Basic concepts

Hal ini juga diketahui bahwa pengetahuan medis lebih didasarkan pada probabilitas dari pada kepastian.
Probabilitas sangat penting dalam proses diagnostik, dalam definisi prediksi klinis 18, dan bahkan dalam
menangani kasus-kasus yang kompleks,
Sungguh mengherankan bahwa hampir tidak ada yang diajarkan tentang hal itu dalam kurikulum medis.
Untuk lebih memahami aspek-aspek kuantitatif dari logika diagnostik atau pemikiran lebih khusus
tentang probabilistik dan teorema Bayes, pengenalan singkat diperlukan untuk konsep sensitivitas dan
spesifisitas, mulai dari definisi probabilitas bersyarat.
Dalam konsep ini ada dua peristiwa dimana A dan B, P. (A)> 0, kita mendefinisikan probabilitas bersyarat
dari B, A yang telah ditetapkan sebagai berikut:

Kemudian mempertimbangkan situasi berikut , dalam tabel 2 x 2 dimana nomor n1, orang yang
diketahui memiliki penyakit dan orang-orang n2 dikenal bebas dari penyakit.

Kami memiliki beberapa hasil yang mungkin sebagai berikut:

tes positif dari penyakit yang ada: TP (benar-benar positif) pada Kasus A
tes negatif dari penyakit yang absen(tidak ada): TN (benar-benar negatif) pada Kasus D
tes negative dari penyakit yang ada: FN (false negatif) pada Kasus B;
tes positif dari penyakit yang absen(tidak ada) : FP (false positive) pada Kasus C.
jika penyakit ada, berapa probabilitas dari tes positif dapat diberikan dengan cara sebagai berikut:

Ini yang disebut estimasi tes kepekaan(sensitivitas). jika tidak ada penyakit , berapa probabilitas dari tes
negative dapat diberikan dengan cara sebagai berikut

Ini yang disebut estimasi tes spesifitas. Sensitivitas dan spesifisitas konsep-konsep ini cukup terkenal.
Konsep ini digunakan lebih intens setelah Perang Dunia II dari analisis temuan radiologis dalam
diagnosis tuberkulosis 21.
Teorema Bayes
Thomas Bayes (1702-1761) adalah seorang filsuf Inggris, matematika dan teolog, yang dianggap salah
satu pendiri dari perhitungan probabilitas analisis Bayesian karena itu akan menjadi teori faktor
keputusan statistik untuk perhitungan probabilitas proposisi berdasarkan asli probabilitas dan faktor
yang relevan baru.
Disajikan dalam istilah klinis, itu adalah sebuah konsep dimana nilai prediktif atau klinis temuan tidak
hanya tergantung pada sensitivitas dan spesifisitas, tetapi juga pada

probabilitas sebelumnya, (yaitu, prevalensi penyakit dalam populasi yang diteliti). Hal ini penting untuk
menekankan bahwa studi perintis tentang penerapan dalil Bayes 'dalam kedokteran diterbitkan pada
tahun 1959 oleh seorang spesialis dalam ilmu computer Ledley dan dokter ahli radiologi Lusted,yang
terakhir sudah mengambil bagian dari karya-karya yang melahirkan konsep medis sensitivitas dan
spesifisitas.
Rumus Bayes asli, yang digunakan oleh ahli statistik, adalah sebagai
berikut:

Sebuah versi sederhana, berlaku untuk obat-obatan adalah sebagai berikut:

Analogis

Dimana: PV + = predictive value (post-test probabilitas) uji positif;

PV - = predictive value (post-test probabilitas) dari tes negatif; Pv = prevalence of illness (atau
pre-test probabilitas); S sensitivity of test or clinical finding; E = specificity of test or clinical
finding.
Sebuah aspek yang melekat dari rumus Bayesian adalah kemungkinan bahwa hal itu dapat
diterapkan secara berurutan. Dengan kata lain, setelah menerapkan hasil dari tes untuk rumus
Bayesian, nilai prediktif diperoleh menjadi probabilitas baru terjadinya penyakit. Dari sana
pada probabilitas baru harus dihitung karena tes lain atau temuan. Satu-satunya pengandaian
untuk aplikasi sekuensial ini adalah bahwa tes independen satu sama lain, yaitu bahwa hasil dari
salah satu tidak boleh mengganggu dengan yang lain. Contoh dari tes non terikat adalah depresi
ST segmen dalam ergometri dan kehadiran depresi yang sama ST di Holter. Contoh lain adalah
pucat selama pemeriksaan fisik dan menemukan berkurang hemoglobin dalam analisis darah.

Sejauh kita bisa menemukan percobaan pertama untuk menerapkan teorema Bayes kedokteran
berada di Kardiologi melalui karya-karya Warner et al. 24,25 yang menggunakannya sebagai
pembantu untuk mendiagnosa penyakit bawaan. Tapi, pekerjaan yang menciptakan sebuah
tolakan yang lebih besar dalam spesialisasi kami diterbitkan oleh Rifkin dan Hood yang berhasil
menjelaskan melalui itu perbedaan aneh di kredibilitas elektrokardiogram stres bila diterapkan
pada pria atau wanita, serta pasien dengan gejala atau tanpa gejala. karya lainnya diikuti,
menunjukkan dari sudut pandang praktis, yang kekuatan mempekerjakan logika Bayesian dalam
penafsiran dari ergometri 17,27 akibatnya yang sangat dipahami antara ahli jantung, dan segera
diperpanjang selama semua bidang kesehatan.
Apa ini menampilkan cara kerjanya, jika kita mengikuti tes dengan 60% (S = 0,6) sensitivitas
dan spesifitas 90% (E = 0,9) dan menerapkannya dalam suatu populasi dengan 1% (PV = 0,01),
prevalence of illness, bahwa probabilitas pasien dengan tes positif menyajikan dengan penyakit
akan (menurut Bayes rumus) sebagai berikut:
0.01 x 0,
PV + = ...........................................= 0.056 ( or 5.6%)
(0.01 x 0.6) + ( 0.99 x0.1)

Situasi ini mencerminkan probabilitas Wanita 43 tahun tanpa gejala atau seorang wanita muda
33 tahun dengan nyeri dada, memiliki penyakit koroner melalui test stress positif 17,26-28.
Pelajaran dasar dari menggunakan rumus dalam kasus ini adalah bahwa hal itu adalah buang
uang, pengeluaran yang tidak perlu, untuk meminta tes stres elektrokardiografi dalam situasi ini ,
karena tidak akan mengubah tindakan yang akan diambil .
Namun, jika probabilitas pre-test adalah 50% (kasus Pria 48 tahun dengan angina atipikal) test
stress positif akan mengubah probabilitas penyakit koroner hingga 85% jika positif dan 28% jika
negatif. Bentuk lain dari menghitung probabilitas post-test adalah melalui penggunaan diagram.
Mari kita ambil contoh populasi dengan probabilitas 5% dari yang hadir dengan penyakit,
mengambil tes yang memiliki sensitivitas 70% dan 90% spesifisitas. Kasus ini membawa analogi
tertentu, dengan penggunaan ekskretoris urografi pada pasien dengan probabilitas yang lebih
besar sedikit dari biasanya memiliki stenosis arteri ginjal. Dalam hal ini, sehingga sebuah
urografi abnormal, apa yang akan menjadi probabilitas stenosis arteri ginjal pada pasien dengan
probabilitas sebelumnya
dari 5%? Untuk mengatasi masalah ini kita bisa membangun diagram berikut:
1000 patients
I
950 healthy (PV=5%) => 50 with stenosis
95 855 <=(E=90%) (S = 70%) = > 35 15
FP VN (VP) (FN)

VP
Probability post-test + = ...................
VP + FP
35
35
Probability post-test + = ............... ............= 26.9%
35 + 95 130

Apa yang telah kita pelajari dari penggunaan rumus Bayesian dalam hal ini adalah bahwa
praktek meminta urografi untuk evaluasi kemungkinan arteri renalis stenosis, aturan di masa lalu,
harus ditunda, mengingat bahwa biaya dan morbiditas tes akan lebih besar dari keuntungan yang
diperoleh. Konsekuensinya adalah bahwa tes lain seperti renogram dengan captopril mulai
digunakan sebagai pengganti dan bahkan pada pasien dengan kecurigaan yang signifikan
hipertensi renovaskular. Contoh disebutkan, besar probabilitas sebelumnya jelas, yaitu,
prevalensi penyakit di penafsiran tes atau temuan klinis. Hal ini juga jelas bahwa tes dengan
sensitivitas dan spesifisitas terbatas mengubah secara signifikan probabilitas diagnostik hanya
bila diterapkan pada individu dengan probabilitas menengah memiliki penyakit .
Dalam situasi ini di mana probabilitas sebelumnya sangat tinggi atau sangat rendah, tes terbatas
sensitivitas atau spesifisitas tidak mengubah diagnosis. Pengecualian akan tes dengan tinggi
spesifisitas untuk individu dengan probabilitas sebelumnya rendah atau tes sensitivitas tinggi
untuk individu dengan probabilitas sebelumnya tinggi. Bentuk lain dari pemanfaatan Teorema
Bayes telah diusulkan, misalnya penggunaan nomogram , dan 2 x 2 tabel statistik dan
epidemiologi dianggap oleh beberapa orang untuk menjadi aplikasi lebih mudah .Terlepas dari
penyataan lumayan baru dari Bayes Teorema antara internis dan Ahli jantung, terutama untuk
gunakan dalam interpretasi tes ergometric , itu adalah penting untuk menekankan bahwa dokter
yang berpengalaman selalu bekerja, walaupun secara intuitif, di semua tahapan proses
diagnostik.

Ketika dokter umum yang lebih tua menegaskan bahwa temuan klinis yang lebih penting dari
pada Hasil pemeriksaan laboratorium ketika membuat penilaian mereka berpikir dengan cara
Bayesian tanpa menyadarinya. ketika mereka menegaskan untuk menjadi lebih baik untuk
berpikir tentang penyakit umum, meskipun manifestasi atau gejala yang tidak biasa bukannya
manifestasi khas langka, mereka, intuitif, menerapkan Teorema Bayes. Menggunakan kehadiran
temuan kekhususan tinggi untuk mengkonfirmasi diagnosis dan Temuan kekhususan tinggi
untuk menghapusnya, adalah untuk menerapkan, meskipun tidak secara formal, logika Bayesian.
Pada saat proliferasi teknologi, ketika pemeriksaan laboratorium tidak perlu diminta dan keliru
ditafsirkan, untuk memberikan karena pentingnya sejarah pasien dan epidemiologi Data, adalah
berpikir dengan cara Bayesian .