به گزارش پایگاه اطلاع رسانی بنیان، تست‌هایی که بیماری‌ها را تشخیص می‌دهند، کمتر از آنچه انتظار دارید قابل اعتماد هستند. وقتی شما احساس ناراحتی کرده و به پزشک خود مراجعه می‌کنید. آنها سؤالاتی می‌پرسند و شما را برای آزمایش خون به آزمایشگاه  می‌فرستند. چند روز بعد تماس می‌گیرند و می‌گویند که شما به بیماری مبتلا شده‌اید. احتمال اینکه واقعاً به این بیماری مبتلا شوید چقدر است؟ برای برخی از تست‌های تشخیصی رایج، پاسخ به طرز شگفت آوری کم است.تعداد کمی از آزمایشات پزشکی 100٪ دقیق هستند. بخشی از علت آن، این است که افراد ذاتاً متغیر هستند، اما بسیاری از آزمایش‌ها نیز بر روی نمونه‌های محدود یا مغرضانه از بیماران گرفته می‌شوند. مطالعه پیش‌رو نشان داده است که محققان ممکن است عمداً در مورد اثربخشی آزمایش‌های جدید اغراق کنند. هیچ کدام از اینها به این معنی نیست که ما نباید به تست‌های تشخیصی اعتماد کنیم، اما اگر بخواهیم عاقلانه از آنها استفاده کنیم، درک بهتر نقاط قوت و ضعف آنها ضروری است.

تاثیر تفاوت‌های افراد در نتیجه آزمایشات

نمونه‌ای از یک آزمایش ناقص که به طور گسترده مورد استفاده قرار می‌گیرد، غربالگری آنتی‌ژن اختصاصی پروستات (PSA) است که سطح پروتئین خاصی را در خون به عنوان شاخص سرطان پروستات اندازه‌گیری می‌کند. تخمین زده می‌شود که این آزمایش 93 درصد سرطان‌ها را تشخیص می‌دهد، اما نرخ مثبت کاذب بسیار بالایی دارد، زیرا حدود 80 درصد از مردانی که نتیجه مثبت دارند، در واقع سرطان ندارند. اگرچه بالا بودن میزان PSA می‌تواند به دلیل سرطان پروستات رخ دهد، اما علاوه بر سرطان پروستات، عواملی از جمله: التهاب، معاینه رکتوم، رابطه جنسی، آسیب یا جراحی ساختارهای نزدیک پروستات نیز می‌تواند باعث افزایش این آنتی‌ژن شود. برای کسانی که در طیف این80 ٪ (مثبت کاذب) هستند، استرس غیرضروری و احتمالاً آزمایشات بیشتر، از جمله بیوپسی دردناک را شامل می‌شود. ممکن است پزشکان برای تایید تشخیص و شروع درمان، آزمایش‌های متعددی را در کنار تست PSA پیشنهاد کنند. با این حال می‌توان گفت آزمایش free PSA تنها‌ترین تست مرتبط به این آزمایش است.  آزمایش آنتی‌ژن سریع برای COVID-19 یکی دیگر از آزمایشات ناقص پرکاربرد بود. بررسی این آزمایش‌ها نشان داد که از افراد بدون علائم اما با نتیجه آزمایش مثبت، تنها 52 درصد واقعاً مبتلا به کووید بودند. در میان افرادی که علائم کووید و نتیجه مثبت داشتند، دقت آزمایش‌ها به 89 درصد رسید. این نشان می‌دهد که چگونه عملکرد یک آزمون را نمی‌توان با یک عدد خلاصه کرد و به زمینه فردی بستگی دارد. چرا تست‌های تشخیصی کامل نیستند؟ یکی از دلایل کلیدی این است که افراد متغیر هستند. برای مثال، دمای بالا برای شما ممکن است برای شخص دیگری کاملاً طبیعی باشد. برای آزمایش خون، بسیاری از عوامل خارجی می‌توانند بر نتایج تأثیر بگذارند، مانند زمان روز یا اینکه اخیراً چقدر غذا خورده اید. حتی آزمایش فشار خون در بسیاری از موارد می‌تواند نادرست باشد. بسته به اینکه آیا کاف برای بازوی شما مناسب است یا خیر، اگر پاهایتان را ضربدری کرده‌اید، و زمانی که آزمایش انجام می‌شود در حال صحبت کردن هستید، نتایج می‌تواند متفاوت باشد. نمونه‌های کوچک و جوامع آماری، تحقیقات زیادی در مورد مدل‌های تشخیصی جدید ارائه داده است. مدل‌های جدید اغلب به عنوان پیشرفت‌های پزشکی، شناخته می‌شوند، مانند اینکه چگونه دست خط شما می‌تواند بیماری پارکینسون را تشخیص دهد، چگونه کارت وفاداری داروخانه شما می‌تواند سرطان تخمدان را زودتر تشخیص دهد، یا اینکه حرکات چشم چگونه می‌تواند اسکیزوفرنی را تشخیص دهد. اما زندگی بر اساس این علائم تشخیصی، اغلب داستان متفاوتی دارد. بسیاری از مدل‌های تشخیصی بر اساس حجم نمونه کوچک توسعه یافته‌اند. یک بررسی نشان داد که در نیمی از مطالعات تشخیصی از بیش از 100 بیمار استفاده کردند. بنابراین به سختی می‌توان تصویری واقعی از دقت یک تست تشخیصی از چنین نمونه‌های کوچکی بدست آورد. برای نتایج دقیق، بیمارانی که از آزمایش استفاده می‌کنند باید مشابه بیمارانی باشند که برای انجام آزمایش انتخاب شده‌اند. به عنوان مثال، امتیاز خطر فرامینگهام برای شناسایی افراد در معرض خطر بالای بیماری قلبی در ایالات متحده ایجاد شد و در افراد بومی و جزیره‌نشین تنگه تورس عملکرد ضعیفی دارد. تفاوت‌های مشابهی در دقت برای نمرات خطر چند ژنی، یافت شده است. این‌ها اطلاعات هزاران ژن را برای پیش‌بینی خطر بیماری ترکیب می‌کنند، اما در جمعیت‌های اروپایی توسعه یافته‌اند و در جمعیت‌های غیراروپایی عملکرد ضعیفی دارند. اخیراً، مشکل مهم دیگری شناسایی شده است: محققان در مورد دقت برخی از مدل‌ها برای به دست آوردن انتشارات مجلات اغراق کرده‌اند. راه‌های زیادی برای اغراق در عملکرد یک آزمایش وجود دارد، مانند حذف بیمارانی که به سختی قابل پیش‌بینی هستند. برخی از آزمایش‌ها نیز واقعاً قابل پیش‌بینی‌ نیستند، زیرا حاوی اطلاعاتی از آینده هستند، مانند مدل پیش‌بینی‌کننده عفونت که شامل این است که آیا برای بیمار آنتی‌بیوتیک تجویز شده است یا خیر. شاید افراطی‌ترین مثال برای اغراق در قدرت یک آزمایش تشخیصی رسوایی ترانوس بود که در آن آزمایش خون با خراش انگشت که قرار بود چندین بیماری را تشخیص دهد صدها میلیون دلار از سرمایه گذاران جذب کرد. این خیلی خوب بود که درست باشد - و مغز‌متفکر این تحقیق، اکنون به دلیل کلاهبرداری محکوم شده است.

داده‌هایی با جامعه آماری وسیع نمی‌تواند تست‌ها را کامل کند

در عصر پزشکی حاضر که دقت تست‌ها بالاست و داده‌های بزرگ، ترکیب ده‌ها یا صدها قطعه اطلاعات در مورد یک بیمار، شاید با استفاده از یادگیری ماشینی یا هوش مصنوعی، برای ارائه پیش‌بینی‌های بسیار دقیق جذاب به نظر می‌رسد. با این حال، این وعده تاکنون از واقعیت پیشی گرفته است. یک مطالعه تخمین زده است که 80000 مدل پیش‌بینی جدید بین سال‌های 1995 و 2020 منتشر شده است. این حدود 250 مدل جدید، در هر ماه است. آیا این مدل‌ها مراقبت‌های بهداشتی را متحول می‌کنند؟ ما هیچ نشانه‌ای از این تحول نمی‌بینیم، و اگر واقعاً تأثیر زیادی داشتند، مطمئناً به چنین جریان ثابتی از مدل‌های جدید نیاز نبود. برای بسیاری از بیماری‌ها مشکلات داده‌ای در زمینه اطلاعات وجود دارد که هیچ مقدار از مدل‌سازی پیچیده نمی‌تواند آنها را برطرف کند، مانند خطاهای اندازه‌گیری یا داده‌های از دست‌رفته که پیش‌بینی دقیق را غیرممکن می‌کند. برخی از بیماری‌ها احتمالاً ذاتاً تصادفی هستند و زنجیره‌های پیچیده‌ای از رویدادها را شامل می‌شوند که بیمار نمی‌تواند آن‌ها را توصیف کند و همچنین هیچ مدلی نمی‌تواند آن را پیش‌بینی کند. مثال‌ها ممکن است شامل صدمات یا بیماری‌های قبلی باشد که ده‌ها سال پیش برای یک بیمار اتفاق افتاده است، که آنها نمی‌توانند به خاطر بیاورند و در یادداشت‌های پزشکی موجود نیستند. تست‌های تشخیصی هرگز کامل نخواهند بود. تصدیق عیوب آنها به پزشکان و بیماران‌شان این امکان را می‌دهد تا در مورد اثربخشی نتیجه و مهمتر از آن، اینکه در مرحله بعد چه اقدام درمانی انجام خواهد شد، بینشی آگاهانه داشته باشند.

پایان مطلب./