Analisi delle decisioni cliniche

Transcript

1 Analisi delle decisioni cliniche

2 Decisioni Il clinico, a fronte del malato, deve prendere delle decisioni: Di quale malattia si tratta? Sono necessari ulteriori test diagnostici? E necessario un trattamento? Quale trattamento? Le decisioni sono comunque prese, solitamente con un processo informale. E possibile formalizzare e rendere esplicito tale processo?

3 EBM e decisione clinica Medicina basata sulle prove di efficacia Sintesi delle migliori prove scientifiche volte al trasferimento della ricerca nella pratica clinica [Sackett, BMJ 1996] L analisi della decisione è parte del trasferimento nella pratica clinica. Le decisioni di tipo formale si applicano bene in condizioni complesse, soprattutto per la costruzione di linee guida e protocolli.

4 Un caso clinico Un ragazzo di 15 anni riferisce dolore in fossa iliaca destra persistente da due giorni, anoressia, non nausea né vomito, peristalsi intestinale ridotta. E.O: temperatura rettale 38 C, contrattura reattiva alla palpazione addominale, Blumberg -. Esempio modificato da Giorgio Duca

5 Elementi della decisione Bisogna stabilire ulteriori esami da effettuare, la diagnosi ed il trattamento. 1) Elencare tutti gli stati di realtà (diagnosi differenziale), mutuamente esclusivi, associati alla situazione clinica, e assegnare le probabilità a ciascuno di essi 2) Elencare tutte le decisioni possibili (attendere, trattare, ulteriori accertamenti) 3) Determinare l utilità di ciascun esito di ciascuna decisione applicata a ciascuno stato di realtà

6 1. Possibili diagnosi Probabilità Appendicite acuta? Gastroenterite acuta? Calcolosi renale Incertezza!? Colelitiasi? Altro? SEMPLIFICANDO Appendicite acuta p 1 Non appendicite (1- p 1 )

7 1. Come assegnare le probabilità? Il giudizio del clinico in base alla propria esperienza Informazioni di carattere epidemiologico e letteratura (EBM) Si possono effettuare ulteriori test per modificare le probabilità: Probabilità pre-test Probabilità post-test

8 1. E un procedimento Bayesiano La probabilità a priori della malattia (es: prevalenza della malattia nella popolazione in base a studi epidemiologici) è modificata in base alle informazioni disponibili. Probabilità pre-test probabilità post-test test Nel nostro caso: età, tipo di dolore, sintomi, temperatura

9 Teorema di Bayes Una industria produce un test per identificare l utilizzo di steroidi negli atleti. Il 95% delle volte, il test identifica come positivo un atleta che utilizza eritropoietina. Un ciclista risulta positivo al test. Qual e la probabilità che abbia utilizzato eritropoietina? a b. Almeno 0.95 c. Meno di 0.95 d. Non abbiamo abbastanza informazioni per rispondere

10 Informazioni corrette Una industria produce un test per identificare l utilizzo di steroidi negli atleti. Il 95% delle volte, il test identifica come positivo un atleta che utilizza eritropoietina. Inoltre: 1) 15% degli atleti che non utilizzano eritropoietina è positivo al test. 2) 10% dei ciclisti della squadra dell atleta testato usa eritropoietina Posso dire che l atleta risultato positivo al test ha una probabilità di 0.41 di aver utilizzato eritropoietina

11 2. Scelte possibili Trattamento chirurgico Non trattare e attendere Accertamenti diagnostici Ognuna di queste scelte avrà delle conseguenze (rischi e benefici). Le conseguenze dipendono dallo stato di realtà (cioè dalla malattia) e dalla decisione presa

12 2. Scelte e conseguenze nel ragazzo di 15 anni Consideriamo come scelte trattare e non trattare. Si potrà: Operare un persona con appendicite Non operare una persona con appendicite Operare una persona senza appendicite Non operare una persona senza appendicite Poniamo come conseguenze lo stato in vita: vivo morte

13 Albero decisionale Trattare Non Trattare p (1-p) Non Malato p (1-p) Malato Malato Non Malato Nodo decisionale Nodo causale Morto Vivo Morto Vivo Morto Vivo Morto Vivo

14 Albero decisionale Trattare Non Trattare p (1-p) Non Malato p (1-p) Malato Malato Non Malato Morto Vivo Morto Vivo Morto Vivo Morto Vivo Prob (morte T) p*(0.001)+(1-p)*0.001 Prob (morte t) p*(0.040)+(1-p)*0 p 1 Prob (M T) Prob (M t) 0.04

15 3. Conseguenze: l utilità L utilità misura la desiderabilità dell esito. E compresa tra 0 e 1. Può essere oggettiva (es mortalità) Può essere soggettiva. Esempio. decisione clinica in caso di gravidanza gemellare: 1) anticipare il parto con aumento di mortalità neonatale 2) ritardare il parto con aumento di mortalità in utero?

16 Utilità soggettiva Gemelli vivi 2 Attitudine dei genitori -- Utilità 1 Risultato 1 0 a)un bambino vivo è desiderabile come entrambi i bambini vivi b) Ogni bambino vivo aggiunge la medesima desiderabilità c)la perdita di uno solo dei due bambini è vissuto come catastrofica a. 28 settimana b. 31 settimana c. 33 settimana Da: Georgeson S et al, Med Dec Making 1992;10:139-49

17 3. Utilità nell esempio dell appendicite 1. Malato di appendicite non trattato U Mt = Malato di appendicite trattato U MT = Non malato di appendicite trattato U mt = Non malato di appendicite non trattato U mt =1.000

18 Albero decisionale Trattare Non Trattare p (1-p) Non Malato p (1-p) Malato Malato Non Malato Morto Vivo Morto Vivo Morto Vivo Morto Vivo Prob (morte T) p*(0.001)+(1-p)*0.001 Prob (morte t) p*(0.040)+(1-p)*0

19 Utilità Trattare p Malato (1-p) Non Malato U U MT =0.999 U mt =0.999 Non Trattare Utilità attesa p Malato (1-p) Non Malato U Mt =0.960 U mt =1.000 del trattamento E(U T ) = p* U MT + (1-p)* U mt Del non trattamento E(U t ) = p* U Mt + (1-p)* U mt

20 Da: Lilford et al. BMJ 1998;317:405-9 Kellet J et al. Med Decis Making 1995;15:

21 Soglia di p Utilità attesa del trattamento E(U T ) = p* U MT + (1-p)* U mt Del non trattamento E(U t ) = p* U Mt + (1-p)* U mt P soglia E(U T ) = E(U t ) SI TRATTA SE E(U T ) > E(U t ) P soglia p* (U MT -U Mt + U mt U mt ) = U mt U mt = 2.5 % Benefici Costi p soglia = C/(B+C) oppure odd p =C/B

22 Soglia di p Non trattare Trattare Utilità attesa Probabilità di malattia 1

23 Come aumentare la conoscenza su p? Si può effettuare un test diagnostico: Verità + - Test + VP FP - FN VN SENSIBILITA : VP/(VP+FN) SPECIFICITA : VN /(VN+FP) VPP: VP/(VP+FP) VPN: VN/(VN+FN) Il VPP è la probabilità di avere la malattia se il test è positivo. Dipende dalla probabilità pre-test

24 Conoscenza di p Prob pretest Test: + Test: - VPP VPN Si possono usare i rapporti di verosomiglianza: RV+ = SE / (1-SP) probabilità di un risultato positivo in un soggetto malato rispetto alla stessa probabilità in un soggetto non malato RV- = (1-SE)/ (SP) probabilità di un risultato negativo in un soggetto malato rispetto alla stessa probabilità in un soggetto non malato

25 Conoscenza di p Se il test è positivo sarà: Odds M post-test = RV+ * Odds M pre-test Se il test è negativo sarà: Odds M post-test = RV- * Odds M pre-test Odds M = p / (1-p) p=odds / (odds +1) Per conoscere RV+ ed RV- bisogna sapere la specificità e la sensibilità del test: EBM

26 Caratteristiche del RV RV varia tra 0 ed infinito Se RV>1 il risultato del test aumenta la probabilità di presenza di malattia (un buon test ha RV+ 10) Se RV < 1 il risultato del test aumenta la probabilità di assenza di malattia (buon test RV- 0.1) Se RV = 1, il test non è informativo

27 Test diagnostico 1.2 Probabilità a posteriori RV+ RV- RV Probabilità a priori

28 La scorsa lezione Elementi dell analisi delle decisioni cliniche: 1. stati di realtà con le loro probabilità; 2. Possibilità di intervento; 3. Utilità: mortalità, attesa di vita, qualità di vita, soggettiva Albero decisionale Probabilità soglia Test diagnostico

29 Linee guida e pazienti Lilford RJ, et al. BMJ 1998;317:405-8

30 Test Verità + - Test + VP FP - FN VN SENSIBILITA : VP/(VP+FN) SPECIFICITA : VN /(VN+FP) VPP: VP/(VP+FP) VPN: VN/(VN+FN) RV+ = SE/(1-SP) RV- = (1-SE)/SP Esercizio: Una paziente di 70 anni ha un nodulo mammario. Per capire se si è in presenza di un Ca mammario effettuate in primo luogo la ispezione/palpazione della mammella: SENS= 40%, SPEC=70%. La prevalenza di Ca mammario nella vostra popolazione a 70 anni e del 10%. 1.Da cosa dipendono la SENS e SPEC? 2.Calcolate VPP, VPN, RV+, RV-, la Probabilità post-test se il test è positivo e la Probabilità post test se il test è negativo 3.Se la paziente avesse avuto 40 anni (prev 0.01) quali risultati avreste ottenuto?

31 Risultati (1) Immaginiamo 1000 individui (Prev = 10%): Verità + - tot Test tot VP+ = 40/310=12.9%. VP- = 630/690 = 91.3% RV+ =.40 /.30 = RV- =.60 /.70 = *1.333 = P=(0.148/1.148) = 12.9% Oddspre =.10/.90= *0.857 = P=(0.095/1.095) = 8.7%

32 Risultati (2) Immaginiamo 1000 individui (Prev = 1%): Verità + - tot Test tot VP+ = 4/301=1.3%. VP- = 693/699 = 99% RV+ =.40 /.30 = RV- =.60 /.70 = *1.333 = P=(0.013/1.013) = 1.3% Oddspre =.01/.99= *0.857 = P=(0.009/1.009) = 0.9%

33 Test in serie Assumiamo che il medico conduca sia la palpazione (SENS=40%, SPEC=70%) sia la mammografia (SENS=80%, SPEC=90%). Palpazione RV+ = 1.33, RV- = 0.86 Mammografia RV+ = 8.00, RV- = 0.22 Odds post = Odds pre* RV1 * RV2 Calcolate la probabilità post-test se sia la palpazione alla mammella sia la mammografia risultano essere positivi

34 Risultato Se i due test sono positivi: Ppre=10% odds(post)=0.11*1.33*8 = 1.17 Ppost=53.9% Ppre=1% odds(post)=0.01*1.33*8 = Ppost=9.6%

35 Un caso clinico Un ragazzo di 15 anni riferisce dolore in fossa iliaca destra persistente da due giorni, anoressia, non nausea né vomito, peristalsi intestinale ridotta. E.O: temperatura rettale 38 C, contrattura reattiva alla palpazione addominale, Blumberg -. Esempio modificato da Giorgio Duca

36 Nell esempio dell appendicite Ammettiamo che la probabilità a priori di appendicite del ragazzo di 15-anni fosse del 20%. Si esegue una formula leucocitaria: SENS = 90%, SPEC = 80% Se il test è positivo, la probabilità post-test è: ODDS ( POST ) = * = ( ) ( ) Quindi p(post) = [1.125/( )] = 53% Se il test è negativo, la probabilità post-test è: ODDS POST = 0.20 ( ( Quindi p(post) = [0.03/(1+0.03)] = 2.9% ) * ) =

37 Nell esempio (2) La soglia di probabilità per cui bisognava trattare era del 2.5%: In mancanza di test bisogna trattare (p=20%) Se il test è positivo bisogna trattare (p=53%) Se il test è negativo bisogna trattare (p=2.9%) Se la probabilità a priori del 15-enne fosse stata del 10% un test negativo avrebbe dato una probabilità a posteriori del 1.4%: Non trattare

38 Non trattare Soglia di p 1 Trattare Test diagnostico Utilità attesa Non trattare test trattare 0 0 Probabilità di malattia 1

39 E se avessimo avuto il test perfetto? Se il test è positivo, la probabilità post-test è: ODDS ( POST ) = ( ) * (1 1 1) = Quindi p(post) = ( / 1+ ) = 1 Se il test è negativo, la probabilità post-test è: ODDS POST = ( ) * (1 1 1) = 0 Quindi p(post) = [0/(1+0)] = 0

40 Non trattare Soglia di p 1 Trattare Test diagnostico Utilità attesa Test perfetto 0 0 Probabilità di malattia 1

41 Sull EBM Riassumendo, l EBM fornisce informazioni su: Probabilità della malattia Benefici e rischi della terapia Qualità dell informazione dei test

42 Un esempio su tubercolosi e sarcoidosi Un paziente di 44 anni riferisce affaticamento, febbre persistente da circa 3 settimane, calo ponderale (2.5 kg in 6 mesi). Una breve anamnesi, l esame obiettivo, Rx torace con indicazione di piccoli nodi miliari indicano come diagnosi: Tubercolosi miliare 70% Sarcoidosi 30% Fonte: Kopelman RI, et al New Engl J Med 1999;341:435-39

43 Un esempio su tubercolosi e sarcoidosi Una TBC miliare non trattata ha una mortalità del 50% Una TBC miliare trattata con rifampicina, isoniazide, pirazinamide, etambutolo ha una mortalità del 20% Intorno al 2% delle persone di origine asiatica trattate con isoniazide sviluppa un epatite, con mortalità del 7.5% mortalità totale del 0.15% Fonte: Kopelman RI, et al New Engl J Med 1999;341:435-39

44 Albero decisionale Trattare 70% TBC 30% Sarcoidosi U U MT =0.800 U mt =0.985 Non Trattare 70% TBC 30% Sarcoidosi U Mt =0.500 U mt =1.000 Utilità attesa trattamento E(U T ) = 0.70* *0.985 = 0.85 non trattamento E(U t ) = 0.70* *1.0 = 0.65

45 Test diagnostici Risultato Test della tubercolina - Biopsia trans-bronchiale granulomi non caseosi Livelli sierici di ACE normali

46 Probabilità a posteriori (1) Ricordando: Odds M post-test = RV+ * Odds M pre-test Odds M post-test = RV- * Odds M pre-test Sappiamo che: RV- per il test della tubercolina 0.26 Quindi Odds (TBC) = 0.26 * (0.70/0.30) = 0.61 P(TBC) = [0.61/(0.61+1)] = 38%

47 Albero decisionale (1) Trattare 38% TBC 62% Sarcoidosi U U MT =0.800 U mt =0.985 Non Trattare Utilità attesa 38% TBC 62% Sarcoidosi U Mt =0.500 U mt =1.000 trattamento E(U T ) = 0.38* *0.985 = 0.91 non trattamento E(U t ) = 0.38* *1.0 = 0.81

48 Probabilità a posteriori (2) RV- per i granulomi non caseosi 0.20 Quindi Odds (TBC) = 0.20 * (0.38/0.62) = 0.12 P(TBC) = [0.12/(0.12+1)] = 11% RV+ per ACE 4.75 Quindi Odds (TBC) = 4.75 * (0.11/0.89) = 0.59 P(TBC) = [0.59/(0.59+1)] = 37%

49 Albero decisionale (2) Trattare 37% TBC 63% Sarcoidosi U U MT =0.800 U mt =0.985 Non Trattare Utilità attesa 37% TBC 63% Sarcoidosi U Mt =0.500 U mt =1.000 trattamento E(U T ) = 0.37* *0.985 = 0.92 non trattamento E(U t ) = 0.37* *1.0 = 0.82

50 Per risolvere il problema Utilità attesa trattamento E(U T ) = p* (1-p)*0.985 non trattamento E(U t ) = p* (1-p)*1.0 P soglia p* (1-p)*0.985 = p* (1-p)*1.0 = Oddspre = 0.7/0.3=2.33 = 4.8% Oddspost = 2.33* 0.26* 0.20* 4.75 = Ppost = (0.575/1.575) = 36.5%

51 Finale: TBC e sarcoidosi Il paziente è stato trattato per TBC miliare in attesa del risultato della coltura per il micobatterio della TBC. Dopo due settimane la coltura è negativa ed il paziente ha ancora febbre e dispnea ingravescente. Viene trattato con prednisone per diagnosi di sarcoidosi. Dopo sei settimane la coltura è ancora negativa, il pz è migliorato ed il trattamento per TBC viene sospeso