Hoe denkt de arts? 2
Kennis toepassen, en beslissingen nemen •Hoe weet je of een ziektebeeld waarschijnlijk is?
Dr. Peter Moorman Medische Informatica ErasmusMC
– de differentiaal diagnose
•Hoe wordt een ziektebeeld meer of minder waarschijnlijk? – aanvullend onderzoek
•Hoe weet je hoe een ziektebeeld behandeld moet worden? – therapie 1
Wat doet de arts?
2
Hoe wordt kennis toegepast? • Wat doet de arts?
Wat doet de arts?
Welke vraag beantwoordt de arts?
Anamnese en lichamelijk onderzoek.
Wat is er aan de hand?
Opstellen probleem en DD.
Gegeven de symptomen, welke ziektebeelden zijn hoog waarschijnlijk of laag waarschijnlijk, maar met grootte consequentie
Aanvullend onderzoek
Hoe kan ik de waarschijnlijkheid van de diagnoses in de DD vergroten of verkleinen
Instellen behandelplan
Welke therapie?
– verzamelen van gegevens • Speciële anamnese • Tractus anamnese • Lichamelijk onderzoek
– differentiaal diagnose
3
Gerichte Anamnese
Wat is differentiaal diagnose?
• 7 Dimensies – – – – – – –
4
• Geen standaard • Mogelijkheden:
Lokalisatie Plaats Kwaliteit Aard Kwantiteit Sterkte (ernst) Factoren Factoren Context Omstandigheden Tijdsverloop Tijdsbeloop Begeleidende verschijnselenOverige klachten
– – – –
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
6
1
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
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.
Æ wetenschappelijk basis? 7
Formelere wijze
McDonald CJ. Medical heuristics: the silent adjudicators of clinical practice. Ann Intern Med. 1996;124:56-62.
8
Casus • 20 jarige vrouw bij huisarts • voornaamste klacht
• Regel van Bayes • Bepalen hoe groot de kans op een ziekte is gegeven een bepaald symptoom. Æ Welke factoren?
– moeheid sinds 3 weken
• Hb bepalen -> blijkt leukemie te zijn
• Wat is nu de kans dat het bij deze pt leukemie is bij de klacht moeheid? 9
1. Hoe vaak komt de ziekte voor?
10
2. Hoe vaak komt het symptoom bij de ziekte voor?
• Prevalentie • Incidentie • P(Z)
• Niet iedereen die de ziekte heeft, heeft ook het symptoom • (Sensitiviteit) • P(S|Z)
– De kans op ziekte Z – P=probilitas=kans
– Kans op symptoom S gegeven ziekte Z
• P(leukemie in huisartspraktijk)=1:10.000 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)
P(Z|S) × als P(Z)*P(S|Z) ×
– Kans op symptoom S gegeven ziekte Z
• P(beginnen met moeheid|leukemie)=0.6 13
3. Symptoom bij mensen die de ziekte NIET hebben? • P(S|nZ)
14
Hoe vaak komt het symptoom voor? • Bij mensen MET de ziekte • P(Z)*P(S|Z)
– Kans op het symptoom gegeven NIET de ziekte – nZ= niet ziek of andere ziekte – (nZ=‘Z=Z=!Z)
PLUS
• P(S|nZ)
• Bij mensen zonder de ziekte
• = 1:30 moeheid bij huisarts terwijl ze geen leukemie hebben
• P(nZ)*P(S|nZ)
15
Theorema van Bayes
16
De variabelen in Bayes
P(ziekte met symptoom)
P(Z|S)=
P(Z)* P(S|Z) --------------(P(Z)*P(S|Z)) + (P(nZ)*P(S|nZ))
P(Z|S)=
P(Z) * P(S|Z) -----------------------------------------(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|S)=
P(nZ)* P(S|nZ) --------------P(Z)*P(S|Z)+P(nZ)*P(S|nZ)
19
Differentiaal diagnose moeheid bij huisarts
20
Differentiaal diagnose moeheid bij huisarts (volgens richtlijn) • Werkhypothese
• Geen leukemie • Wat dan wel? (veel mogelijkheden)
– (Zelf-limiterende) moeheid
• Actieve alternatieven (pas na 4 weken klachten) – – – –
Anemie (bloedarmoede) ‘Ontsteking’ Diabetes (suikerziekte) Schildklierziekte
(probabilistisch) (probabilistisch) (pragm. + progn.) (pragm. + progn.)
• Andere hypotheses – ……… 21
Kans op bloedarmoede bij moeheid
22
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
26
Wat doet de arts? Wat doet de arts?
Welke vraag beantwoordt de arts?
Anamnese en lichamelijk onderzoek.
Wat is er aan de hand?
Opstellen probleem en DD.
Gegeven de symptomen, welke ziektebeelden zijn hoog waarschijnlijk of laag waarschijnlijk, maar met grootte consequentie
Aanvullend onderzoek
Hoe kan ik de waarschijnlijkheid van de diagnoses in de DD vergroten of verkleinen
Instellen behandelplan
Welke therapie?
27
28
Normaal als statistische definitie
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’
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
Prevalentie schildklierziekte 4:1000 Test Positief
Test Negatief
Ziekte Aanwezig Ziekte Afwezig
32
Maar: overlap
Totaal ±4% Z-, T+ FP
40 9.960
Totaal
10.000
33
34
Maar: overlap Test Positief Ziekte Aanwezig Ziekte Afwezig Totaal
Test Negatief
Totaal ±15% Z+, TFN
40 398
9.562
9.960 10.000
35
36
6
Test Positief
Test Negatief
Totaal
34
6
40
Ziekte Aanwezig Ziekte Afwezig
398
9.562
Totaal
Test Positief Ziekte Aanwezig Ziekte Afwezig
9.960
Totaal
10.000
Test Negatief
Totaal
34
6
40
Terecht-positief
Fout-negatief
398 Fout-positief
432
9.562
9.960
Terecht-negatief
9.568
10.000
37
38
Indicators van test • Elke test fout-positieven en foutnegatieven
• proportie terecht-positieven (34/40=0,85) – hoe goed kan test, bij ziekte, de ziekte opsporen: sensitiviteit
– Behalve als uitslag definierende kenmerk
• proportie terecht-negatieven (9562/9960=0,96)
• Vergelijk: – HIV-positief – ‘Aids’ of drager virus
– hoe goed kan test, bij niet-ziekte, de ziekte uitsluiten: specificiteit
– Hoge bloeddruk gemeten – Hypertensie: 5 x meten en gemiddeld > bv 95
39
40
41
7