احتمال یک بیماری پیش و پس از انجام تست تشخیصی

فرض کنید فردی پنجاه ساله با درد قفسه‌ی سینه که به شکل حاد شروع شده، به اورژانس مراجعه کرده است. هیچ اطلاعات دیگری از او ندارید. احتمال این‌که دردش به خاطر پنومونی باشد، چقدر است؟

همین‌جا باید واژه‌ی احتمال (Probability) را تعریف کنیم. احتمال یعنی وقوع یک رویداد، چقدر قابل انتظار است؟

ما پیوسته در زندگی روزمره در حال حدس زدن احتمال‌ها هستیم: به نظرم امروز باران می‌آید؛ حدس می‌زنم که این ترافیک تا نیم ساعت دیگر ادامه دارد؛ فلانی امروز شاید سر کار نیاید. احتمالات علمی است که میزانِ محتمل بودن یک رویداد را با اعداد بیان می‌کند: اگر یک تاس سالم را بغلتانیم، با احتمال یک/ششم، عدد ۳ می‌آید.

حالا اگر بخواهیم بگوییم در این فرد که با درد قفسه‌ی سینه مراجعه کرده، احتمال پنومونی چقدر است، چه باید بکنیم؟

سکه دو وجه دارد. تاسِ بازی شش وجه. تاسِ درد قفسه‌ی سینه، چند وجه دارد؟ باید کل علت‌های درد قفسه‌ی سینه را بدانیم تا تعداد وجه‌ها را متوجه بشویم: از سکته‌ی قلبی تا هرپس زوستر و حمله‌ی پانیک. پس تاس ما ده‌ها وجه دارد. یک فرق دیگر نیز با تاسِ بازی – اگر کسی نخواهد تقلب بکند – دارد. در تاس بازی، احتمال این‌که هر عدد بیاید، برابر است. یا در پرتاب سکه، احتمال شیر یا خط آمدن، برابر است. اما در تاسِ درد قفسه‌ی سینه، بعضی از وجه‌ها، سنگین‌تر هستند و احتمال را به نفع خودشان تغییر می‌دهند. به عبارت دیگر، اگر این تاس را پرت بکنیم، احتمال پایین آمدن هر وجه، متفاوت است و همانند سکه یا تاس بازی نیست.

به بیانی دیگر، ظرفی داریم حاوی توپ‌های مختلف. هر توپ، یکی از تشخیص‌های قفسه‌ی سینه است. اما اندازه‌ی این توپ‌ها برابر نیست و اگر کسی همین‌طور دستش را به داخل این ظرف ببرد تا یکی را بردارد، احتمال این‌که دستش به توپ بزرگ‌تر بخورد، بیشتر است. مثلاً توپ پنومونی از توپ مدیاستینیت بزرگ‌تر است.

شکل زیر از گایدلاینی است که چندین انجمن به شکل مشترک برای بررسی درد قفسه‌ی سینه درست کرد‌ه‌اند. بیمار ما یک فرد پنجاه‌ساله بود. بر اساس گایدلاین، احتمال این‌که علت درد او پنومونی باشد، حدود ۲-۳ درصد است. دقت کنید که هیچ اطلاعات دیگری – حتی شرح حال کامل‌تر – از او نداریم. به احتمال بیماری مورد نظر، در موقعیت و بستر خاصی که بیمارمان را می‌بینیم، احتمال پیش از تست (Pre-Test Probability) می‌گویند.

بستر (Setting) مهم است. همان Context است که در نوشته‌ای دیگر در موردش گفته‌ایم. احتمال بیماری‌ها برای درد قفسه‌ی سینه در اورژانس با مطب فرق دارد. احتمال بیماری‌ها برای یک فرد پیر با جوان فرق دارد. برای زن با مرد فرق دارد. برای سفید‌پوست و رنگین‌پوست فرق دارد. برای کشورهای جغرافیایی خاص فرق دارد – تب طول‌کشیده در ایران و افغانستان و نیجریه و کانادا، یک معنا نمی‌دهد. پس، Pre-Test Probability یک عدد ثابت نیست؛ بیمار به بیمار و بیمارستان به بیمارستان، متفاوت است.

احتمال پیش از انجام تست، ارتباط تنگاتنگی با شیوع (Prevalence) دارد. همان شیوع نیست؛ اگرچه در برخی کتب به غلط همان شیوع نامیده شده است. بیان دقیق‌تر این است که شیوع بیماری در موقعیتی که ما بیمار را می‌بینیم و برای ویژگی‌های دموگرافیک (جمعیت‌شناختی) بیمار مورد نظر ما، چقدر است.

واژه‌ی اپیدمیولوژی از سه جز تشکیل شده است: Epi  + Demos + Logy. معنای لوژی که مشخص است و به مطالعه‌کردن و بررسی برمی‌گردد. اپی هم یعنی بر روی چیزی. معنای Demos مردم است. پس یعنی مطالعه بر روی مردم. اکنون وقتی می‌گوییم ویژگی‌های دموگرافیک، معنایش مشخص است. منظور، ویژگی‌های جمعیت‌شناختی مرتبط با آن بیمار خاص است: همان جنس و سن و نژاد و موقعیت جغرافیایی و … فکر می‌کنیم که تاکنون به این علاقه‌ی مدرسه پزشکی به واژه‌ها و ریشه‌هایشان پی برده‌اید. یک واژه نیز برای این نوع علاقه داریم: Logophile. یعنی دوستدار کلمه‌ها.

همین‌جا فرصت خوبی است که شیوع را نیز تعریف بکنیم. طبق تعریف National Institute of Health یا NIH:

شیوع، نسبتی از یک جمعیت است که در یک بازه‌ی زمانی معین، یک ویژگی خاص دارند.

مثلاً نسبتی از جمعیت افراد پنجاه ساله با درد قفسه‌ی سینه‌ی حاد که به اورژانس مراجعه کرده و پنومونی دارند، شیوع پنومونی در این جمعیت است و این عدد، احتمال پیش از انجام تست را به ما می‌گوید.

احتمال پیش از انجام تست، همیشه و به راحتی گایدلاین فوق، در دسترس نیست. گاهی مجبور هستیم که آن را حدس بزنیم. این‌جاست که تجربه‌ی بالینی مهم می‌شود. البته حواسمان باشد که تجربه ممکن است همانند یک دام عمل بکند و بیشتر آن بیماری‌های شایعی را که دیده‌ایم، مد نظر قرار بدهیم.

هم‌چنین، این‌که اصلاً به کدام بیماری فکر بکنیم که برای آن احتمال پیش از انجام تست محاسبه کنیم، مربوط به تجربه‌ی بالینی فرد است. اتفاقاً تحقیقاتی داریم که نشان داده پزشکانی که یک بیماری نادر خاص را قبلاً دیده‌اند، در آینده آن را بهتر تشخیص می‌دهند. یعنی آن بیماری را جزئی از رپرتوار تشخیصی خود می‌دانند.

در هر صورت، مثلاً ما برای این فرد پنجاه ساله، حدس می‌زنیم که احتمال پنومونی ۳ درصد باشد. فرض کنید این فرد یک عکس قفسه‌ی سینه همراهش دارد. وجود ارتشاح (Infiltration) در عکس با الگوی مخصوص پنومونی، احتمال بیماری را بسیار بالا می‌برد. به احتمالی که پس از انجام یک تست به دست می‌آید، Post-Test Probability یا احتمال پس از تست، می‌گوییم.

تست ایده‌آل، تستی است که Post-Test Probability را نزدیک به صفر یا ۱۰۰ درصد بکند. این تست، همان استاندارد طلایی (Gold Standard) است. استاندارد طلایی برای پنومونی، وجود ارتشاح (Infiltration) در عکس قفسه‌ی سینه است (UpToDate). اما باز هم تأکید می‌کنم که ایده‌آل و حالت بی‌نقص این است که صفر یا صد بکند. چنین تستی خیلی کم موجود است و معمولاً نزدیک به این دو عدد می‌کند. مثلاً برای پنومونی، عدم وجود ارتشاح، همیشه رد‌کننده‌ی بیماری نیست و احتمال را صفر نمی‌کند.

مسئله‌ی دوم هم این است که تست‌های استاندارد طلایی، همیشه به سادگی عکس قفسه‌ی سینه در پنومونی نیستند. گاهی گران هستند، گاهی وقت‌گیر، گاهی نیز تهاجمی. پس باید به سراغ تست‌های ارزان‌تر، سریع‌تر و غیرتهاجمی‌تر برویم. هر چقدر این تست‌ها به استاندارد طلایی نزدیک‌تر باشند، تست‌های بهتری هستند. در درس‌های بعدی، به سراغ مقایسه‌ی تست‌های موجود با استاندارد طلایی می‌رویم.

تمرین

• سعی کنید با مطرح کردن یک سناریو بالینی اهمیت Pre-Test و Post-Test Probability را توضیح دهید.
• چه بیماری‌های دیگری می‌شناسید که توجه به این مسئله در تشخیص آن‌ها اهمیت زیادی دارد؟