Prätestwahrscheinlichkeit: Tests richtig lesen

Ein Test fällt positiv aus, und die erste Reaktion ist, das Ergebnis als Diagnose zu behandeln. Im Stadium kann jedoch dasselbe positive D-Dimer bei zwei Patienten ganz unterschiedliche Dinge bedeuten, und derselbe negative Test kann in einem Fall die Untersuchung beenden und im anderen fast nichts aussagen. Der Unterschied liegt darin, was du dachtest, bevor du den Test angefordert hast.

NEXO ist ein tägliches medizinisches Diagnosespiel: ein klinischer Fall pro Tag, sechs progressive Hinweise und ICD-10-Nähefeedback in fünf Stufen.

Dieser Text erklärt die Vortestwahrscheinlichkeit und wie sie die Interpretation von Tests verändert: die Rechnung mit Chance und Likelihood-Ratio, ein Beispiel mit dem D-Dimer bei Verdacht auf tiefe Venenthrombose, die Schwellenwerte, die anzeigen, wann ein Test das Vorgehen ändert, und die häufigsten Schätzfehler. Die Abkürzung, um Likelihood-Ratios im Kopf zu verwenden, und die Nutzung von Befunden aus Anamnese und körperlicher Untersuchung als Tests stehen im Text über Differenzialdiagnose mit Hinweisen; hier liegt der Fokus auf dem nächsten Schritt, dem Zusatztest.

Wichtigste Punkte

• Die Vortestwahrscheinlichkeit ist die Chance, dass die Krankheit vor dem Test vorliegt, geschätzt aus Anamnese, körperlicher Untersuchung und Epidemiologie.
• Das Ergebnis eines Tests sagt nicht, ob die Krankheit existiert; es multipliziert die Chance, die du bereits hattest, mit der Likelihood-Ratio des Ergebnisses.
• Dasselbe Ergebnis führt zu sehr unterschiedlichen Endwahrscheinlichkeiten, je nach Ausgangswahrscheinlichkeit.
• Prädiktive Werte hängen von der Prävalenz der untersuchten Gruppe ab; Sensitivität und Spezifität allein sagen nicht die Krankheitswahrscheinlichkeit bei deinem Patienten voraus.
• Ein Test hilft nur, wenn die Wahrscheinlichkeit zwischen zwei Schwellenwerten liegt: unterhalb der ersten lohnt sich das Testen nicht; oberhalb der zweiten wird bereits behandelt.
• Fachkräfte neigen dazu, die Wahrscheinlichkeit vor und nach Tests zu überschätzen, und das Schätzen zu üben ist Teil des klinischen Denkens.

Zusammenfassung

• Was ist die Vortestwahrscheinlichkeit
• Von Wahrscheinlichkeit zu Chance und zurück
• Das Beispiel des D-Dimers
• Sensitivität, Spezifität und prädiktive Werte
• Wann der Test das Vorgehen nicht ändert
• Warum wir die Schätzung falsch machen
• Wie man die Schätzung trainiert
• Häufige Fragen
• Checkliste zur Interpretation eines Tests

Was ist die Vortestwahrscheinlichkeit

Die Vortestwahrscheinlichkeit ist deine Schätzung, dass der Patient eine Krankheit hat, bevor du das Ergebnis eines Tests kennst. Sie entsteht aus dem, was du bereits weißt: Alter, Geschlecht, Kontext, Symptome, Befunde der körperlichen Untersuchung und die Häufigkeit der Krankheit an dem Ort, an dem du behandelst. Nach dem Test wird diese Schätzung aktualisiert und wird zur Posttestwahrscheinlichkeit.

Die Diagnose ist in dieser Sicht eine Hypothese, und absolute Gewissheit ist durch noch so viele Tests nicht erreichbar (Kassirer, 1989). Die Aufgabe ist, die Unsicherheit so weit zu verringern, dass die beste therapeutische Entscheidung getroffen werden kann (Kassirer, 1989). In Vortestwahrscheinlichkeit zu denken ist der praktische Weg zu wissen, wie viel Unsicherheit besteht und wie viel ein Test sie verringern kann.

Woher die Schätzung kommt

Es gibt drei Hauptquellen. Die erste ist die Prävalenz im Kontext: Dieselbe Beschwerde hat unterschiedliche Verteilungen von Krankheiten in der Grundversorgung, in der Notaufnahme und auf der Station eines Tertiärkrankenhauses. Die zweite sind die Befunde des Patienten selbst, jeder mit seinem Gewicht. Die dritte sind klinische Vorhersageregeln, die mehrere Befunde zu einem Score zusammenfassen und in Patientengruppen validiert wurden.

Wenn eine validierte Regel existiert, ist sie meist der sicherste Anker. In der Studie von Wells und Kollegen verwendeten die Ärzte ein klinisches Modell, um Patienten mit Verdacht auf tiefe Venenthrombose vor jedem Test als wahrscheinlich oder unwahrscheinlich einzustufen (Wells et al., 2003). Das Beispiel weiter unten zeigt, was mit demselben Test in jeder Gruppe passiert.

Schätzung ist keine Vermutung

Eine Schätzung kann grob und dennoch nützlich sein. Zu sagen "niedrig", "mittel" oder "hoch" ändert bereits die Art, ein Ergebnis zu lesen, und mit Übung kann man zu vernünftigen numerischen Bereichen gelangen. Was nicht funktioniert, ist, diesen Schritt zu überspringen und den Test allein entscheiden zu lassen, denn wie die nächsten Abschnitte zeigen, kann der Test das nicht.

Hypothese vor dem Test

In der Praxis gibt es die Prätest-Wahrscheinlichkeit nur für eine definierte Hypothese. Man schätzt nicht die Wahrscheinlichkeit von "irgendetwas"; man schätzt die Wahrscheinlichkeit einer tiefen Venenthrombose, einer Pneumonie, eines Harnwegsinfekts. Deshalb kommt die Liste der Hypothesen vor der Anforderung von Untersuchungen, und jede Untersuchung sollte eine Frage zu einer Hypothese der Liste beantworten. Wie man diese Liste erstellt und ordnet, steht im Text über klinisches Denken.

Von der Wahrscheinlichkeit zur Chance und zurück

Das Werkzeug, das die Prätest-Wahrscheinlichkeit mit dem Ergebnis verbindet, ist das Likelihood-Verhältnis. Es ist der Anteil der Kranken mit einem bestimmten Ergebnis geteilt durch den Anteil der Personen ohne die Krankheit mit demselben Ergebnis (Grimes und Schulz, 2005). Werte größer als 1 zeigen an, dass das Ergebnis mit dem Vorliegen der Krankheit verbunden ist, und Werte kleiner als 1 mit deren Fehlen (Deeks und Altman, 2004).

Die Rechnung in drei Schritten

Das Likelihood-Verhältnis gilt nicht direkt für die Wahrscheinlichkeit, sondern für die Chance (Odds). Die Prätest-Chance multipliziert mit dem Likelihood-Verhältnis ergibt die Posttest-Chance, die danach wieder zur Wahrscheinlichkeit wird (Deeks und Altman, 2004). Die drei Schritte sind:

1. Prätest-Chance = Wahrscheinlichkeit ÷ (1 − Wahrscheinlichkeit).
2. Posttest-Chance = Prätest-Chance × Likelihood-Verhältnis.
3. Posttest-Wahrscheinlichkeit = Posttest-Chance ÷ (1 + Posttest-Chance).

Im Beispiel aus dem Artikel von Deeks und Altman hatte das Rauchen von 40 Packungsjahren oder mehr ein Likelihood-Verhältnis von 20,4 für obstruktive Atemwegserkrankung (Deeks und Altman, 2004). Ausgehend von einer Wahrscheinlichkeit von 0,1 ist die Chance 0,11; multipliziert mit 20,4 ergibt sie 2,27; und die endgültige Wahrscheinlichkeit ist 0,69 (Deeks und Altman, 2004).

Dasselbe Ergebnis, drei Ausgangspunkte

Nun dasselbe Likelihood-Verhältnis von 20,4 aus dem Artikel von Deeks und Altman (Deeks und Altman, 2004), angewendet auf andere Ausgangswahrscheinlichkeiten. Die Zahlen unten sind eine redaktionelle Berechnung, erstellt mit der Formel aus dem Artikel.

Prätest- und Posttest-Wahrscheinlichkeit	Rechnung über die Chance (redaktionelle Berechnung)
Von 1% auf etwa 17% (redaktionelle Berechnung mit dem Likelihood-Verhältnis von Deeks und Altman, 2004)	Prätest-Chance 0,01 ÷ 0,99 = 0,0101; Posttest-Chance 0,0101 × 20,4 = 0,206; Wahrscheinlichkeit 0,206 ÷ 1,206 ≈ 0,17 (Verhältnis und Formel von Deeks und Altman, 2004)
Von 10% auf etwa 69% (das Beispiel aus dem Artikel selbst von Deeks und Altman, 2004)	Prätest-Chance 0,1 ÷ 0,9 = 0,111; Posttest-Chance 0,111 × 20,4 = 2,27; Wahrscheinlichkeit 2,27 ÷ 3,27 ≈ 0,69 (Verhältnis und Formel von Deeks und Altman, 2004)
Von 50% auf etwa 95% (redaktionelle Berechnung mit dem Likelihood-Verhältnis von Deeks und Altman, 2004)	Prätest-Chance 0,5 ÷ 0,5 = 1; Posttest-Chance 1 × 20,4 = 20,4; Wahrscheinlichkeit 20,4 ÷ 21,4 ≈ 0,95 (Verhältnis und Formel von Deeks und Altman, 2004)

Redaktionelle Berechnung auf Grundlage des Likelihood-Verhältnisses und der Formel von Deeks und Altman, 2004; die Ausgangspunkte von 1% und 50% und die Rundungen stammen vom Redakteur.

Die Lehre aus der Tabelle: Ein Ergebnis mit einem hohen Likelihood-Verhältnis, das als stark gilt, lässt die Krankheit immer noch unwahrscheinlich erscheinen, wenn die Ausgangswahrscheinlichkeit sehr niedrig ist (redaktionelle Berechnung oben). Deshalb kann dieselbe Information bei einem Patienten die Diagnose bestätigen und bei einem anderen nur einen Zweifel aufwerfen.

Das Fagan-Nomogramm

Um die Umrechnungen zu vermeiden, gibt es ein Nomogramm: ein Lineal mit drei Spalten, bei dem eine gerade Linie die Prätest-Wahrscheinlichkeit mit dem Likelihood-Verhältnis verbindet und die Posttest-Wahrscheinlichkeit zeigt (Fagan, 1975). Der Artikel von Deeks und Altman enthält das Nomogramm mit demselben Beispiel des Rauchens, von 0,1 auf etwa 0,7 (Deeks und Altman, 2004). Für die gedankliche Abkürzung ohne Nomogramm siehe die vereinfachte Methode im Text über Differenzialdiagnose.

Stärke eines Likelihood-Verhältnisses

Verhältnisse über 10 und unter 0,1 gelten in den meisten Situationen als starke Evidenz, um eine Diagnose zu bestätigen oder auszuschließen (Deeks und Altman, 2004). Verhältnisse nahe 1 ändern die Entscheidung kaum, während sehr hohe oder sehr niedrige Verhältnisse die Schätzung stark verändern (Grimes und Schulz, 2005). "Stark" ist hier immer relativ zum Ausgangspunkt, wie die Tabelle gezeigt hat.

Ergebnisse mit mehreren Stufen

Nicht jede Untersuchung ist positiv oder negativ. Untersuchungen mit Ergebnissen in Bereichen können für jeden Bereich eine Likelihood-Ratio haben (Grimes und Schulz, 2005). Im Beispiel von Deeks und Altman hat jeder Bereich der Rauchlast seine eigene Ratio: 20,4 für 40 Packungsjahre oder mehr, 1,01 für 20 bis 40 und 0,55 für bis zu 20 (Deeks und Altman, 2004). Einen stark veränderten Wert wie einen leicht veränderten zu lesen, wirft Informationen weg.

Das Beispiel des D-Dimers

Die Studie von Wells und Kollegen ist ein gutes Beispiel für die Vortestwahrscheinlichkeit in der Praxis, weil sie dieselbe Untersuchung in zwei Gruppen mit unterschiedlichen Ausgangswahrscheinlichkeiten zeigt (Wells et al., 2003). Die Zahlen unten wurden im Volltext des Artikels überprüft.

Das Studiendesign

Ambulante Patienten mit Verdacht auf tiefe Venenthrombose der unteren Extremitäten wurden durch ein klinisches Modell als wahrscheinlich (Punktzahl 2 oder mehr) oder unwahrscheinlich (weniger als 2) eingestuft und randomisiert entweder zur alleinigen Ultraschalluntersuchung oder zum D-Dimer gefolgt von Ultraschall (Wells et al., 2003). In der D-Dimer-Gruppe erhielt, wer unwahrscheinlich war und ein negatives D-Dimer hatte, keine Ultraschalluntersuchung (Wells et al., 2003).

Die Ausgangswahrscheinlichkeit in jeder Gruppe

Unter den 1.082 Patienten, die die Nachbeobachtung abschlossen, betrug die Prävalenz der proximalen tiefen Venenthrombose oder Lungenembolie 15,7% (Wells et al., 2003). In der wahrscheinlichen Gruppe betrug sie 27,9%; in der unwahrscheinlichen 5,5% (Wells et al., 2003). Innerhalb des D-Dimer-Arms betrugen die Anteile 28,7% unter den wahrscheinlichen und 5,1% unter den unwahrscheinlichen (Wells et al., 2003).

Dieselbe Untersuchung, zwei Ergebnisse

Gruppe (D-Dimer-Arm)	Ausgangswahrscheinlichkeit	Negativer prädiktiver Wert	Positiver prädiktiver Wert
Unwahrscheinlich	5,1% (Wells et al., 2003)	99,1% (Wells et al., 2003)	14,1% (Wells et al., 2003)
Wahrscheinlich	28,7% (Wells et al., 2003)	89,0% (Wells et al., 2003)	38,6% (Wells et al., 2003)

Quelle aller Zahlen der Tabelle: Wells et al., 2003.

In der unwahrscheinlichen Gruppe betrug der negative prädiktive Wert 99,1% und der positive 14,1% (Wells et al., 2003). In der wahrscheinlichen Gruppe betrug der negative 89,0% und der positive 38,6% (Wells et al., 2003). Anders gelesen (redaktionelle Berechnung: 100% minus dem negativen prädiktiven Wert von Wells et al., 2003), blieben nach einem negativen D-Dimer etwa 0,9% Krankheit in der unwahrscheinlichen Gruppe und etwa 11% in der wahrscheinlichen.

Das ist der Kern der Vortestwahrscheinlichkeit: Dieselbe negative Untersuchung schloss die Krankheit bei denen, die bereits niedrig starteten, fast aus und ließ eine Chance von etwa eins zu neun bei denen, die hoch starteten (redaktionelle Berechnung aus Wells et al., 2003). Nicht zufällig verlangte das Protokoll der Studie eine Ultraschalluntersuchung für jeden wahrscheinlichen Patienten, mit oder ohne negatives D-Dimer (Wells et al., 2003).

Was der Artikel nicht angibt

Der Artikel von Wells und Kollegen gibt weder die Sensitivität noch die Spezifität des D-Dimers in dieser Stichprobe an. Er bringt die Prävalenz pro Gruppe und die prädiktiven Werte und erwähnt, dass die beiden verwendeten Tests in einer früheren Studie der Autoren ähnliche negative prädiktive Werte hatten (Wells et al., 2003). Deshalb ordnet dieser Text der Studie keine Zahlen für Sensitivität oder Spezifität zu.

Implizite Likelihood-Ratios (redaktionelle Berechnung)

Man kann näherungsweise die Likelihood-Ratio schätzen, die von der Ausgangswahrscheinlichkeit zur Endwahrscheinlichkeit in jeder Gruppe führen würde. Dies ist eine redaktionelle Berechnung, mit den Zahlen von Wells et al. (2003), und kein vom Artikel veröffentlichtes Ergebnis.

• Unwahrscheinlich, negatives D-Dimer: Vortest-Chance 0,051 ÷ 0,949 ≈ 0,054; Nachtest-Chance 0,009 ÷ 0,991 ≈ 0,009; implizite Ratio 0,009 ÷ 0,054 ≈ 0,17 (redaktionelle Berechnung mit den Zahlen von Wells et al., 2003 und der Formel von Deeks und Altman, 2004).
• Unwahrscheinlich, positives D-Dimer: Nachtest-Chance 0,141 ÷ 0,859 ≈ 0,164; implizite Ratio 0,164 ÷ 0,054 ≈ 3,1 (redaktionelle Berechnung mit den Zahlen von Wells et al., 2003 und der Formel von Deeks und Altman, 2004).
• Wahrscheinlich, D-Dimer negativ: Vortestwahrscheinlichkeit 0,287 ÷ 0,713 ≈ 0,40; Nachtestwahrscheinlichkeit 0,11 ÷ 0,89 ≈ 0,12; implizites Verhältnis 0,12 ÷ 0,40 ≈ 0,31 (redaktionelle Berechnung mit den Zahlen von Wells et al., 2003 und der Formel von Deeks und Altman, 2004).
• Wahrscheinlich, D-Dimer positiv: Nachtestwahrscheinlichkeit 0,386 ÷ 0,614 ≈ 0,63; implizites Verhältnis 0,63 ÷ 0,40 ≈ 1,6 (redaktionelle Berechnung mit den Zahlen von Wells et al., 2003 und der Formel von Deeks und Altman, 2004).

Die impliziten Verhältnisse unterscheiden sich zwischen den Gruppen (redaktionelle Berechnung oben). Eine mögliche Erklärung ist, dass die Fähigkeit eines Tests, Kranke von Nichtkranken zu trennen, mit der Art des untersuchten Patienten variieren kann, der sogenannte Spektrum-Bias, der eine der Einschränkungen ist, die für Genauigkeitsstudien genannt werden (Pewsner et al., 2004). Die Lehre für die Studie ist doppelt: Die Ausgangswahrscheinlichkeit wiegt schwer, und die Leistung eines Tests hängt von der Gruppe ab, in der sie gemessen wurde.

Der praktische Nutzen

Die Verwendung der Vortestwahrscheinlichkeit zusammen mit dem D-Dimer senkte die durchschnittliche Zahl der Ultraschalluntersuchungen pro Patient von 1,34 auf 0,78 (Wells et al., 2003). Zweihundertachtzehn Patienten der D-Dimer-Gruppe, 38,8% derjenigen, die die Nachbeobachtung abschlossen, benötigten keine Ultraschalluntersuchung (Wells et al., 2003). Bei den Patienten der D-Dimer-Gruppe, bei denen die Thrombose durch die initiale Strategie ausgeschlossen wurde, hatten 0,4% ein thromboembolisches Ereignis innerhalb von drei Monaten, gegenüber 1,4% in der Kontrollgruppe, ein Unterschied ohne statistische Signifikanz (Wells et al., 2003).

Sensitivität, Spezifität und prädiktive Werte

Sensitivität und Spezifität beschreiben, wie das Vorhandensein oder Fehlen der Krankheit das Testergebnis vorhersagt; sie sagen allein nicht die Wahrscheinlichkeit einer Krankheit angesichts eines Ergebnisses (Deeks und Altman, 2004). Die prädiktiven Werte geben diese Wahrscheinlichkeit an, hängen aber von der Prävalenz in der untersuchten Gruppe ab (Deeks und Altman, 2004). Die Likelihood-Ratio verbindet beides: Sie stammt aus der Leistung des Tests und lässt sich auf die Wahrscheinlichkeit deines Patienten anwenden.

Warum der prädiktive Wert nicht übertragbar ist

Das Beispiel des D-Dimers zeigte dies in der Praxis: Derselbe Test hatte deutlich unterschiedliche prädiktive Werte in der wahrscheinlichen und der unwahrscheinlichen Gruppe (Wells et al., 2003). Ein veröffentlichter prädiktiver Wert gilt für Patienten, die denen der Studie ähneln. Wenn dein Patient von einer deutlich anderen Wahrscheinlichkeit ausgeht, ist der prädiktive Wert des Artikels nicht seiner.

SnNOut und SpPIn mit Vorsicht

Zwei Merkregeln sind verbreitet: Ein sehr sensitiver Test schließt bei negativem Ergebnis die Krankheit aus (SnNOut); ein sehr spezifischer Test bestätigt bei positivem Ergebnis (SpPIn) (Pewsner et al., 2004). Pewsner und Kollegen zeigen, dass die Ausschlusskraft nicht nur von der Sensitivität abhängt und sinkt, wenn die Spezifität niedrig ist; ebenso hängt die Bestätigungskraft von beiden Maßen ab (Pewsner et al., 2004). Die Autoren empfehlen, Genauigkeitsstudien kritisch zu bewerten und Nachtestwahrscheinlichkeiten mit Konfidenzintervallen zu berechnen, bevor man einen Test als SnNOut oder SpPIn behandelt (Pewsner et al., 2004).

Test und Klinik kombinieren

Die Likelihood-Ratios der Zusatzuntersuchungen verbessern, wenn sie mit einer guten klinischen Beurteilung kombiniert werden, die diagnostische Genauigkeit auf synergetische Weise (Grimes und Schulz, 2005). In der Praxis heißt das, dass der Test nicht die Anamnese und die körperliche Untersuchung ersetzt: Er setzt an dem Punkt an, an dem diese die Wahrscheinlichkeit hinterlassen haben.

Wenn der Test das Vorgehen nicht ändert

Ein Test lohnt sich, wenn das Ergebnis ändern kann, was du tust. Pauker und Kassirer beschrieben zwei Wahrscheinlichkeitsschwellen für diese Entscheidung: die Testschwelle und die Test-und-Behandlungs-Schwelle (Pauker und Kassirer, 1980).

Die beiden Schwellen

Liegt die Krankheitswahrscheinlichkeit unter der Testschwelle, wird nicht behandelt und nicht getestet; liegt sie über der Test-und-Behandlungs-Schwelle, wird ohne weitere Untersuchungen behandelt; der Test sollte nur zwischen den beiden Schwellen durchgeführt werden (Pauker und Kassirer, 1980). Die Werte der Schwellen hängen von der Zuverlässigkeit und den Risiken des Tests sowie dem Nutzen und den Risiken der Behandlung ab (Pauker und Kassirer, 1980).

Ein veröffentlichtes Beispiel einer Schwelle

Kline und Kollegen schätzten die Testschwelle für die Anforderung von D-Dimer bei Verdacht auf Lungenembolie auf 1,8%, mit der Methode von Pauker und Kassirer (Kline et al., 2004). Mit acht klinischen Kriterien, darunter Alter unter 50 Jahren und Puls unter 100 Schlägen pro Minute, leiteten die Autoren eine Regel ab, um zu begründen, den Test nicht anzufordern (Kline et al., 2004). Bei den Niedrigrisikopatienten, die alle Kriterien erfüllten, lag die Prävalenz der Lungenembolie bei 1,4%, unterhalb der Schwelle (Kline et al., 2004).

Die Autoren selbst nennen die Einschränkung: Die Spezifität der Regel lag bei 27% in der Niedrigrisikogruppe und bei 15% in der sehr niedrigen Risikogruppe (Kline et al., 2004). Der Wert des Beispiels liegt für Lernende darin, die Denkweise zu zeigen: Wenn die Wahrscheinlichkeit bereits unter der Testschwelle liegt, sollte das Testergebnis das Vorgehen nicht ändern.

Die Suche nach Gewissheit

Kassirer nannte das hartnäckige Streben nach diagnostischer Gewissheit als Ursache für übermäßige Tests und erinnerte daran, dass die Aufgabe darin besteht, die Unsicherheit ausreichend zu verringern, um zu entscheiden, und nicht, sie zu beseitigen (Kassirer, 1989). In einer Meta-Analyse von 15 Jahren Studien lag die durchschnittliche Rate übermäßiger Nutzung von Labortests bei 20,6% (Zhi et al., 2013). Dieselbe Meta-Analyse fand eine durchschnittliche Unternutzung von 44,8%, was daran erinnert, dass das Problem auch darin besteht, den Test nicht anzufordern, der das Vorgehen ändern würde (Zhi et al., 2013).

Fragen vor der Anforderung

Eine einfache Möglichkeit, die Schwellen im Praktikum anzuwenden, als redaktionelle Orientierung:

1. Welche Hypothese soll dieser Test prüfen?
2. Wie hoch ist meine Vortestwahrscheinlichkeit dafür, auch nur als Bereich?
3. Wenn das Ergebnis positiv ausfällt, was mache ich? Und wenn es negativ ausfällt?
4. Wenn beide Antworten gleich sind, ändert der Test das Vorgehen nicht.

Redaktionelle Orientierung; die Entscheidung, einen Test anzufordern oder nicht, liegt immer beim für den Patienten verantwortlichen Arzt.

Warum wir die Schätzung falsch machen

Wahrscheinlichkeiten zu schätzen ist schwierig, und Studien zeigen, dass der Fehler auch bei ausgebildeten Fachkräften häufig ist.

Vorher und nachher überschätzen

In einer Umfrage mit 553 Fachkräften aus Ambulanzen in acht amerikanischen Bundesstaaten, mit Szenarien, die in der Grundversorgung üblich sind, wurde die Vortestwahrscheinlichkeit in allen vier vorgestellten Szenarien überschätzt (Morgan et al., 2021). Nach einer positiven Röntgenaufnahme für Pneumonie lag die geschätzte Wahrscheinlichkeit bei 95%, gegenüber 46% bis 65% in der Evidenz (Morgan et al., 2021). Nach einer positiven Mammografie lag die Schätzung bei 50%, gegenüber 3% bis 9% in der Evidenz (Morgan et al., 2021). Die Autoren vermuten, dass diese Überschätzungen zu Überdiagnose und übermäßiger Testnutzung beitragen (Morgan et al., 2021).

Die klassische Frage zum falschen Positiven

Im Jahr 1978 fragten Casscells und Kollegen Ärzte, Assistenzärzte und Studierende nach der Wahrscheinlichkeit einer Erkrankung nach einem positiven Test, bei einer Krankheit mit einer Prävalenz von 1 zu 1.000 und einer Falsch-Positiv-Rate von 5% (Manrai et al., 2014). Als dieselbe Frage 2013 wiederholt wurde, fanden Manrai und Kollegen 23% richtige Antworten, ohne signifikanten Unterschied zu den 18% der ursprünglichen Studie (Manrai et al., 2014). Die häufigste Antwort in beiden Studien war 95%, gegeben von 44% der Teilnehmenden im Jahr 2013 (Manrai et al., 2014).

Die Rechnung, als redaktionelle Berechnung mit der Prävalenz und der Falsch-Positiv-Rate der von Manrai et al., 2014 berichteten Frage und unter der Annahme, dass der Test jeden Kranken erkennt: Von 1.000 Personen hat 1 die Krankheit und testet positiv; von den 999 ohne die Krankheit testen etwa 5%, also 50, positiv; dann hat 1 von etwa 51 Positiven die Krankheit, nahe 2%, dieselbe Antwort, die Manrai und Kollegen als richtig betrachteten (Manrai et al., 2014). Der Abstand zwischen der häufigsten Antwort, 95%, und der richtigen, nahe 2%, ist der Abstand zwischen dem Ignorieren und dem Berücksichtigen der Vortestwahrscheinlichkeit (Manrai et al., 2014).

Natürliche Häufigkeiten helfen

Prozentsätze durch Zählungen zu ersetzen, wie in der obigen Rechnung, erleichtert das Denken. In einer Studie mit 48 Ärzten wurde der positive Vorhersagewert in 10% der Fälle korrekt geschätzt, wenn die Information in Wahrscheinlichkeiten angegeben wurde, und in 46%, wenn sie in natürlichen Häufigkeiten angegeben wurde (Hoffrage und Gigerenzer, 1998). In "von 1.000 Patienten wie diesem" zu denken, ist ein einfaches Werkzeug für das Praktikum.

Sehr unterschiedliche Schätzungen für denselben Fall

In einer Studie mit Assistenzärzten und Fachärzten der Notfallmedizin und der Inneren Medizin schwankten die Schätzungen der Vortestwahrscheinlichkeit für denselben schriftlichen Fall stark; in einem der Fälle reichten die Antworten von 3% bis 98% (Phelps und Levitt, 2004). Die Autoren warnen, dass diese Schwankung die Konsistenz der mit Likelihood-Ratios berechneten Posttestwahrscheinlichkeiten einschränken kann (Phelps und Levitt, 2004). Deshalb hilft, wo vorhanden, eine validierte Vorhersageregel oder ein lokaler Prävalenzwert, die Schätzung zu verankern.

Fehler, die es zu vermeiden gilt

• Den Ausgangspunkt vergessen: das Ergebnis lesen, als ob es ausreichte.
• Den prädiktiven Wert einer anderen Gruppe verwenden: die Zahl aus dem Artikel auf einen Patienten anwenden, der sich stark von den untersuchten unterscheidet.
• Ein Bereichsergebnis als binär behandeln: die Information verlieren, wie stark verändert der Befund ausfiel.
• Zu sehr auf die Merkregel vertrauen: SnNOut auf einen Test mit niedriger Spezifität anwenden.
• Einen Test anfordern, der das Vorgehen nicht ändert: wenn jedes Ergebnis zur selben Entscheidung führt.

Wie man die Schätzung trainiert

Die Schätzung verbessert sich durch Wiederholung und Rückmeldung, wie jede Fähigkeit des klinischen Denkens. Der Kernpunkt ist, eine Zahl aufzuschreiben, bevor man das Ergebnis sieht, und sie danach zu vergleichen.

Im Praktikum

Bevor du einen Befund ansiehst, nenne dir selbst die Haupthypothese und einen Wahrscheinlichkeitsbereich. Nach dem Ergebnis schätzt du erneut und prüfst, ob die Veränderung zur Stärke des Tests passt. Wenn es eine validierte Vorhersageregel für die Situation gibt, vergleiche deine Schätzung mit der der Regel. Besprich mit dem Assistenzarzt oder dem Ausbilder nicht nur die Diagnose, sondern auch die Wahrscheinlichkeit, die jeder vor dem Test hatte.

Mit Übungsfällen

Fälle in Etappen eignen sich gut für diese Übung, weil die Daten nach und nach eintreffen, wie auf der Station. Notiere bei jeder neuen Information die Haupthypothese und die Wahrscheinlichkeit, die du ihr zuordnest; am Ende siehst du, wann sich die Schätzung geändert hat und warum.

Im NEXO trainieren

Im NEXO kommt jeder Fall in bis zu sechs Hinweisen, und dieses Format ist ein gutes Feld, um die Vortestwahrscheinlichkeit zu trainieren: bei jedem Hinweis stellst du Hypothesen auf und kannst einschätzen, wie sehr du der wichtigsten vor dem nächsten vertraust. Jede Hypothese zeigt die Nähe im ICD-10 in fünf Stufen, was sagt, ob deine Hypothese in der richtigen Krankheitsgruppe lag. Beim dritten Hinweis erscheint die Area des Falls und beim fünften die ICD-Gruppe; du kannst einen Hinweis überspringen, wenn du weitergehen möchtest.

Eine einfache Übung für den Modus Täglich, mit dem Fall des Tages, derselbe für alle: Schreibe vor jeder Hypothese deine Vermutung und einen Wahrscheinlichkeitsbereich auf; vergleiche am Ende mit der Gruppe, bei welchem Hinweis jeder am sichersten war. Das Archiv versammelt die früheren Fälle, der Modus Multimedia bringt Fälle mit Bild und Ton, und der Modus Kontinente Fälle mit Bezug zu Afrika, Amerika, Asien, Europa und Ozeanien, wo die Epidemiologie die Ausgangswahrscheinlichkeit verändert. Das Adrenalin, mit der vorher gewählten Dosis, trainiert die Schätzung mit Zeit.

Die Anki-Schaltfläche erstellt die Karte direkt aus dem NEXO und öffnet sie in der Anki-App, sucht die Karten, die du bereits hast, und übernimmt bei einem Fall mit Bild das Bild in die Karte; es lohnt sich, den Befund zu speichern, der deine Schätzung am meisten verändert hat. Um die Grenzen jedes Modus zu verstehen, lies die Seite zur Wirtschaft von NEXO. Um das Spiel kennenzulernen, lies was NEXO ist.

Mit der Gruppe

Das Ranking hat die Tabs Global, Universidades und Grupo, letzterer mit Einladungscode. Wenn die Liga oder die Gruppe denselben Fall spielt, zeigt der Vergleich der Schätzungen in der Praxis die Schwankung, die die Studien beschreiben, und hilft jedem, die eigene Zahl zu kalibrieren. Wenn du eine Fakultät, Liga oder Weiterbildung koordinierst und solche Fälle in der Lehre einsetzen möchtest, lerne NEXO Closer kennen. Forschende, die untersuchen möchten, wie Studierende die Schätzung kalibrieren, können NEXO Researcher kennenlernen, Ärzte, die Fälle überprüfen möchten, NEXO Curator, und wer Inhalte zur Medizin produziert, NEXO Creators.

Häufige Fragen

Was ist die Vortestwahrscheinlichkeit?

Es ist die Schätzung, dass der Patient eine Krankheit hat, bevor das Ergebnis eines Tests vorliegt, basierend auf der Anamnese, der körperlichen Untersuchung, der Epidemiologie und, wo vorhanden, validierten Vorhersageregeln. Nach dem Test wird sie aktualisiert und wird zur Posttestwahrscheinlichkeit.

Wie berechnet man die Posttestwahrscheinlichkeit?

Rechne die Vortestwahrscheinlichkeit in eine Chance um, multipliziere sie mit der Likelihood-Ratio des Ergebnisses und rechne sie wieder in eine Wahrscheinlichkeit um (Deeks und Altman, 2004). Das Nomogramm von Fagan macht dieselbe Rechnung ohne Rechnen (Fagan, 1975).

Warum bedeutet derselbe positive Test unterschiedliche Dinge?

Denn das Ergebnis multipliziert die Chance, die bereits bestand. Bei derselben Likelihood-Ratio von 20,4 steigt eine Wahrscheinlichkeit von 10% auf etwa 69% (Deeks und Altman, 2004), während eine von 1% auf etwa 17% steigt (redaktionelle Berechnung mit derselben Formel).

Was ist der Unterschied zwischen prädiktivem Wert und Likelihood-Ratio?

Der prädiktive Wert ist bereits eine Krankheitswahrscheinlichkeit, hängt aber von der Prävalenz der Gruppe ab, in der er gemessen wurde (Deeks und Altman, 2004). Die Likelihood-Ratio misst die Stärke des Ergebnisses und kann auf die Wahrscheinlichkeit deines Patienten angewendet werden.

Schließt ein negatives D-Dimer eine Thrombose immer aus?

In der Studie von Wells und Kollegen schloss ein negatives D-Dimer eine Thrombose bei klinisch unwahrscheinlichen Patienten sicher aus, wurde aber bei den wahrscheinlichen nicht allein verwendet, diese erhielten eine Ultraschalluntersuchung (Wells et al., 2003). Die Entscheidung bei jedem Patienten liegt beim verantwortlichen Arzt.

Wann lohnt es sich nicht, eine Untersuchung anzufordern?

Wenn die Wahrscheinlichkeit unter der Testschwelle oder über der Schwelle für Test und Behandlung liegt, weil das Ergebnis das Vorgehen nicht ändert (Pauker und Kassirer, 1980).

Wie kann man die Schätzung der Vortestwahrscheinlichkeit üben?

Schreibe vor jedem Ergebnis eine Wahrscheinlichkeitsspanne auf und vergleiche danach. Fälle in Etappen, wie die von NEXO mit bis zu sechs Hinweisen, helfen, das Formulieren von Hypothesen und das Schätzen bei jeder neuen Information zu üben.

Checkliste zur Interpretation einer Untersuchung

1. Lege die Hypothese fest, die die Untersuchung prüfen soll.
2. Schätze die Vortestwahrscheinlichkeit, und sei es als Spanne.
3. Suche eine Vorhersageregel, die für die Situation validiert ist.
4. Frage, ob das Ergebnis das Vorgehen ändert, positiv oder negativ.
5. Verwende die Likelihood-Ratio, nicht nur die Sensitivität oder die Spezifität.
6. Rechne über die Chance oder verwende das Nomogramm.
7. Lies Ergebnisse als Spanne nach der Stufe, nicht nur als positiv oder negativ.
8. Denke in natürlichen Häufigkeiten: bei 1.000 Patienten wie diesem.
9. Prüfe, ob die Studie zur Untersuchung Patienten hatte, die deinen ähnlich sind.
10. Vergleiche deine Schätzung mit der von Kollegen und mit dem Ausgang des Falls.

Möchtest du heute üben? Spiele den Fall des Tages bei NEXO.

Referenzen

1. Kassirer JP. Our stubborn quest for diagnostic certainty. A cause of excessive testing. N Engl J Med. 1989. https://doi.org/10.1056/NEJM198906013202211
2. Wells PS, Anderson DR, Rodger M, et al. Evaluation of D-dimer in the diagnosis of suspected deep-vein thrombosis. N Engl J Med. 2003. https://doi.org/10.1056/NEJMoa023153
3. Grimes DA, Schulz KF. Refining clinical diagnosis with likelihood ratios. Lancet. 2005. https://pubmed.ncbi.nlm.nih.gov/15850636/
4. Deeks JJ, Altman DG. Diagnostic tests 4: likelihood ratios. BMJ. 2004. https://pubmed.ncbi.nlm.nih.gov/15258077/
5. Fagan TJ. Letter: Nomogram for Bayes's theorem. N Engl J Med. 1975. https://pubmed.ncbi.nlm.nih.gov/1143310/
6. Pewsner D, Battaglia M, Minder C, et al. Ruling a diagnosis in or out with "SpPIn" and "SnNOut": a note of caution. BMJ. 2004. https://pubmed.ncbi.nlm.nih.gov/15271832/
7. Pauker SG, Kassirer JP. The threshold approach to clinical decision making. N Engl J Med. 1980. https://pubmed.ncbi.nlm.nih.gov/7366635/
8. Kline JA, Mitchell AM, Kabrhel C, et al. Clinical criteria to prevent unnecessary diagnostic testing in emergency department patients with suspected pulmonary embolism. J Thromb Haemost. 2004. https://pubmed.ncbi.nlm.nih.gov/15304025/
9. Zhi M, Ding EL, Theisen-Toupal J, et al. The landscape of inappropriate laboratory testing: a 15-year meta-analysis. PLoS One. 2013. https://pubmed.ncbi.nlm.nih.gov/24260139/
10. Morgan DJ, Pineles L, Owczarzak J, et al. Accuracy of Practitioner Estimates of Probability of Diagnosis Before and After Testing. JAMA Intern Med. 2021. https://pubmed.ncbi.nlm.nih.gov/33818595/
11. Manrai AK, Bhatia G, Strymish J, et al. Medicine's uncomfortable relationship with math: calculating positive predictive value. JAMA Intern Med. 2014. https://pubmed.ncbi.nlm.nih.gov/24756486/
12. Hoffrage U, Gigerenzer G. Using natural frequencies to improve diagnostic inferences. Acad Med. 1998. https://pubmed.ncbi.nlm.nih.gov/9609869/
13. Phelps MA, Levitt MA. Pretest probability estimates: a pitfall to the clinical utility of evidence-based medicine? Acad Emerg Med. 2004. https://pubmed.ncbi.nlm.nih.gov/15175211/