Was folgt aus den Tests, die ich am Ende meiner klinischen Untersuchung durchgeführt habe?

Nehmen wir an.

Ich habe gerade den subakromialen Konflikttest (CSA) wegen Schmerzen in der Schulter durchführen lassen.

Leider wissen wir, dass dies nicht so einfach ist. Fehler sind möglich, da die Tests nicht 100%ig zuverlässig sind und die diagnostischen Werte der Tests stark variieren.

(Der Schwellenwert für akzeptable Zuverlässigkeit ist willkürlich und kann je nach Kontext variieren).

Was nützt es, diese Zuverlässigkeitsgrenzen zu kennen?

Eine Diagnose stellen und unsere Fehlerquote kennen?

Die Diagnose ist vor allem für die Kommunikation mit dem Patienten wichtig.

„Sie haben also herausgefunden, was mir weh tut? „

NB: In diesem Zusammenhang ist das Buch von Le Breton interessant zu lesen. (Anthropologie des Schmerzes).

Bis zu 30% der ursprünglichen Diagnosen ändern sich im Laufe der Behandlung… und in den meisten Fällen ist dies nicht weiter schlimm. Aber Verdachtsdiagnosen müssen in unserer klinischen Argumentation präsent sein, um den Patienten gegebenenfalls umzuleiten (Notwendigkeit einer weiteren Untersuchung, ärztlicher Rat, Physiotherapie…).

Wir werden die Begriffe Sensitivität, Spezifität und Likelihood Ratio (LR) einführen.

Dieser Test ist empfindlich, dieser Test ist spezifisch.

Diese beiden Begriffe sind Metriken, mit deren Hilfe die Fehlerquote von Tests berechnet werden kann.

Man kann schnell verstehen, dass wenn ein Test eine Sensitivität/Spezifität von etwa 50% hat, man genauso gut eine Münze werfen und sehen könnte, ob sie auf eine Münze fällt (palm up test?).

Wie Sie sehen können, berücksichtigen diese Metriken jedoch nur die Hälfte der Bevölkerung.

Das ist auch der Grund, warum ein Test zwar sehr empfindlich ist, etwa 90%, wenn seine Spezifität aber nur 4% beträgt -> man kann nicht so stolz sein.

Und umgekehrt.

Das Likelihood-Ratio ermöglicht es uns, einen Wert zu erhalten, der die gesamte Population berücksichtigt: Es wird mit den Werten der Spezifität und Sensitivität berechnet.

Aber der VR wird uns noch mehr helfen, wenn wir die Prävalenz der Pathologie berücksichtigen…..

Dr. Fagan befasste sich mit der Frage der Zuverlässigkeit von Tests. Er verwendete ein grafisches Hilfsmittel, das Anfang des 20. Jahrhunderts entwickelt wurde, um Werte zu schätzen, die auf mehreren Parametern oder Messungen basieren: das Nomogramm. Es erspart eine komplexe mathematische Gleichung. Dr. Fagan benutzte es, um die Wahrscheinlichkeit der Wahrheit einer Diagnose vorherzusagen. Und 1975 nannte er es bescheiden Fagan-Nomogramm.

Wie funktioniert das?

Die Wahrscheinlichkeit, dass die Erkrankung auftritt, bevor wir einen Test durchführen, ist außer der Prävalenz der Erkrankung gleich Null. Der RV wird mit der Spezifität und der Sensitivität des Tests berechnet.

Diese beiden Werte werden einfach miteinander verbunden und es entsteht der positive oder negative Vorhersagewert.

Ich habe zuvor angegeben, dass der RV+ > 2 sein sollte, Autoren schlagen vor, dass der RV+ größer als 5 sein sollte.

Der Spurling-Test hat ein RV+ von 4,8 und soll Patho einschließen. Seine Wahrscheinlichkeit nach dem Test liegt bei 52%, nicht weit von der Münze entfernt…..

In Kenntnis der Sachlage: Ich vermute NCB, ich mache einen Spurling, er ist positiv, in 48% der Fälle täuscht mich der Test.

DAGEGEN:)

Wenn die ULNT die Symptomatik nicht reproduziert, besteht ein Risiko von nur 3%, dass der Patient trotzdem eine NCB ist… Dann können Sie mit mehr Gelassenheit sagen: DIES IST KEINE NCB.

Leider sind nur wenige Tests zuverlässig und die metrischen Werte variieren je nach Studie. Daher ist es notwendig, mehrere Tests zu verwenden. Klinische Cluster und Vorhersageregeln verbessern die RV und damit die Vorhersagewerte nach dem Test.

Chad Cook und Co. bieten dieses System der klinischen Untersuchung an.

Noémie für den Ausschuss