστικά αν: η διάρκεια νοσηλείας για ένα συγκεκριµένο νόσηµα σε µια συγκεκριµένη κλινική ήταν πάνω ή κάτω από το κατά µέσο όρο (norma) προβλεπόµενο, ένας ιατρός παρήγγειλε, κατά µέσο όρο, περισσότερες από τις προβλεπόµενες εργαστηριακές εξετάσεις για τη διάγνωση ενός νοσήµατος. Παράδειγµα τέτοιων προτύπων είναι τα Diagnosis Related Groups (DRGs), που χρησιµοποιούνται ευρέως στις Ηνωµένες Πολιτείες. ÕÛÎËÛË A ÙÔ ÍÈÔÏfiÁËÛË 1.1 Μπορεί να θεωρηθεί ανεπαρκής ένας ιατρός ο οποίος ήταν υπεύθυνος για τη νοσηλεία δύο ασθενών, της οποίας η διάρκεια ήταν αρκετά µεγαλύτερη από αυτή που εκτιµούν τα DRGs; Εξηγήστε το γιατί της απάντησης.

9 1.1 ºÀ I ƒπ ƒ º ƒπ µ ÛË È ÙÚÈÎÒÓ ÁÓÒÛÂˆÓ Ένα κεντρικό ζήτηµα της Ιατρικής Πληροφορικής είναι η διαχείριση βάσης πληροφοριών. Τελευταία γίνεται προσπάθεια διάκρισης µεταξύ τριών όρων που χρησιµοποιούνται συχνά για την περιγραφή του περιεχοµένου των ιατρικών υπολογιστικών συστηµάτων (medical computer based systems): δεδοµένα, πληροφορία και γνώση. Σύµφωνα µε την κυρίαρχη άποψη, µια παρατήρηση ή µέτρηση που χαρακτηρίζει την τιµή µιας µεταβλητής ενός συγκεκριµένου αντικειµένου (για παράδειγµα, ενός ασθενούς) µια συγκεκριµένη χρονική στιγµή καλείται δεδοµένο (datum). Γνώση είναι το προϊόν της τυπικής ή άτυπης ανάλυσης (ή ερµηνείας) των δεδοµένων. Έτσι, συµπεριλαµβάνει τα αποτελέσµατα θεωρητικών µελετών και συµπεράσµατα κοινής λογικής, παραδοχές, ευρετικές διαδικασίες (κανόνες, στρατηγικές κτλ.), µοντέλα συνδυασµού δεδοµένων, όπως επίσης εµπειρίες ή προκαταλήψεις αυτών που ερµηνεύουν πρωτογενή δεδοµένα. Ο όρος πληροφορία είναι πιο γενικός, µε την έννοια ότι συνδυάζει και οργανωµένα δεδοµένα και γνώση. Η παρατήρηση ότι ένας ασθενής έχει αιµατική πίεση 190/120 είναι ένα δεδοµένο, όπως επίσης δεδοµένο είναι µια αναφορά ότι ο ασθενής είχε στο παρελθόν έµφραγ- µα µυοκαρδίου. Οι ερευνητές συλλέγουν και αναλύουν τέτοια δεδοµένα και µπορεί να καταλήξουν ότι είναι πιο πιθανό οι ασθενείς µε υψηλή πίεση να υποστούν καρδιακή προσβολή από ό,τι οι ασθενείς µε κανονική ή χαµηλή αιµατική πίεση. Μια τέτοιου είδους ανάλυση παράγει ένα κοµµάτι γνώσης, που µπορεί να αποτελέσει στοιχείο µιας µεγάλης βάσης γνώσης. Η πεποίθηση που έχει ένας ιατρός ότι µια γυναίκα στην εµµηνόπαυση υπερβάλλει (λόγω της ορµονικής της κατάστασης) όταν αναφέρεται σε κάποια κλινικά συµπτώµατα είναι ένα επιπρόσθετο κοµµάτι ευρετικής γνώσης. Πρέπει να σηµειωθεί ότι η ακριβής ερµηνεία αυτών των ορισµών εξαρτάται από τα συµφραζόµενα. Αυτό που είναι «γνώση» σε αφαιρετικό (υψηλό) επίπεδο, είναι δυνατόν να θεωρηθεί δεδοµένο σε ένα χαµηλότερο επίπεδο. Η παρατήρηση ότι η αιµατική πίεση είναι 190/120 αποτελεί ένα πρωτογενές δεδοµένο. Η δήλωση ότι ο ασθενής έχει υπέρταση είναι η ερµηνεία αυτού του δεδοµένου και, κατά συνέπεια, αντιπροσωπεύει γνώση. Από την άλλη πλευρά, η δήλωση παρουσίας ή απουσίας υπέρτασης, στα πλαίσια της λειτουργίας ενός συστήµατος υποστήριξης διαγνωστικών αποφάσεων, χρησιµοποιείται ως δεδοµένο. Η βάση δεδοµένων είναι µια συλλογή απλών παρατηρήσεων οι οποίες ταξινοµούνται µε ένα δοµηµένο τρόπο. Ένα αυτοµατοποιηµένο (ηλεκτρονικό) σύστηµα αρχειοθέτησης θεωρείται πρωτογενώς ως µια βάση δεδοµένων, δηλαδή ως το µέρος όπου αποθηκεύονται όλα τα στοιχεία των ασθενών. Η βάση γνώσης (Knowledge base),

10 22 KEºA AIO 1. ºÀ π ª I ƒπ ƒ º ƒπ από την άλλη πλευρά, είναι µια συλλογή εµπειριών ευρετικών διαδικασιών και συνδυαστικών µοντέλων που µπορούν να χρησιµοποιηθούν για επίλυση προβληµάτων. Εάν η βάση γνώσης είναι καλά δοµηµένη, διαθέτοντας σηµασιολογικούς δεσµούς µεταξύ των γνωστικών της στοιχείων, τότε είναι δυνατόν να ενταχθεί στις εφαρµογές ενός υπολογιστικού συστήµατος για την επίλυση προβληµάτων. Πολλά από τα συστήµατα υποστήριξης αποφάσεων καλούνται συστήµατα βάσης γνώσεων, έτσι ώστε να γίνεται διάκριση µεταξύ βάσεων γνώσης και βάσεων δεδοµένων. ÕÛÎËÛË A ÙÔ ÍÈÔÏfiÁËÛË 1.2 Να αναφέρετε τρεις τουλάχιστον διαφορές της ιατρικής πληροφορίας από την πληροφορία στις βασικές επιστήµες. 1.2 ÙÚ ÙËÁÈÎ ÂappleÈÏÔÁ ÙˆÓ È ÙÚÈÎÒÓ Â ÔÌ ÓˆÓ Όταν βρισκόµαστε µπροστά σ ένα ιατρικό πρόβληµα, είναι εξωπραγµατικό να πιστεύουµε, λόγω της πολυπλοκότητας αυτών των προβληµάτων, ότι µπορεί να έχου- µε στη διάθεσή µας το σύνολο των δεδοµένων του. Με την ίδια λογική, όλες οι βάσεις ιατρικών δεδοµένων είναι αναγκαστικά µη πλήρεις, γιατί αντανακλούν την επιλεκτική συλλογή και καταγραφή δεδοµένων από το προσωπικό που είναι υπεύθυνο για τον ασθενή. Είναι φυσικό στη συλλογή των δεδοµένων να προβάλλονται οι διαφορές στο στιλ και στην ικανότητα επίλυσης προβληµάτων, των ιατρών που συλλέγουν και καταγράφουν τα δεδοµένα των ασθενών. Παράδειγµα αυτού του φαινοµένου είναι η διαφορά που παρουσιάζει η λήψη ιστορικού φυσικής εξέτασης ενός νεο ειδικευόµενου και ενός ώριµου κλινικού ιατρού όταν εξετάζουν τον ίδιο ασθενή. Επειδή ο νεο ειδικευόµενος δεν έχει αναπτυγµένες τις ικανότητες της επιλεκτικότητας, συλλέγει πολλά στοιχεία, εκ των οποίων ορισµένα είναι άχρηστα και άλλα αποπροσανατολιστικά (θόρυβος). Ο όρος «επιλεκτικότητα» στη συλλογή και καταγραφή δεδοµένων εκφράζει διαδικασία που συνιστά το κεντρικό στοιχείο αυτού που αποκαλούµε «τέχνη της ιατρικής», δηλαδή το κύριο στοιχείο διαχωρισµού µεταξύ έµπειρων και όχι τόσο έµπειρων ιατρών. Μέχρι τώρα έχουν γίνει αρκετές προσπάθειες για την κατανόηση του πώς ένας καλός ιατρός βιώνει αυτή τη διαδικασία, έτσι ώστε να τυποποιηθεί, να εξηγηθεί και να διδαχθεί καλύτερα. Αυτό το ζήτηµα είναι από τα πιο σηµαντικά της έρευνας στην Ιατρική

11 1.2 ƒ π π ø π ƒπ ø ª ø 23 Πληροφορική. Βελτιωµένες οδηγίες για τη λήψη αποφάσεων, που προέρχονται από την έρευνα στην Ιατρική Πληροφορική, όχι µόνο εµπλουτίζουν την ιατρική διδασκαλία και πράξη, αλλά προσφέρουν καινούριες αντιλήψεις και υποδεικνύουν νέες µεθόδους για την ανάπτυξη υπολογιστικών συστηµάτων στήριξης ιατρικών αποφάσεων ÀappleÔıÂÙÈÎÔ Û ÌappleÂÚ ÛÌ ÙÈÎ appleúôû ÁÁÈÛË ÙˆÓ È ÙÚÈÎÒÓ appleúô ÏË- Ì ÙˆÓ Οι µελέτες που αφορούν τη λήψη ιατρικών αποφάσεων έχουν δείξει ότι οι στρατηγικές για τη συλλογή και την ερµηνεία των δεδοµένων ενσωµατώνονται σε µια επαναληπτική διαδικασία, γνωστή ως υποθετικο συµπερασµατική προσέγγιση. Η κύρια ιδέα είναι η, κατά φάσεις, σειριακή συλλογή δεδοµένων. Συγκεκριµένα, στην πρώτη φάση διατυπώνεται µια υπόθεση για την κατάσταση του ασθενούς και µε στόχο την επιβεβαίωση ή την απόρριψη αυτής της υπόθεσης συλλέγονται δεδοµένα. Η ερµηνεία των δεδοµένων επιτρέπει τη διατύπωση νέας υπόθεσης, η οποία µε τη σειρά της απαιτεί τη συλλογή νέων δεδοµένων κ.ο.κ. Αυτή η ακολουθία υποθέσεων και κατευθυνόµενης συλλογής στοιχείων είναι µια από τις πιο κατάλληλες διαδικασίες επιλογής δεδοµένων. Η διαδικασία είναι επαναλαµβανόµενη, έως ότου η πιθανότητα επαλήθευσης µιας υπόθεσης φτάσει ένα υψηλότατο επίπεδο ώστε να θεωρείται αποδεκτή (πιθανότητα κατωφλιού). Η υποθετικο συµπερασµατική προσέγγιση (hypothetico deductive approach) γίνεται σαφέστερη µέσω του διαγράµµατος του Σχήµατος 1.1. Όπως φαίνεται, η συλλογή των δεδοµένων αρχίζει µε την εµφάνιση του ασθενούς στον ιατρό µε κάποιο σύµπτωµα ή ενόχληση. Ο ιατρός συνήθως κάνει ορισµένες ερωτήσεις, που του επιτρέπουν να εστιάσει ταχύτατα τη φύση του προβλήµατος. Οι απαντήσεις σ αυτά τα αρχικά ερωτήµατα καταγράφονται και είναι συνήθως η ταυτότητα του ασθενούς, το κύριο σύµπτωµα, ο χρονικός προσδιορισµός των ενοχλήσεων (αρχή, διάρκεια κτλ.). ιάφορες µελέτες έχουν αποδείξει ότι µετά από έξι ή επτά ερωτήσεις ένας έµπειρος ιατρός έχει σχηµατίσει ένα σύνολο αρχικών υποθέσεων. Αυτές οι υποθέσεις αποτελούν τη βάση για την επιλογή των πρόσθετων ερωτήσεων. Από το Σχήµα 1.1 γίνεται φανερό ότι οι απαντήσεις στις πρόσθετες ερωτήσεις δίνουν τη δυνατότητα στον ιατρό να βελτιώσει τις υποθέσεις (θεωρίες) του γύρω από την πηγή των προβληµάτων του ασθενούς. Οι υποθέσεις αυτές αναφέρονται ως «διαφορικές διαγνώσεις του ασθενούς». Οι διαφορικές διαγνώσεις περιλαµβάνουν το σύνολο των πιθανών διαγνώσεων, µεταξύ των οποίων ο ιατρός πρέπει να διακρίνει τη σωστή, έτσι ώστε να χορηγήσει την κατάλληλη θεραπεία.

12 24 KEºA AIO 1. ºÀ π ª I ƒπ ƒ º ƒπ Ú ÛÙËÚÈfiÙËÙ 1.2 Πώς µπορεί να χαρακτηριστεί, κατά τη γνώµη σας, η διαδικασία επιλογής ερωτήσεων, µεθοδική ή ευρετική; Προσπαθήστε να τεκµηριώσετε την απάντηση σας µε ένα κείµενο 5 10 γραµµών πριν προχωρήσετε στη µελέτη. Πρέπει να σηµειωθεί ότι η διαδικασία επιλογής ερωτήσεων είναι εγγενώς ευρετική. Η διαδικασία έχει έντονο το προσωπικό στοιχείο, είναι αποδοτική, αλλά δεν εγγυάται τη συλλογή όλης της σχετικής πληροφορίας. Ο άνθρωπος είναι συνηθισµένος στη χρήση της ευρετικής προσέγγισης, µια και στις περισσότερες περιπτώσεις είναι αδύνατον να έχει το σύνολο της απαραίτητης πληροφορίας για την επίλυση των προβληµάτων. Aσθενής Eρωτήσεις Aρχικές υποθέσεις Ίαση Eπιπλέον ερωτήσεις Eξέταση ασθενούς Θάνατος Bελτίωση υποθέσεων Eργαστηριακά tests Παρατήρηση αποτελεσµάτων ιαγνωστικά tests Aκτινολογικά tests Ì 1.1 Θεραπεία Eπιλογή πιθανότερης διάγνωσης Στην ιατρική έχουν αναπτυχθεί µέτρα προστασίας για να αποφευχθεί η απώλεια σηµαντικών στοιχείων, που µπορεί να µην εντοπιστούν κατά τη συλλογή δεδοµένων µέσω της υποθετικο συµπερασµατικής προσέγγισης. Αυτά τα µέτρα εστιάζονται κυρίως σε τέσσερις γενικές κατηγορίες ερωτήσεων, που

13 1.2 ƒ π π ø π ƒπ ø ª ø 25 ακολουθούν την καταγραφή πληροφοριών σχετικά µε το βασικό σύµπτωµα, και είναι: προηγούµενο ιατρικό ιστορικό, οικογενειακό ιστορικό, κοινωνικό ιστορικό και µια συνοπτική εξέταση των συστηµάτων, κατά την οποία ο ιατρός διαπιστώνει πώς λειτουργούν τα κύρια όργανα του ασθενούς. Συµβαίνει, µερικές φορές, να ανακαλυφθούν τελείως διαφορετικά προβλήµατα, τα οποία να τροποποιήσουν σηµαντικά τη λίστα των αρχικών υποθέσεων ή να αλλάξουν τη θεραπευτική τακτική (για παράδειγµα, εάν ο ασθενής εµφανίζει αλλεργικές αντιδράσεις σε ορισµένα φάρµακα). Όταν συµπληρωθεί η φυσική εξέταση, συνήθως ο αριθµός των υποθέσεων περιορίζεται σε µεγάλο βαθµό. Παρ όλα αυτά, συχνά συνεχίζεται η προσθήκη στοιχείων, που απορρέουν από εργαστηριακές εξετάσεις (αίµατος, ούρων κλπ), ακτινολογικές εξετάσεις (ακτινογραφίες, σπινθηρογραφήµατα, υπολογιστικές τοµογραφίες, µαγνητικές τοµογραφίες, υπερηχογραφίες και άλλες απεικονίσεις) ή άλλες εξειδικευµένες εξετάσεις (ηλεκτρο καρδιογραφήµατα, ηλεκτρο εγκεφαλογράµµατα, µελέτες νευρικής αγωγής, προκλητά δυναµικά). Με τα αποτελέσµατα αυτών των εξετάσεων µπορεί να βελτιωθεί περαιτέρω η υποθετικο συµπερασµατική διαδικασία του θεράποντος ιατρού. Στο τέλος υπάρχει αρκετή σιγουριά για την πηγή των προβληµάτων του ασθενούς, ώστε να αρχίσει η συγκεκριµένη θεραπευτική αγωγή. Η απόκριση στην αγωγή είναι ένα επιπλέον στοιχείο για την επιβεβαίωση ή µη της διάγνωσης. Εάν ο ασθενής δεν αποκρίνεται στη θεραπεία, αυτό σηµαίνει ή ότι η νόσος είναι ανθεκτική ή ότι η αρχική διάγνωση δεν είναι σωστή. Ο ασθενής µπορεί να µείνει σε έναν κύκλο θεραπείας και παρατήρησης για ένα µεγάλο χρονικό διάστηµα. Εναλλακτικά, ο ασθενής µπορεί να αναρρώσει σύντοµα και να µη χρειάζεται περαιτέρω θεραπεία. Παρ όλο που το διάγραµµα του Σχήµατος 1.1 υπεραπλουστεύει την όλη διαδικασία, γενικά εφαρ- µόζεται στη διάγνωση και θεραπεία σε πολλούς τοµείς της ιατρικής. Σηµειώνεται ότι η υποθετικο συµπερασµατική προσέγγιση στηρίζεται εγγενώς σε µια βάση γνώσης. Εξαρτάται όχι µόνο από τη διατιθέµενη βάση δεδο- µένων, αλλά και από την αποδοτική χρήση ευρετικών τεχνικών. ÕÛÎËÛË A ÙÔ ÍÈÔÏfiÁËÛË 1.3 Παρακάτω δίνονται µε ανακατεµένο τρόπο οι ερωτήσεις και οι εξετάσεις που γίνονται από έναν ιατρό σε έναν ασθενή που έχει έρθει στα εξωτερικά ιατρεία παραπονούµενος για έντονο πόνο στο στήθος. Προσπαθήστε να βάλετε µια σειρά σ αυτές τις ερωτήσεις εξετάσεις, µε στόχο την πιο ορθή, σύντοµη και οικονοµική διαγνωστική διαδικασία.

14 26 KEºA AIO 1. ºÀ π ª I ƒπ ƒ º ƒπ Εκτέλεση ηλεκτροκαρδιογραφήµατος Ποια είναι η ηλικία σας; Είχατε τελευταία πυρετό ή άλλα συµπτώµατα κρυολογήµατος; Εξέταση διαστολικής και συστολικής πίεσης Εξέταση του επιπέδου χοληστερίνης Είχαν καρδιολογικά προβλήµατα οι γονείς σας; ÛË ÌÂÙ Í Â ÔÌ ÓˆÓ Î È appleôı ÛÂˆÓ Η παρατήρηση ενός συµβάντος µπορεί να στηρίξει µια υπόθεση που αφορά µια γενίκευσή του. Είναι προφανές ότι το συµβάν και η γενικευµένη υπόθεση πρέπει να έχουν κάποια σχέση. Ποια είναι όµως τα χαρακτηριστικά αυτής της σχέσης; Ένα παράδειγµα µπορεί να δείξει ότι µια τόσο απλή σχέση δεν είναι αρκετή για να εξηγήσει το ξεκίνηµα της υποθετικής διαδικασίας. Εξετάζουµε την υπόθεση ότι µια ασθενής είναι έγκυος, που βασίζεται στην παρατήρηση ότι ο ασθενής είναι γυναίκα. Προφανώς όλοι οι ασθενείς σε κατάσταση εγκυµοσύνης είναι γυναίκες, αλλά, εάν εµφανιστεί ένας ασθενής ο οποίος είναι γυναίκα, δεν ενεργοποιείται άµεσα η υπόθεση ότι αυτή είναι έγκυος. Κατά συνέπεια, το θηλυκό γένος είναι ένας πολύ ευαίσθητος δείκτης εγκυ- µοσύνης (η πιθανότητα ένας ασθενής σε κατάσταση εγκυµοσύνης να είναι γυναίκα ισούται µε 100%), αλλά δεν έχει µεγάλη προβλεπτική αξία (οι περισσότερες γυναίκες δεν είναι σε κατάσταση εγκυµοσύνης). Η έννοια της ευαισθησίας (sensitivity) ως της πιθανότητας παρατήρησης ενός δεδοµένου όταν ο εξεταζόµενος έχει µια συγκεκριµένη ασθένεια είναι πολύ σηµαντική, αλλά δεν εξηγεί από µόνη της τη δηµιουργία µιας υπόθεσης κατά τη διαδικασία της ιατρικής διάγνωσης. Εναλλακτικά, η σχέση µεταξύ παρατήρησης ενός συµβάντος και µιας υπόθεσης εργασίας µπορεί να στηρίζεται στο ότι η παρατήρηση του συµβάντος γίνεται σπάνια εάν δεν επαληθεύεται η υπόθεση. Έστω ότι ένα συγκεκριµένο αποτέλεσµα δεν επαληθεύεται ποτέ, αν ο ασθενής δεν έχει µια συγκεκριµένη ασθένεια. Σ αυτές τις περιπτώσεις οι διαγνωστικές εξετάσεις (test) ονοµάζονται παθογνωµονικές. Όχι µόνο υποδεικνύουν µια διαγνωστική υπόθεση, αλλά ταυτόχρονα αποδεικνύουν ότι αυτή είναι ορθή. υστυχώς, τα παθογνωµονικά test είναι σπάνια στην ιατρική. Εκείνο που συµβαίνει συνήθως είναι να γίνεται µια παρατήρηση πολύ συχνά όταν υπάρχει µια ασθένεια ή µια κατηγορία ασθενειών, αλλά η αντιστοίχιση ασθένειας και παρατήρησης δεν είναι απόλυτη. Για παράδειγµα, µόνο ένας µικρός αριθµός νοσηµάτων,

15 1.2 ƒ π π ø π ƒπ ø ª ø 27 που δεν ανήκουν στις λοιµώξεις, αυξάνει τον αριθµό των λευκών αιµοσφαιρίων. Βεβαίως, η λευχαιµία, όπως και η επίδραση ορισµένων φαρµάκων, µπορεί να αυξήσει τον αριθµό των λευκών αιµοσφαιρίων, αλλά οι περισσότεροι ασθενείς που δεν έχουν λοίµωξη θα έχουν κανονικό αριθµό λευκών αιµοσφαιρίων. Κατά συνέπεια, η αύξηση των λευκών δεν αποδεικνύει την ύπαρξη λοίµωξης, αλλά στηρίζει την υπόθεση για την ύπαρξή της. Η έννοια που περιγράφει αυτή τη σχέση µεταξύ υπόθεσης και παρατήρησης λέγεται ειδικότητα (specificity). Μια παρατήρηση είναι πολύ υψηλής ειδικότητας για µια ασθένεια εάν απουσιάζει σε ασθενείς που δεν έχουν αυτή την ασθένεια, ενώ η παθογνωµονική παρατήρηση έχει ειδικότητα 100%. Οι έννοιες της ευαισθησίας και της ειδικότητας ξεκαθαρίζουν αρκετά την υποθετικο συµπερασµατική προσέγγιση. Παρ όλα αυτά, ακόµη και έµπειροι ιατροί ορισµένες φορές αποτυγχάνουν να τις χρησιµοποιήσουν σωστά. Έτσι, ακόµα και αν έχει γίνει µια πολύ ειδική για την ασθένεια παρατήρηση, µπορεί ο ασθενής να πάσχει από άλλη ασθένεια. Ακριβώς σε τέτοιες περιπτώσεις, γίνονται συχνά σφάλµατα, που απορρέουν από τη λεγόµενη «κοινή αντίληψη». Για να εξηγηθούν αυτές οι συχνές παρεξηγήσεις, πρέπει να εισαχθούν δύο επιπρόσθετες έννοιες: ο επιπολασµός (prevalence) και η προβλεπτική αξία (predictive value). Ο επιπολασµός µιας ασθένειας είναι η συχνότητα, ή καλύτερα η πιθανότητα, της ασθένειας στον εξεταζόµενο πληθυσµό. Παρ όλο που µια ασθένεια µπορεί να έχει επιπολασµό 5%, υπάρχει περίπτωση σε έναν επιλεγµένο υποπληθυσµό ο επιπολασµός της να είναι πολύ υψηλότερος. Για παράδειγµα, ο καρκίνος του µαστού στο γενικό πληθυσµό είναι 0,3%, αλλά ο επιπολασµός της ίδιας ασθένειας στο γυναικείο υποπληθυσµό που έχει ηλικία µεταξύ 40 και 50 ετών είναι περίπου 15 φορές µεγαλύτερος και φτάνει το 4,5%. Προφανώς ο στόχος της διάγνωσης είναι, ξεκινώντας από τον επιπολασµό που έχει ο ασθενής, για µια συγκεκριµένη ασθένεια στον πληθυσµό (κατηγορία, οµάδα) που κατατάχθηκε αρχικά, να γίνει κάποια εξέταση και ανάλογα µε το αποτέλεσµά της (θετικό ή αρνητικό) να καταταχθεί σε ένα νέο υποπληθυσµό, στον οποίο ο επιπολασµός θα είναι σαφώς διαφορετικός. Έτσι, η πιθανότητα ένα οποιοδήποτε άτοµο του πληθυσµού των Ηνωµένων Πολιτειών να έχει καρκίνο του πνεύµονα είναι µικρή (γιατί ο επιπολασµός αυτής της ασθένειας είναι µικρός), αλλά γίνεται πολύ υψηλότερη αν η ακτινογραφία θώρακος δείξει µια σκιά που µοιάζει µε όγκο. Αν το ίδιο άτοµο ανήκει στον υποπληθυσµό των καπνιστών, τότε ο επιπολασµός του καρκίνου του πνεύµονα θα είναι µεγαλύτερος. Σ αυτή την περίπτωση η ίδια ακτινογραφία θώρακος θα ανεβάσει ακόµα υψηλότερα την πιθανότητα να έχει το εξεταζόµενο άτοµο καρκίνο του πνεύµονα.

16 28 KEºA AIO 1. ºÀ π ª I ƒπ ƒ º ƒπ Προβλεπτική αξία ενός test καλείται απλώς «η πιθανότητα της ασθένειας µετά τη γνωστοποίηση του αποτελέσµατος του test» (posttest probability). Όπως προαναφέρθηκε, αν το αποτέλεσµα του test είναι θετικό, η προβλεπτική αξία θα είναι µεγαλύτερη του επιπολασµού. Εάν το test είναι αρνητικό, η εµφάνιση της ασθένειας έχει µια πιθανότητα µικρότερη του επιπολασµού. Για κάθε test και κάθε ασθένεια υπάρχει µια προβλεπτική τιµή εάν το test είναι θετικό και άλλη εάν το test είναι αρνητικό. Οι συµβολισµοί που χρησιµοποιούνται είναι, αντίστοιχα, PV + για προβλεπτική τιµή µε θετικό test και PV για αρνητικό test. Η προβλεπτική αξία ενός θετικού test εξαρτάται από την ευαισθησία και την ειδικότητά του, όπως επίσης και από τον επιπολασµό της αναζητούµενης ασθένειας. Ο τύπος που περιγράφει αυτή την εξάρτηση είναι: PV ευαισθησία επιπολασµός 1 1 ευαισθησία επιπολασµός ευαισθησία επιπολασµός Υπάρχει ένας παρόµοιος τύπος για τον ορισµό της PV, ως συνάρτησης της ευαισθησίας, της ειδικότητας και του επιπολασµού. Και οι δύο αυτοί τύποι συνάγονται από τα βασικά στοιχεία της θεωρίας πιθανοτήτων. Να σηµειωθεί ότι ένα θετικό test µε πολύ υψηλή ευαισθησία και ειδικότητα µπορεί να οδηγήσει σε µια σχετικά χαµηλή πιθανότητα για την ασθένεια (χαµηλή PV + ) εάν ο επιπολασµός της ασθένειας είναι χαµηλός. Είναι ακριβώς αυτή η σχέση της προβλεπτικής τιµής µε την ευαισθησία, την ειδικότητα και τον επιπολασµό, που δεν είναι εύκολα κατανοητή από τους ιατρούς, οι οποίοι σε ορισµένες περιπτώσεις θεωρούν τα συµπεράσµατά της παράδοξα (πράγµα που αποδεικνύει ότι συχνά η «κοινή» αντίληψη οδηγεί σε εσφαλ- µένα συµπεράσµατα, όταν δεν στηρίζεται σε σταθερές αρχές και κανόνες). Η ευαισθησία του test και ο επιπολασµός της ασθένειας µπορούν να αγνοηθούν µόνο όταν το test είναι παθογνωµονικό (δηλαδή όταν έχει ειδικότητα 100%, που σηµαίνει PV + ίσο µε 100%). Ο τύπος προσδιορισµού του PV + είναι ένας από τους πολλούς τύπους που προέρχονται από το θεώρηµα του Bayes, το οποίο στηρίζει ένα µεγάλο αριθµό προσεγγίσεων στη λήψη ιατρικών αποφάσεων. ÕÛÎËÛË A ÙÔ ÍÈÔÏfiÁËÛË 1.4 Έστω ότι το ποσοστό του καρκίνου του πνεύµονα στο γενικό πληθυσµό είναι 0,2% και ότι το ποσοστό αυτό πενταπλασιάζεται για τους καπνιστές. Πόσο µεγαλύτερη είναι η προβλεπτική αξία ενός θετικού test που έχει ειδικότητα 80% και ευαισθησία 90% για έναν καπνιστή σε σχέση µε ένα τυχαίο άτοµο του πληθυσµού.

17 BIB IO PAºIA 29 ÓÔ Ë ÎÂÊ Ï Ô Στο πρώτο κεφάλαιο έγινε προσπάθεια να κατανοηθεί ότι οι σηµερινές συνθήκες ανάπτυξης των υπολογιστών επιτρέπουν την άµεση πρόσβαση σε έναν τεράστιο όγκο ιατρικών πληροφοριών και γνώσεων, αλλάζοντας ριζικά το ρόλο του ιατρού. Έτσι, τα προβλήµατα που αντιµετωπίζει ο τελευταίος στην ιατρική πράξη δεν σχετίζονται µε τις a priori γνώσεις του, αλλά είναι περισσότερο προβλήµατα επιλογής και διαχείρισης των χρήσιµων πληροφοριών. Σ αυτή την κατεύθυνση η Ιατρική Πληροφορική µπορεί να βοηθήσει: 1) κωδικοποιώντας και ταξινοµώντας σε µεγάλες βάσεις τις ιατρικές πληροφορίες και γνώσεις που συσσωρεύονται καθηµερινά από την παγκόσµια εµπειρία και έρευνα και 2) δηµιουργώντας υπολογιστικά συστήµατα υποστήριξης που βελτιστοποιούν την αποτελεσµατικότητα της υποθετικο συµπερασµατικής προσέγγισης των ιατρικών προβληµάτων. µè ÏÈÔÁÚ Ê [1] Shortliffe Ε.Η., Perreault, L.E. Medical Informatics: Computer Applications in Health Care, Addison Welsey, [2] Komaroff A.L., The variability and inaccuracy of Medical data, Proceedings of the IEEE, 67: 1196, [3] Blum B.I., Clinical Information Systems, Springer Verlag, 1996.

18

19 appleèı ÓfiÙËÙ ÛÙËÓ ÂÎÙ ÌËÛË ÙˆÓ È ÁÓˆÛÙÈÎÒÓ ÙÂÛÙ Î È ÛÙË Ï Ë È ÙÚÈÎÒÓ appleôê ÛÂˆÓ ÎÔapplefi 2 º π Ο κύριος σκοπός αυτού του κεφαλαίου είναι να ενσωµατώσει µε σαφήνεια την έννοια της πιθανότητας στη διαδικασία λήψης ιατρικών αποφάσεων. Σ αυτό το πλαίσιο: ορίζονται οι έννοιες της ευαισθησίας, της ειδικότητας και της προβλεπτικής αξίας ενός test και συσχετίζονται µε τις ευρέως χρησιµοποιούµενες στην ιατρική έννοιες του ψευδώς αρνητικού, ψευδώς θετικού κτλ., προσδιορίζεται ποσοτικά το σφάλµα στην εκτίµηση της κατάστασης ενός εξεταζό- µενου ατόµου ως παθολογικού ή φυσιολογικού µε βάση το θετικό ή αρνητικό test, αποσαφηνίζεται η έννοια της ανεξαρτησίας µεταξύ των ιατρικών ευρηµάτων, δίνονται οι δυνατότητες και οι περιορισµοί του συνδυασµού περισσότερων ιατρικών ευρηµάτων χρησιµοποιώντας το θεώρηµα του Bayes. ÚÔÛ ÔÎÒÌÂÓ appleôùâï ÛÌ Ù Όταν θα έχετε µελετήσει αυτό το κεφαλαίο, θα µπορείτε να απαντήσετε στις εξής ερωτήσεις: Ποιος είναι ο ρόλος της πιθανότητας στην ιατρική διάγνωση; Πώς µπορείτε να χαρακτηρίσετε την ικανότητα ενός διαγνωστικού test να διακρίνει µεταξύ παθολογικού και φυσιολογικού; Ποια είναι η αναγκαία πληροφορία για να ερµηνευτούν ορθά τα αποτελέσµατα ενός test; Ποιοι είναι οι περιορισµοί στην εφαρµογή του θεωρήµατος του Bayes στην ιατρική πράξη; Ποιες είναι οι δυνατότητες και οι περιορισµοί της χρήσης H/Y στη συλλογή και αξιοποίηση των ιατρικών δεδοµένων; ŒÓÓÔÈ ÎÏÂÈ È µετρητέα

20 32 KEºA AIO 2. π πª ø π ø π ø π æ π ƒπ ø º ø test διάστηµα φυσιολογικών τιµών σφάλµα επίδοση test πίνακας συνάφειας ευαισθησία ειδικότητα ασυµφωνία καµπύλη ROC προβλεπτική αξία

21 2.1 ƒ π ƒπ ª ø π Àƒ π ø à ƒ ƒπ π ø ø π ø π ø ÚÔÛ ÈÔÚÈÛÌfi ÙˆÓ ÏÂÈÙÔ ÚÁÈÎÒÓ Ú ÎÙËÚÈÛÙÈÎÒÓ ÙˆÓ È ÁÓˆ- ÛÙÈÎÒÓ ÙÂÛÙ Το πρώτο ζήτηµα στην εκτίµηση ενός test είναι ο προσδιορισµός των κριτηρίων µε βάση τα οποία το αποτέλεσµά του θεωρείται φυσιολογικό ή µη φυσιολογικό. Σ αυτή την ενότητα παρουσιάζονται τα προβλήµατα που πρέπει να εξεταστούν για να γίνει αυτός ο προσδιορισµός Ù Ù ÍË ÙˆÓ appleôùâïâûì ÙˆÓ ÂÓfi test ˆ ÌË Ê ÛÈÔÏÔÁÈÎÒÓ Πολλές βιολογικές µετρητέες που αναφέρονται σε έναν πληθυσµό υγιών ατόµων εκφράζονται ως συνεχείς µεταβλητές και παίρνουν διαφορετικές τιµές για τα διάφορα υγιή άτοµα. Τις πιο πολλές φορές η κατανοµή των τιµών τους είναι κατά προσέγγιση κανονική (Gaussian) (Σχήµα 2.1). Έτσι, το 95% του πληθυσµού παίρνει τιµές που ανήκουν στο διάστηµα που έχει κέντρο τη µέση τιµή µ της µετρητέας και άκρα αντίστοιχα µ 2σ και µ + 2σ (όπου σ είναι η τυπική απόκλιση της κατανοµής). Περίπου το 2,5% του υγιούς πληθυσµού θα έχει τιµές που είναι µικρότερες από το κάτω άκρο του προαναφερόµενου διαστήµατος, ενώ ένα άλλο 2,5% θα έχει τιµές υψηλότερες από το άνω άκρο. Από την άλλη πλευρά, και ο πληθυσµός των ατόµων που έχουν µια συγκεκριµένη ασθένεια εµφανίζει συνήθως µια κανονική κατανοµή για τις τιµές της ίδιας µετρητέας. Εάν η βιολογική µετρητέα δεν σχετίζεται µε την ασθένεια, οι δύο κατανοµές θα είναι περίπου οι ίδιες. Στην αντίθετη περίπτωση (δηλαδή η µετρητέα επηρεάζεται από την ασθένεια), θα είναι διαφορετικές (δηλαδή θα έχουν διαφορετική µέση τιµή και διαφορετική τυπική απόκλιση), αλλά θα έχουν µερική επικάλυψη (Σχήµα 2.1). Το ερώτηµα που τίθεται είναι πότε το αποτέλεσµα ενός test που αναφέρεται σε µια µετρητέα θα θεωρείται και θα κατατάσσεται ως µη φυσιολογικό; Στις περισσότερες εργαστηριακές εξετάσεις, µαζί µε την εκτίµηση της εργαστηριακής µετρητέας δίνεται και το διάστηµα των φυσιολογικών της τιµών, το οποίο ορίζεται ως µ ±2σ (δηλαδή οι φυσιολογικές τιµές απέχουν από τη µέση τιµή της µετρητέας το πολύ δύο τυπικές αποκλίσεις). Έτσι, αν το αποτέλεσµα του test είναι έξω από το διάστηµα φυσιολογικών τιµών, θεωρείται µη φυσιολογικό, και το test θετικό. Εάν το αποτέλεσµα περιέχεται στο διάστηµα των φυσιολογικών τιµών, το test θεωρείται αρνητικό. Για παράδειγµα, η µέση συγκέντρωση χοληστερίνης στο αίµα είναι 200mg/dl. Εάν η τυπική απόκλιση της χοληστερίνης στον υγιή πληθυσµό είναι 25mg/dl, τότε το διάστηµα φυσιολογικών τιµών για τη χοληστερίνη θα είναι , δηλαδή 150 έως

22 34 KEºA AIO 2. π πª ø π ø π ø π æ π ƒπ ø º ø 250. Είναι προφανές, από όσα ειπώθηκαν, ότι τα άκρα του διαστήµατος των φυσιολογικών τιµών ορίζονται µε στατιστικά κριτήρια, που δεν έχουν βιολογική σηµασία. φυσιολογικοί µη- φυσιολογικοί Aριθµός ατόµων Φυσιολογικός πληθυσµός Όριο διαχωρισµού Πληθυσµός ασθενών Ì 2.1 Aποτελέσµατα του test Ψευδώς θετικά Ψευδώς αρνητικά Ένα ιδανικό test θα έδινε µια κατανοµή αποτελεσµάτων (της µετρητέας) για τους ασθενείς η οποία δεν θα είχε καµία επικάλυψη µε την αντίστοιχη κατανοµή αποτελεσµάτων των υγιών ατόµων. Έτσι, εάν επιλέγεται ένα κατάλληλο όριο (cut off) για τις φυσιολογικές τιµές, το test θα ήταν αρνητικό για όλους τους φυσιολογικούς και θετικό για όλους τους ασθενείς. Πολύ λίγα tests ανήκουν σ αυτή την κατηγορία. Συνήθως για το χαρακτηρισµό ενός test ως µη φυσιολογικού χρησιµοποιείται το κριτήριο των 2 τυπικών αποκλίσεων από τη µέση τιµή του υγιούς πληθυσµού, και έτσι ένα 2,5% των υγιών ατόµων θα δώσει θετικό test (αυτό χαρακτηρίζεται ως σφάλµα τύπου α του test). Από την άλλη πλευρά, επειδή συνήθως η κατανοµή των αποτελεσµάτων του test των ασθενών έχει µια επικάλυψη µε αυτή των υγιών, και µάλιστα περιέχει τιµές οι οποίες ανήκουν στο διάστηµα των φυσιολογικών τιµών, είναι προφανές ότι ορισµένοι ασθενείς θα δώσουν αρνητικό test (σφάλµα τύπου β). Συµπερασµατικά, όπως φαίνεται και από το Σχήµα 2.1, θα υπάρχει ένα ποσοστό φυσιολογικών ατόµων που θα δώσει θετικό test και ένα ποσοστό ασθενών που θα δώσει αρνητικό test. Προφανώς όσο µικρότερα είναι αυτά τα ποσοστά, τόσο καλύτερο είναι το test. Ο ιατρός πρέπει να είναι γνώστης ορισµένων όρων που εκφράζουν αυτή την κατάσταση: Αληθώς θετικά (Α.Θ.) είναι τα θετικά tests που προέρχονται από τον πληθυσµό των εχόντων την ασθένεια (δηλαδή τα tests που σωστά ταξινοµούν τον εξεταζό- µενο στην κατηγορία των εχόντων τη συγκεκριµένη ασθένεια). Αληθώς Αρνητικά (Α.Α.) είναι τα αρνητικά tests που προέρχονται από τον πληθυσµό των µη εχόντων την ασθένεια (δηλαδή τα tests που σωστά ταξινοµούν τον

23 2.1 ƒ π ƒπ ª ø π Àƒ π ø à ƒ ƒπ π ø ø π ø π ø 35 εξεταζόµενο στην κατηγορία των µη εχόντων τη συγκεκριµένη ασθένεια). Ψευδώς θετικά (Ψ.Θ.) είναι τα θετικά tests που προέρχονται από τον πληθυσµό των µη εχόντων ασθένεια (δηλαδή τα tests που εσφαλµένα ταξινοµούν τον εξεταζόµενο στην κατηγορία των εχόντων τη συγκεκριµένη ασθένεια). Ψευδώς Αρνητικά (Ψ.Α.) είναι τα αρνητικά tests που προέρχονται από τον πληθυσµό εκείνων που έχουν την ασθένεια (δηλαδή εσφαλµένα ταξινοµούν τον ασθενή στην κατηγορία των µη εχόντων τη συγκεκριµένη ασθένεια). Στο Σχήµα 2.1 φαίνεται ότι, µεταβάλλοντας το άνω άκρο του διαστήµατος των «φυσιολογικών τιµών», θα αλλάξουν ουσιαστικά τα προαναφερόµενα ποσοστά. Καθώς το άνω όριο των φυσιολογικών τιµών µετακινείται προς υψηλότερες τιµές, αυξάνεται ο αριθµός των ψευδώς αρνητικών (Ψ.Α.) και µειώνεται ο αριθµός των ψευδώς θετικών (Ψ.Θ.). Όταν καθοριστεί το ανώτατο φυσιολογικό όριο, αυτόµατα προσδιορίζεται και η επίδοση (performance) του test, δηλαδή η ικανότητά του να διακρίνει µεταξύ ασθενούς και µη ασθενούς. Η ποσοτικοποίηση της επίδοσης δίνεται µε έναν πίνακα συνάφειας σαν αυτόν του Πίνακα 2.1. Στον πίνακα δίνονται συνοπτικά οι αριθµοί που αντιστοιχούν στις προηγούµενες 4 οµάδες αποτελεσµάτων (Α.Θ., Α.Α., Ψ.Θ., Ψ.Α.). Παρατηρήστε ότι το άθροισµα της πρώτης στήλης δίνει το συνολικό αριθ- µό των µη ασθενών, (Ψ.Θ. + Α.Α.) Το άθροισµα της πρώτης σειράς, (Α.Θ. + Ψ.Θ.), είναι ο συνολικός αριθµός των εξετασθέντων που έδωσαν θετικό test. Παροµοίως, (Ψ.Α.+Α.Α.) είναι ο αριθµός των εξετασθέντων που έδωσαν αρνητικό test. Ó Î 2.1 Πίνακας συνάφειας 22 που εκφράζει την επίδοση ενός test Αποτέλεσµα του test Ασθενείς Όχι Ασθενείς Σύνολο Θετικό test Α.Θ. Ψ.Θ. Α.Θ.+Ψ.Θ. Αρνητικό test Ψ.Α. Α.Α. Ψ.Α.+Α.Α. Σύνολο (Α.Θ.)+(Ψ.Α.) (Ψ.Θ.)+(Α.Α.) Το ιδανικό test δεν έχει ούτε Ψευδώς Αρνητικά (Ψ.Α.) ούτε Ψευδώς Θετικά (Ψ.Θ.) αποτελέσµατα. Στην πραγµατικότητα αυτό δεν επαληθεύεται σχεδόν ποτέ, και έτσι ο έλεγχος µιας διαγνωστικής υπόθεσης που αναφέρεται σε µια συγκεκριµένη ασθένεια γίνεται µε test που περιέχουν σφάλµατα. Η συνοπτική εικόνα της επίδοσης των εναλλακτικών tests δίνεται µε τους προαναφερόµενους πίνακες συνάφειας 22. Έτσι, ο ιατρός διευκολύνεται στην επιλογή του, η οποία βεβαίως λαµβάνει υπόψη και άλλους παράγοντες, όπως το κόστος και το χρόνο του test, τον επιπολασµό της υπο-

24 36 KEºA AIO 2. π πª ø π ø π ø π æ π ƒπ ø º ø τιθέµενης ασθένειας (όπως θα αναλυθεί αργότερα) κτλ Ú ÌÂÙÚÔÈ ÙË Âapple ÔÛË ÂÓfi È ÙÚÈÎÔ test Οι παράµετροι της επίδοσης ενός test, όπως διαφαίνεται από την προηγούµενη ενότητα, είναι δύο ειδών: παράµετροι συµφωνίας και παράµετροι ασυµφωνίας µε την πραγµατικότητα. Στην ουσία οι παράµετροι συµφωνίας ταυτίζονται µε την έννοια της ευαισθησίας και της ειδικότητας, οι οποίες µπορούν να οριστούν τώρα χρησι- µοποιώντας τον όρο της δεσµευµένης πιθανότητας και τον προηγούµενο πίνακα συνάφειας 22. Η ευαισθησία, που καλείται και ποσοστό των αληθώς θετικών (Π.Α.Θ.), είναι η πιθανότητα ένας που έχει την ασθένεια να δώσει θετικό test. Χρησιµοποιώντας την συµβολογία της δεσµευµένης πιθανότητας, η ευαισθησία εκφράζεται ως η πιθανότητα το test να βγει θετικό, δεδοµένου ότι ο εξεταζόµενος είναι ασθενής. P T test A P θετικ ό ο εξεταζόµενος είναι ασθενής Ένας εναλλακτικός τρόπος έκφρασης της ίδιας ιδιότητας του test είναι να δοθεί το (Π.Α.Θ.) ως το κλάσµα των ασθενών µε θετικό test, διά του συνόλου των ασθενών: αριθµός των ασθενών µε θετικ ό test Π.A.Θ. συνολικ ός αριθµός ασθενών ηλαδή, χρησιµοποιώντας τον Πίνακα 1.1, έχουµε: ( A. Θ.) Π.A.Θ. ( A. Θ.) ( Ψ. A.) (1) Με ανάλογο τρόπο, η ειδικότητα, που καλείται και ποσοστό αληθώς αρνητικών (Π.Α.Α.), ορίζεται ως η πιθανότητα ένας που δεν έχει την ασθένεια να δώσει αρνητικό test. Με τη συµβολογία της δεσµευµένης πιθανότητας, η ειδικότητα εκφράζεται ως η πιθανότητα το test να είναι αρνητικό, δεδοµένου ότι ο εξεταζόµενος δεν είναι ασθενής. P T A test P αρνητικ ό ο εξεταζόµενος δεν είναι ασθενής Εναλλακτικά, το ποσοστό των αληθώς αρνητικών δίνεται µε το κλάσµα: ( AA..) Π.A.A. ( AA..) ( Ψ. A.) (2)

25 2.1 ƒ π ƒπ ª ø π Àƒ π ø à ƒ ƒπ π ø ø π ø π ø 37 Τα µέτρα ασυµφωνίας του test σε σχέση µε την πραγµατικότητα ορίζονται µε ανάλογο τρόπο. Έτσι, το ποσοστό των ψευδώς αρνητικών δίνεται από το κλάσµα: αριθµός των ασθενών µε αρνητικ ό test Π.Ψ.A συνολικ ός αριθµός των ασθενών Το ποσοστό των ψευδώς θετικών ισούται µε το κλάσµα: Π.Ψ.Θ αριθµός των ασθενών µε θετικ ό test συνολικ ός αριθµός των όχι ασθενών Παράδειγµα: Έστω ότι θέλουµε να πραγµατοποιήσουµε ένα screening test στο γυναικείο πληθυσµό για την πρώιµη διάγνωση του καρκίνου της µήτρας. Το test που χρησιµοποιείται σ αυτές τις περιπτώσεις είναι το Pap test, το οποίο θεωρείται θετικό όταν στον τράχηλο της µήτρας παρατηρούνται αφύσικα µεγάλα κύτταρα (που ονοµάζονται «κύτταρα τάξης ΙV»). Για να προσδιοριστεί η επίδοση του Pap test, αυτό πραγµατοποιείται σε 1000 γυναίκες υψηλού κινδύνου και δίνει τα αποτελέσµατα που φαίνονται στον Πίνακα 2.2. Ó Î 2.2 Πίνακας συνάφειας 2 2 που χαρακτηρίζει την επίδοση του Pap test Αποτέλεσµα του Pap test Ασθενείς Όχι ασθενείς Σύνολο Θετικό Αρνητικό Σύνολο Η επίδοση του Pap test δίνεται υπολογίζοντας το ποσοστό των αληθώς θετικών (Π.Α.Θ.), δηλαδή την ευαισθησία, και το ποσοστό των αληθώς αρνητικών (Π.Α.Α.), δηλαδή την ειδικότητα. Συγκεκριµένα, µε βάση τη σχέση (1): Π.A.Θ. A.Θ. A.Θ.+Ψ.A , Εποµένως, η πιθανότητα να είναι το Pap test θετικό για έναν ασθενή ισούται µε 0,94. Εάν εκτελέσουµε το test σε 100 πραγµατικές ασθενείς, αναµένεται ότι 6 από αυτές θα δώσουν αρνητικό test. Ο υπολογισµός του Π.Α.Α., δηλαδή της ειδικότητας, γίνεται µε ανάλογο τρόπο εφαρ- µόζοντας τη σχέση (2):

26 38 KEºA AIO 2. π πª ø π ø π ø π æ π ƒπ ø º ø Π.A.A. A.A. A.A.+Ψ.Θ , Αυτό σηµαίνει ότι η πιθανότητα µια εξεταζόµενη που δεν έχει καρκίνο της µήτρας να δώσει αρνητικό test είναι 0,97. ÕÛÎËÛË A ÙÔ ÍÈÔÏfiÁËÛË 2.1 1) Πώς συνδέεται το διάστηµα φυσιολογικών τιµών µε την τυπική απόκλιση της υπό εξέταση µετρητέας; 2) Από τι εξαρτάται το σφάλµα τύπου α, από τι εξαρτάται το σφάλµα τύπου β και πότε αυτό το τελευταίο είναι µηδενικό; 3) Γιατί συνήθως όταν µεγαλώνει η ευαισθησία ενός test µικραίνει η ειδικότητά του; ÓÂÎÙ ÌËÛË ÙË Â ÈÛıËÛ Î È ÙË ÂÈ ÈÎfiÙËÙ ÛÙËÓ ÂappleÈÏÔÁ ÙÔ Î Ù ÏÏËÏÔ test Ανακεφαλαιώνοντας, είναι σαφές ότι οι τιµές της ευαισθησίας και της ειδικότητας, ενός test συνεχούς µεταβλητής εξαρτάται από το εκάστοτε καθοριζόµενο όριο διαχωρισµού µεταξύ φυσιολογικού και µη φυσιολογικού. Η αύξηση της τιµής αυτού που καθορίζουµε ως ανώτατο φυσιολογικό όριο θα µειώσει τον αριθµό των ψευδώς θετικών και ταυτόχρονα θα αυξήσει τον αριθµό των ψευδώς αρνητικών tests. Με αυτό τον τρόπο το test γίνεται περισσότερο ειδικό και λιγότερο ευαίσθητο. Παρο- µοίως, η µείωση της τιµής του ανώτατου φυσιολογικού ορίου αυξάνει τον αριθµό των ψευδώς θετικών και µειώνει τον αριθµό των ψευδώς αρνητικών, δηλαδή αυξάνει την ευαισθησία και µειώνει την ειδικότητα. Είναι φανερό από τα παραπάνω ότι η ευαισθησία και η ειδικότητα δεν είναι αποκλειστικά χαρακτηριστικά του test, αλλά εξαρτώνται και από το κριτήριο που τίθεται για τη διάκριση του τι θεωρείται µη φυσιολογικό αποτέλεσµα (θετικό test). Κατά συνέπεια, ο καλύτερος τρόπος για να χαρακτηριστεί, αποκλειστικά και µόνο, η επίδοση ενός test είναι να δοθούν οι τιµές της ευαισθησίας και ειδικότητάς του ως συνάρτηση των τιµών που µπορεί να πάρει το ανώτατο φυσιολογικό όριο (cut off). Η τυπική γραφική παράσταση αυτής της συνάρτησης δίνεται χρησιµοποιώντας το καρτεσιανό σύστηµα αξόνων και βάζοντας στον κάθετο άξονα την ευαισθησία και

27 2.1 ƒ π ƒπ ª ø π Àƒ π ø à ƒ ƒπ π ø ø π ø π ø 39 στον οριζόντιο τη µεταβλητή x = (1 ειδικότητα). Η x ισούται µε το ποσοστό των αληθώς θετικών διά του ποσοστού των ψευδώς θετικών και η τιµή της µεταβάλλεται άµεσα µε τη µεταβολή της τιµής του ανώτατου φυσιολογικού ορίου. Η προκύπτουσα καµπύλη είναι γνωστή ως καµπύλη ROC (Receiver Operating Characteristic). Κάθε σηµείο επί της καµπύλης ROC δίνει την ευαισθησία και την ειδικότητα του test για ένα συγκεκριµένο ανώτατο φυσιολογικό όριο. Εάν ένας ιατρός θέλει να επιλέξει µεταξύ διαφόρων tests για τον έλεγχο µιας διαγνωστικής υπόθεσης που αφορά µια συγκεκριµένη ασθένεια ή κατηγορία ασθενειών, θα µπορούσε να συγκρίνει τις ROC καµπύλες που αντιστοιχούν στα υποψήφια tests. Στο Σχήµα 2.2 παρουσιάζονται δύο εναλλακτικά tests που αφορούν τον έλεγχο της ίδιας ασθένειας. Η καµπύλη ROC του test B βρίσκεται ψηλότερα, σε όλα τα σηµεία, από την αντίστοιχη καµπύλη του test A. Με άλλα λόγια, το test B έχει µεγαλύτερη διακριτική ισχύ, γιατί έχει µεγαλύτερη ευαισθησία για οποιοδήποτε επίπεδο ειδικότητας. Υπάρχουν, βέβαια, πιο σύνθετες περιπτώσεις στις οποίες οι καµπύλες ROC εναλλακτικών tests µπορεί να τέµνονται και, εποµένως, σε ορισµένες περιοχές το πρώτο να είναι καλύτερο του δεύτερου και σε άλλες περιοχές να συµβαίνει το αντίθετο. Το αυστηρά µαθηµατικό κριτήριο επιλογής θα µπορούσε να στηριχτεί στη σύγκριση των εµβαδών των αντίστοιχων καµπυλών ROC, θεωρώντας καλύτερο το test του οποίου η καµπύλη ROC περιέχει µεγαλύτερο εµβαδόν. Όµως, αρκετές φορές για την επιλογή ενός test συνεκτιµώνται και άλλοι παράγοντες, όπως το κόστος, ο κίνδυνος, οι παρενέργειες κτλ. Ποσοστό θετικώς αληθών (ευαισθησία) 1,0 0,5 0 Test B Test A 0 0,5 1,0 Ποσοστό ψευδώς θετικών (1 ειδικότητα) Ì 2.2