רפואה נתמכת ראיות

במאמרים עם השוואה בין שתי קבוצות מטופלים, למשל במחקר מבוקר אקראי לגבי טיפול מסוים, תמיד נוכל למצוא את "טבלה מס' 1" . בטבלה זו שתי הקבוצות מושוות אחת מול השנייה בתחילת המחקר.

לפעמים, בעזרת עבודת בילוש והצבה של עצמנו בנעלי הרופאים והמטופלים במחקר, נוכל לגלות בתוך הטבלה הבדלים שיכולים לספק הסבר חלופי לתוצאות: לא הטיפול או החשיפה לגורם מסוים גרמו להבדל בתוצאות, אלא שוני מראש בין שתי הקבוצות.

נדגים את העיקרון הזה על מחקר שבו ילדים עם צפצופים בנשימה חולקו אקראית לקבוצה שקבלה מי מלח באינהלציה ולקבוצת ביקורת. האם אכן אלו מי המלח שעזרו לילדים ומנעו אשפוז ממושך, או שחוץ ממי המלח יש חשודים נוספים?

--------

סליין היפרטוני מפחית אשפוזים בילדים עם צפצופים.

https://pubmed.ncbi.nlm.nih.gov/22614767/

סקירה שיטתית של הספרות הגיעה למסקנה שלא מומלץ לתת סליין היפרטוני לילדים עם ברונכיוליטיס

https://www.ncbi.nlm.nih.gov/books/NBK328418/#ch4.s86

בפרקים קודמים בצענו הערכת תקפות של מחקרים על ידי קריאת מאמר ובדיקה האם הוא עומד בקריטריונים מסוימים

הפעם נדבר על איך לבחור מבין המידע האינסופי שקיים, את המידע או המחקר המתקרב ביותר לאמת. יש סוגי מחקר תקפים יותר וסוגי מחקר תקפים פחות

בתחתית פירמידת המידע הקלאסית נמצאות סדרות מקרים, ורמת התקפות והאמון שלנו במידע עולה ככל שנתקדם למחקר מקרה-בקרה, מחקרי קוהורט השוואתיים, מחקר מבוקר אקראי ומטה אנליזה

פירמידה זו מתאימה למחקרים על טיפול או התערבות. עבור שאלות אחרות כמו למשל דיוק של בדיקה אבחנתית, קיימת היררכיה שונה מעט

נזכיר גם סוגי מידע נוספים כמו דעת מומחים, מחקרי מעבדה, קווים מנחים, ומאגרי מידע

כמו

UpToDate  ו Dynamed.

סליחה מהמאזינים במצרים, אך לא תמיד צריך להתייחס לפירמידה כקדושה. למחקר מבוקר אקראי גרוע לא מגיע לקבל מקום גבוה בפירמידת המידע. גם למטה-אנליזה שמתבססת על מחקרים בינוניים או לא טובים, אין מקום של כבוד בשפיץ הפירמידה

מטה-אנליזה של ארגון קוקריין: מניפולציה לכאב גב תחתון חריף

https://www.cochrane.org/CD008880/BACK_spinal-manipulative-therapy-for-acute-low-back-pain

פירמידה קלאסית, אל מול פירמידה "מעורערת" שבה יש חפיפה בין השכבות

https://ebm.bmj.com/content/21/4/125

פירמידה הכוללת בתוכה גם סינתזה של מחקרים, כמו קווים מנחים

https://guides.lib.uci.edu/ebm/pyramid

למתקדמים- היררכיה מדויקת יותר של מחקרים לפי שאלת המחקר- טיפול, אבחנה, וכו', עם התייחסות לשיטות מחקר ספציפיות

https://www.cebm.ox.ac.uk/resources/levels-of-evidence/oxford-centre-for-evidence-based-medicine-levels-of-evidence-march-2009

ישנם מקרים נדירים בהם הטיפול תמיד מועיל, כמו למשל חגירת מצנח לפני קפיצה ממטוס. אך ברוב הטיפולים ברפואה, האפקט של טיפול אינו כה דרמטי, ואז יש צורך בהבנה של הסיכון לתוצא רע, כמו תמותה למשל, ללא טיפול, אל מול הסיכון עם טיפול.

נדבר על שני המונחים החשובים ביותר בהקשר זה. הפחתת הסיכון המוחלטת-

Absolute risk reduction, ARR

ומספר האנשים שיש לטפל בהם כדי למנוע אירוע אחד-

Number needed to treat, NNT

נדבר על דוגמה מתוך מחקר קלאסי שבדק מתן מטופרולול (חסם בטא) לאחר התקף לב.

https://www.ahajournals.org/doi/abs/10.1161/01.cir.73.3.503

מחקר תצפיתי מצא קשר בין שתיית קפה לבין הדרדרות קוגניטיבית איטית יותר. הממצא הזה יכול לייצג אמת, אך אולי זהו שלל של מסע דיג? מסעות דייג מתרחשים כאשר הדייג (החוקר) מציג שאלות שאלות מחקר מרובות, ובאחת מהן מתגלה קשר מובהק, למרות שבמציאות אין שום קשר כזה

נבין מה משמעות ערך הפי 

p value

וכיצד כאשר קובעים עבור ערך הפי סף של 0.05 למובהקות אך שואלים שאלות מחקר מרובות, יש סיכוי גדול מאוד לדוג ממצא אקראי.

נדבר על שיטות להתמודד עם התופעה כמו שימוש בתוצא ראשוני

primary outcome, 

או כמו החמרה בערך הסף שתחתיו ערך הפי נחשב מובהק

---

מחקר תצפיתי שמצא קשר הפוך בין שתיית קפה להתדרדרות קוגניטיבית

https://pubmed.ncbi.nlm.nih.gov/23422357/

רווח בר-סמך 

(confidence interval)

הוא מושג חשוב ביותר בהבנת מחקרים רפואיים, מושג שלעתים מובן בצורה לא נכונה

המשמעות שלו בדרך כלל היא הטווח ("רווח") שבו בסבירות גבוהה (עליה אני "סומך") נמצאת אמת כלשהי באוכלוסיה שמעניינת אותי, למשל הטווח בו נמצאת האמת של הפחתת סיכון בעזרת טיפול מסויים. זאת בניגוד לתוצאת המחקר הנקודתית, שמייצגת תוצאה במדגם ולא את האמת באוכלוסיה

איך מתוך תוצאות של מחקר בודד, ניתן לדעת היכן נמצאת האמת באוכלוסייה? בפרק זה לא מפורטים שיטות או חישובים סטטיסטיים. במקום זה מוסבר המושג בצורת משל, ומובאת דוגמה מתוך מחקר שבדק יעילות צינטור כטיפול לאירוע מוחי של העורק הבזילרי

https://www.nejm.org/doi/full/10.1056/NEJMoa2030297?query=featured_home

אם כולם חושבים באופן זהה, מישהו לא חושב" (מצביא אמריקאי)"

השאלה השלישית שאנחנו שואלים את עצמנו בקריאת מאמר, ואולי החשובה ביותר, היא האם המאמר רלוונטי למטופל מסוים. נדבר על מאפיינים קליניים מיוחדים של המטופל, על הסבירות שהטיפול או הבדיקה האבחנתית באמת יועילו למטופל, ועל ערכים ומטרות של המטופל

 זהירות! בניגוד לפרקים אחרים, הפרק כולל מתמטיקה ברמת חילוק וכפל, ואינו מומלץ לאנשים עם אלרגיה קשה לחישובים. בפרק נעסוק במקרה של מטופל עם חשד להתקף לב וממצאים בהאזנה ללב, ובתוצאות המאמר על מיפוי לאבחון מחלת פרקינסון, (מאמר אותו ניתחנו בפרקים קודמים)

בפרק "הדרך הקלה" השתמשנו בתוצאת המחקר על בדיקה אבחנתית ובעזרת ראשי התיבות 

spin+snout

כדי להחליט האם בדיקה תעזור לנו להוכיח או לשלול מחלה, אך כזכור, ברפואה לרוב אין הוכחה או שלילה של מחלה, אלא הגעה מסבירות אחת לסבירות אחרת בעקבות תוצאות של בדיקה

בפרק הזה אנחנו עולים רמה, ומנסים לתת ביטוי כמותי לסבירויות . לצורך זה אנחנו משתמשים בערך שנקרא 

likelihood ratio 

למעשה עבור בדיקה מסוימת ישנם שני ערכים כאלו, אחד חיובי ואחד שלילי (עבור בדיקה עם תוצאה חיובית ושלילית, בהתאם). הערך הזה משמש למעבר מסבירות שלפני הבדיקה

pre test probability

לסבירות שלאחר בדיקה 

post test probability

היום הדרך הפשוטה ביותר להגיע מהסבירות שלפני הבדיקה לסבירות לאחר בדיקה חיובית או שלילית, היא להשתמש במחשבונים ברשת, כמו המחשבון המצויין הזה

http://araw.mede.uic.edu/cgi-bin/testcalc.pl

אך הפרק שלנו מאפשר למי שמתעניין, להבין איך תהליך החישוב קורה, ומהו תפקיד ה    בתוך התהליךlikelihood ratio

נוסחאות

positive likelihood ratio=sensitivity/(1-specificity)

negative likelihood ratio=(1-sensitivity)/specificity

odds=probability/(1-probability)

probability=odds/(1+odds)

דיוק הממצא של קול שלישי בהאזנה לאבחון התקף לב

https://jamanetwork.com/journals/jama/article-abstract/1107536

דיוק מיפוי לאבחון מחלת פרקינסון 

https://pubmed.ncbi.nlm.nih.gov/19117369/

לאחר שבפרק קודם הערכנו תקפות של מאמר על בדיקה אבחנתית (מיפוי לאבחון מחלת פרקינסון), נקרא את התוצאות. רגישות הבדיקה לפי המאמר היא 78%, והספציפיות שלה- 97%. מושגים אלו הוסברו בפרקים קודמים. האם הבדיקה הזו טובה בשלילת מחלה? בהוכחתה? נלמד להשתמש בראשי תיבות כדי לזכור מתי כדאי להשתמש בבדיקה זו. 

אך כמובן, אף פעם לא ניתן לשלול או להוכיח בוודאות מחלה, אלא תמיד מדובר בסבירות למחלה, המשתנה בעקבות תוצאות של בדיקה מסוימת. בפרק הבא נשתמש בשיטה מדויקת יותר להגיע לסבירות למחלה לאחר תוצאת בדיקה, שעבורה נצטרך להבין ערך נוסף, הנקרא 

likelihood ratio

כאשר מתגלה אצל הרופא חסר בידע לגבי בדיקה אבחנתית מסוימת, במקרה שלנו: האם מיפוי יעיל באבחון מחלת פרקינסון, יש צורך לקרוא את המאמר שבדק מה הדיוק של אותה בדיקה. לפני קריאת התוצאות נצטרך להחליט האם המאמר תקף. נעשה את זה לפי חמישה קריטריונים: מדגם מתאים של מטופלים אצלם קיימת שאלה אבחנתית, השוואה ל"בדיקת הזהב", ביצוע שתי הבדיקות באופן בלתי תלוי, סמיות של הבודקים, ומספיק פרטים טכניים כדי לבצע את הבדיקה בצורה דומה. 

נדגים זאת על ידי קריאה של המאמר המקורי

https://pubmed.ncbi.nlm.nih.gov/19117369/

הן בעבודה הקלינית והן בקריאת מאמר על בדיקה אבחנתית, חשוב להבין עד כמה הבדיקה מדוייקת, "טובה".  למשל, א.ק.ג הוא בדיקה אבחנתית שיש לה שימוש באבחון התקף לב. כאשר משתמשים בבדיקה הזו מול מטופלים, וגם כאשר קוראים מאמר שעוסק בא.ק.ג. כבדיקה אבחנתית להתקף לב, אם נרצה לדעת כמה הבדיקה הזו מדוייקת, צריך להכיר היטב מספר מושגים. אלו הם רגישות, ספציפיות, ערך מנבא חיובי וערך מנבא שלילי. בפרק זה נדבר על הגדרות המושגים האלו.