Ayırıcı tanı - Differential diagnosis

Ayırıcı tanı
ağ	D003937
[ Wikidata'da düzenle ]

Sağlık hizmetlerinde ayırıcı tanı (kısaltılmış DDx ), doğru tanıya ulaşmak için bir hastanın öyküsünü ve fizik muayenesini analiz etme yöntemidir. Belirli bir hastalığı veya durumu benzer klinik özelliklerle ortaya çıkan diğerlerinden ayırt etmeyi içerir . Ayırıcı tanı prosedürleri, klinisyenler tarafından bir hastadaki belirli hastalığı teşhis etmek veya en azından yaşamı tehdit eden herhangi bir durumu değerlendirmek için kullanılır. Çoğu zaman, olası bir hastalığın her bir bireysel seçeneğine ayırıcı tanı denir (örneğin, akut bronşit , nihai tanı soğuk algınlığı olsa bile öksürüğün değerlendirilmesinde ayırıcı tanı olabilir ).

Daha genel olarak, ayırıcı tanı prosedürü , birden fazla alternatifin mümkün olduğu bir hastalık varlığının varlığını belirlemek için kullanılan sistematik bir tanı yöntemidir . Bu yöntem , ortadan kaldırma sürecine benzer algoritmalar kullanabilir veya en azından, epistemik bilgiyi ayarlamak için semptomlar, hasta geçmişi ve tıbbi bilgi gibi kanıtları kullanarak aday koşulların "olasılıklarını" ihmal edilebilir seviyelere indiren bir bilgi elde etme sürecini kullanabilir. teşhis uzmanının zihnindeki sırlar (veya bilgisayarlı veya bilgisayar destekli teşhis için sistemin yazılımı).

Ayırıcı tanı, aday hastalıkların veya durumların potansiyel varlığının, klinisyenlerin daha fazla doğru veya yanlış olarak belirlediği hipotezler olarak görülebilmesi anlamında, varsayımsal-tümdengelim yönteminin uygulama yönleri olarak kabul edilebilir .

Ayırıcı tanı aynı zamanda psikiyatri/psikoloji alanında da yaygın olarak kullanılmaktadır; burada her iki tanıya da uyan semptomlar sergileyen bir hastaya iki farklı tanı konulabilir. Örneğin, bipolar bozukluk tanısı konan bir hastaya, her iki durumun semptomlarındaki benzerlik göz önüne alındığında, borderline kişilik bozukluğu ayırıcı tanısı da verilebilir.

Ayırıcı tanı listesinin hazırlanmasında kullanılan stratejiler sağlık hizmeti sunucusunun tecrübesine göre değişiklik göstermektedir. Acemi sağlayıcılar, bir hastanın endişeleri için olası tüm açıklamaları değerlendirmek için sistematik olarak çalışabilirken, daha fazla deneyime sahip olanlar, hastayı gecikmelerden, risklerden ve verimsiz stratejiler veya testlerin maliyetinden korumak için genellikle klinik deneyimden ve örüntü tanımadan yararlanır. Etkili sağlayıcılar, klinik deneyimlerini klinik araştırmalardan elde edilen bilgilerle tamamlayan kanıta dayalı bir yaklaşım kullanır.

Genel bileşenler

Ayırıcı tanının dört genel adımı vardır. Klinisyen:

1. Hastayla ilgili bilgileri toplayın ve bir semptom listesi oluşturun.
2. Belirtilerin olası nedenlerini ( aday koşullar ) listeleyin . Listenin yazılı olması gerekmez.
3. Bir teşhisin risklerini olasılık ile dengeleyerek listeye öncelik verin. Bunlar nesnel değil öznel parametrelerdir.
4. Gerçek teşhisi belirlemek için testler yapın. Bu, konuşma dilindeki "Dışarı Çıkmak" ifadesi ile bilinir. İşlemden sonra bile teşhis net değildir. Klinisyen riskleri tekrar değerlendirir ve genellikle "Eğitimli En İyi Tahmin" olarak adlandırılan ampirik olarak tedavi edebilir.

Birden fazla olası patolojik süreci göz önünde bulundurmaya yardımcı olacak bir anımsatıcı VINDICATE'M'dir :

• V asküler
• Ben nflammatory/ ı nfectious
• N eoplastic
• D egenerative/ D noksanlığı/ D halılar
• Ben diyopatik/ I zehirlenme/ I atrojenik
• C ongenital
• Bir ütoimmün/ A alerjik/ A natomik
• T RauMatic
• E ndocrine/ e nvironmental
• M etabolic

Özel yöntemler

Ayırıcı tanı prosedürleri için çeşitli yöntemler ve bunlar arasında çeşitli varyantlar vardır. Ayrıca, bir ayırıcı tanı prosedürü, protokoller, kılavuzlar veya diğer tanı prosedürleri (örn. örüntü tanıma veya tıbbi algoritmaların kullanılması gibi) ile birlikte veya dönüşümlü olarak kullanılabilir .

Örneğin, tıbbi acil bir durumda, ayrıntılı hesaplamalar veya farklı olasılıkların tahminleri için yeterli zaman olmayabilir, bu durumda ABC protokolü ( Havayolu, Solunum ve Dolaşım ) daha uygun olabilir. Daha sonra, durum daha az akut olduğunda, daha kapsamlı bir ayırıcı tanı prosedürü benimsenebilir.

Bir " patognomonik " işaret veya semptom bulunursa (bu durumda hedef koşulun mevcut olduğu neredeyse kesindir) veya bir " olmazsa olmaz işaret veya semptomun yokluğunda (ki bu durumda) ayırıcı tanı prosedürü basitleştirilebilir . hedef koşulun olmadığı neredeyse kesindir).

Bir teşhis uzmanı, ilk önce daha olası (olasılıklı bir yaklaşım), teşhis edilmez ve tedavi edilmezse daha ciddi (prognostik bir yaklaşım) veya teklif edildiğinde tedaviye daha fazla yanıt veren (pragmatik bir yaklaşım) bozuklukları göz önünde bulundurarak seçici olabilir. Bir durumun varlığının subjektif olasılığı hiçbir zaman tam olarak %100 veya %0 olmadığından, ayırıcı tanı prosedürü, daha fazla eylem için endikasyonlar oluşturmak için bu çeşitli olasılıkları belirlemeyi amaçlayabilir .

Aşağıda sırasıyla epidemiyoloji ve olasılık oranlarına dayalı iki ayırıcı tanı yöntemi verilmiştir.

Epidemiyoloji tabanlı yöntem

Epidemiyoloji ile ayırıcı tanı gerçekleştirmenin bir yöntemi, her bir aday koşulun olasılığını, ilk etapta bireyde meydana gelme olasılıklarını karşılaştırarak tahmin etmeyi amaçlar. Hem sunumla (ağrı gibi) hem de çeşitli aday durumların (hastalıklar gibi) olasılıklarıyla ilgili olasılıklara dayanır.

teori

Ayırıcı tanı için istatistiksel temel Bayes teoremidir . Bir benzetme olarak, bir zar düştüğünde sonuç %100 kesindir, ancak İlk Sırada Gerçekleşme olasılığı (bundan sonra WHOIFP olarak kısaltılacaktır ) hala 1/6'dır. Aynı şekilde, bir sunum veya durum tek bir (WHOIFPI) ilk etapta meydana gelmiş olur olasılığı sunumu veya durum, bu olasılık olarak değil aynı olan sunum için, bireyde meydana gelmiştir % 100 oluştu bireyde kesinlik. Yine de, her koşulun katkıda bulunan olasılık fraksiyonlarının göreceli olarak aynı olduğu varsayılır:

${\displaystyle {\begin{hizalanmış}&{\frac {\Pr({\text{Sunum, bireydeki koşuldan kaynaklanır}})}{\Pr({\text{Sunum bireysel olarak gerçekleşti}})}} ={\frac {\Pr({\text{Koşullara göre WHOIFPI sunumu}})}{\Pr({\text{Sunum WHOIFPI}})}}\end{hizalı}}}$

nerede:

• Pr(Sunum, bireydeki bir koşuldan kaynaklanır) sunumun, herhangi bir aday koşulu ifade etmeksizin , bireysel koşuldaki koşuldan kaynaklanma olasılığıdır.
• Pr(Sunum bireyde gerçekleşti) sunumun bireyde meydana gelme olasılığıdır, algılanabilir ve bu nedenle %100 olarak ayarlanabilir.
• Pr(Koşula göre Sunum WHOIFPI), koşulun Bireyde sunumun Birinci Sırada Gerçekleşme olasılığıdır.
• Pr(Sunum WHOIFPI), sunumun Bireyde İlk Sırada Gerçekleşme olasılığıdır.

Bir kişi bir semptom veya belirti ile başvurduğunda, Pr(Bireyde sunum meydana geldi) %100'dür ve bu nedenle 1 ile değiştirilebilir ve 1'e bölme herhangi bir fark yaratmadığından göz ardı edilebilir:

${\displaystyle \Pr({\text{Sunum, bireydeki koşuldan kaynaklanır}})={\frac {\Pr({\text{Sunum WHOIFPI tarafından koşul}})}{\Pr({\text{Sunum WHOIFPI) }})}}}$

Sunumun bireyde meydana gelme toplam olasılığı, bireysel aday koşullarının toplamı olarak yaklaşık olarak tahmin edilebilir:

${\displaystyle {\begin{aligned}\Pr({\text{Sunum WHOIFPI}})&=\Pr({\text{Sunum WHOIFPI 1 koşuluna göre}})\\&{}+\Pr({\text {2. koşula göre WHOIFPI sunumu}})\\&{}+\Pr({\text{3. koşula göre WHOIFPI sunumu}})+{\text{vb.}}\end{hizalı}}}$

Ayrıca, sunumun herhangi bir aday koşuldan kaynaklanmış olma olasılığı, sunumun neden olduğu orana bağlı olarak koşulun olasılığı ile orantılıdır:

${\displaystyle \Pr({\text{Koşullara göre WHOIFPI sunumu}})=\Pr({\text{Koşul WHOIFPI}})\cdot r_{{\text{durum}}\rightarrow {\text{sunu}} },}$

nerede:

• Pr(Koşula göre Sunum WHOIFPI), koşulun Bireyde sunumun Birinci Sırada Gerçekleşme olasılığıdır.
• Pr(Durum WHOIFPI) Bireyde Durumun İlk Sırada Meydana Gelmiş Olma olasılığıdır
• r _{Durum → sunum} , bir koşulun sunuma neden olma oranıdır, yani sunumla kendini gösteren koşullara sahip kişilerin oranıdır.

Bir bireyde bir durumun ilk etapta meydana gelme olasılığı, mevcut sunum dışında, bireye mümkün olduğu kadar benzer bir popülasyonun olasılığına yaklaşık olarak eşittir ve mümkün olduğunda bilinen risk faktörü tarafından verilen nispi risklerle telafi edilir. bireyi popülasyondan ayırt etmek:

${\displaystyle \Pr({\text{Durum WHOIFPI}})\yaklaşık RR_{\text{koşul}}\cdot \Pr({\text{Nüfustaki durum}}),}$

nerede:

• Pr(Durum WHOIFPI) Bireyde Durumun İlk Sırada Meydana Gelmiş Olma olasılığıdır
• RR _durumu , popülasyonda mevcut olmayan, bireyde bilinen risk faktörlerinin sağladığı durum için nispi risktir .
• Pr(popülasyondaki koşul), koşulun, sunum dışında bireye mümkün olduğunca benzer bir popülasyonda meydana gelme olasılığıdır.

Aşağıdaki tablo, bir dizi aday koşul için bu ilişkilerin nasıl yapılabileceğini göstermektedir:

	Aday durumu 1	Aday durumu 2	Aday durumu 3
Pr(popülasyondaki durum)	Pr(popülasyonda 1. Durum)	Pr(popülasyonda 2. Durum)	Pr(popülasyonda 3. Durum)
RR koşulu	RR 1	RR 2	RR 3
Pr(Koşul WHOIFPI)	Pr(Koşul 1 WHOIFPI)	Pr(Koşul 2 WHOIFPI)	P(Koşul 3 WHOIFPI)
r Durum → sunum	r Koşul 1 → sunum	r Koşul 2 → sunum	r Durum 3 → sunum
Pr(Koşula göre Sunum WHOIFPI)	Pr(Sunum WHOIFPI, koşul 1'e göre)	Pr(Sunum WHOIFPI, koşul 2'ye göre)	Pr(Sunum WHOIFPI 3'e göre)
Pr(Sunum WHOIFPI) = hemen yukarıdaki satırdaki olasılıkların toplamı
Pr(Sunum kişideki durumdan kaynaklıdır)	Pr(Sunum bireyde durum 1'den kaynaklanır)	Pr(Sunum bireyde durum 2'den kaynaklanır)	Pr(Sunum, bireyde durum 3'ten kaynaklanır)

Ek bir "aday koşul", herhangi bir anormallik olmaması durumudur ve sunum, temelde normal bir durumun yalnızca (genellikle nispeten olası olmayan) bir görünümüdür. Popülasyondaki olasılığı ( P(Nüfusta anormallik yok) ), "anormal" aday koşullarının olasılıklarının toplamının tamamlayıcısıdır.

Örnek

Bu örnek olay, bu yöntemin nasıl uygulandığını gösterir, ancak benzer gerçek dünya durumlarını ele almak için bir kılavuz oluşturmaz. Ayrıca, örnekte bazen birkaç ondalık basamaklı nispeten belirtilen sayılar kullanılırken , gerçekte, olasılıkların çok yüksek , yüksek , düşük veya çok düşük olması gibi basit tahminler vardır , ancak yine de yöntemin genel ilkelerini kullanır.

Bir birey için (bu örnekte "hasta" olan), örneğin serum kalsiyumunun bir kan testi , çoğu tanımla hiperkalsemi olarak sınıflandırılan ve "sunum" haline gelen standart referans aralığının üzerinde bir sonuç gösterir. bu durumda. Şu anda hastayı görmeyen bir klinisyen (bu örnekte "teşhis uzmanı" olur) onun bulgusunu öğrenir.

Pratik nedenlerle, klinisyen , hastanın tıbbi kayıtlarına bakmak için yeterli test endikasyonu olduğunu düşünmektedir . Kolaylık olması açısından, tıbbi kayıtlarına verilen tek bilgi, bir olduğunu varsayalım aile öyküsü arasında birincil hiperparatiroidizm hiperkalsemi bulguyu açıklayabilir (burada PH olarak kısaltılır). Bu hasta için, ortaya çıkan kalıtsal risk faktörünün 10'luk bir nispi risk (RR _PH = 10) sağladığı tahmin edildiğini varsayalım .

Klinisyen, hiperkalsemi bulgusu için ayırıcı tanı prosedürü uygulamak için yeterli motivasyon olduğunu düşünmektedir. Hiperkalseminin ana nedenleri birincil hiperparatiroidizm (PH) ve kanserdir , bu nedenle basitlik için klinisyenin düşünebileceği aday durumların listesi şu şekilde verilebilir:

• Primer hiperparatiroidizm (PH)
• Yengeç Burcu
• Klinisyenin düşünebileceği diğer hastalıklar (bu örneğin geri kalanı için basitçe "diğer koşullar" olarak adlandırılır)
• Hastalık yok (veya anormallik yok) ve bulgu tamamen istatistiksel değişkenlikten kaynaklanıyor

Bireyde ilk etapta 'primer hiperparatiroidizm'in (PH) meydana gelme olasılığı ( P(PH WHOIFPI) ) şu şekilde hesaplanabilir:

Diyelim ki hastanın son yaptığı kan testi yarım yıl önceydi ve normaldi ve genel popülasyonda primer hiperparatiroidizm insidansı kişiye uygun şekilde (prezentasyon ve bahsedilen kalıtım hariç) yılda 4000'de 1'dir. Daha detaylı retrospektif analizler (hastalığın ilerleme hızı ve tıbbi tanının gecikme süresi dahil) göz ardı edildiğinde , primer hiperparatiroidizm geliştirme riskine maruz kalma süresi kabaca son yarım yıl olarak kabul edilebilir, çünkü daha önce gelişmiş bir hiperkalsemi muhtemelen önceki kan testi tarafından yakalandı. Bu, aşağıdaki popülasyonda birincil hiperparatiroidizm (PH) olasılığına karşılık gelir:

${\displaystyle \Pr({\text{nüfustaki PH}})=0.5{\text{ yıl}}\cdot {\frac {1}{\text{yılda 4000}}}={\frac {1} {8000}}}$

Aile öyküsünden alınan rölatif risk ile, mevcut bilgilerden yola çıkılarak bireyde birincil hiperparatiroidizmin (PH) ilk sırada ortaya çıkma olasılığı şu şekilde olur:

${\displaystyle \Pr({\text{PH WHOIFPI}})\yaklaşık RR_{PH}\cdot \Pr({\text{nüfustaki PH}})=10\cdot {\frac {1}{8000}} ={\frac {1}{800}}=0.00125}$

Primer hiperparatiroidizmin esas olarak zamanın %100'ünde hiperkalsemiye neden olduğu varsayılabilir (r _{PH → hiperkalsemi} = 1), bu nedenle bağımsız olarak hesaplanan bu primer hiperparatiroidizm (PH) olasılığının, hastalığın bir nedeni olma olasılığı ile aynı olduğu varsayılabilir. sunum:

${\displaystyle {\begin{aligned}\Pr({\text{Hiperkalsemi WHOIFPI by PH}})&=\Pr({\text{PH WHOIFPI}})\cdot r_{{\text{PH}}\rightarrow {\text{hiperkalsemi}}}\\&=0.00125\cdot 1=0.00125\end{hizalı}}}$

İçin kanser , aynı zaman-risk altındaki basitlik için farz ve hadi bölgede kanser insidansı kanseri bir nüfus olasılığını veren yılda 250 içinde 1 olarak tahmin ediliyor demek olduğunu:

${\displaystyle \Pr({\text{nüfusta kanser}})=0.5{\text{ yıl}}\cdot {\frac {1}{\text{yılda 250}}}={\frac {1} {500}}}$

Basitlik için, ailede primer hiperparatiroidizm öyküsü ile kanser riski arasındaki herhangi bir ilişkinin göz ardı edildiğini, bu nedenle bireyin kansere yakalanma riskinin ilk etapta popülasyonunkine benzer olduğunu varsayalım (RR _kanseri = 1) :

${\displaystyle \Pr({\text{kanser WHOIFPI}})\yaklaşık RR_{\text{kanser}}\cdot \Pr({\text{nüfustaki kanser}})=1\cdot {\frac {1} {500}}={\frac {1}{500}}=0,002.}$

Bununla birlikte, hiperkalsemi, kanserlerin yalnızca yaklaşık %10'unda meydana gelir (r _{kanser → hiperkalsemi} = 0.1), yani:

${\displaystyle {\begin{hizalanmış}&\Pr({\text{Kanserden Hiperkalsemi WHOIFPI}})\\=&\Pr({\text{kanser WHOIFPI}})\cdot r_{{\text{kanser} }\rightarrow {\text{hiperkalsemi}}}\\=&0.002\cdot 0.1=0.0002.\end{hizalı}}}$

Diğer aday koşullar tarafından ilk etapta hiperkalseminin meydana gelme olasılığı benzer şekilde hesaplanabilir. Bununla birlikte, basitlik için, bu örnekte ilk etapta bunlardan herhangi birinin meydana gelme olasılığının 0,0005 olarak hesaplandığını varsayalım.

Var olma Örneğin herhangi bir hastalık , popülasyondaki ilgili olasılık diğer koşullar için olasılıkların toplamı tamamlayıcı olan:

${\displaystyle {\begin{aligned}\Pr({\text{nüfusta hastalık yok}})&=1-\Pr({\text{popülasyonda PH}})-\Pr({\text{kanserde popülasyon}})\\&{}\quad -\Pr({\text{popülasyondaki diğer koşullar}})\\&{}=0.997.\end{hizalı}}}$

Bireyin ilk etapta sağlıklı olma olasılığının aynı olduğu varsayılabilir:

${\displaystyle \Pr({\text{hastalık yok WHOIFPI}})=0.997.\,}$

Anormal bir durum olmaması durumunda, serum kalsiyumunun standart referans aralığının üzerinde (böylece hiperkalsemi olarak sınıflandırılır) ölçümüyle sonuçlanma oranı, standart referans aralığının tanımına göre %2,5'ten azdır. Ancak bu olasılık, ölçümün standart referans aralığındaki ortalamadan ne kadar saptığı dikkate alınarak daha fazla belirlenebilir. Diyelim ki, serum kalsiyum ölçümünün 1.30 mmol/L olduğunu varsayalım; bu, 1.05 ila 1.25 mmol/L olarak belirlenmiş standart bir referans aralığı ile standart bir 3 puana ve bu tür bir hiperkalsemi derecesinin sahip olacağı karşılık gelen %0.14 olasılığa karşılık gelir. anormallik olmaması durumunda ilk etapta meydana geldi:

${\displaystyle r_{{\text{hastalık yok}}\rightarrow {\text{hiperkalsemi}}}=0.0014}$

Daha sonra, hiperkalseminin herhangi bir hastalıktan kaynaklanmama olasılığı şu şekilde hesaplanabilir:

${\displaystyle {\begin{hizalı}&\Pr({\text{Hiperkalsemi WHOIFPI hastalıksız}})\\=&\Pr({\text{hastalıksız WHOIFPI}})\cdot r_{{\text{ hastalık yok}}\rightarrow {\text{hiperkalsemi}}}\\=&0.997\cdot 0.0014\yaklaşık 0.0014\end{hizalı}}}$

Bireyde ilk etapta hiperkalseminin meydana gelme olasılığı şu şekilde hesaplanabilir:

${\displaystyle {\begin{hizalı}&\Pr({\text{hiperkalsemi WHOIFPI}})\\=&\Pr({\text{hiperkalsemi WHOIFPI by PH}})+\Pr({\text{hiperkalsemi WHOIFPI) kansere göre}})\\&{}+\Pr({\text{diğer koşullara göre hiperkalsemi WHOIFPI}})+\Pr({\text{hiperkalsemi WHOIFPI hastalıksız}})\\=&0.00125+0.0002 +0.0005+0.0014=0.00335\end{hizalı}}}$

Daha sonra, bireyde hiperkalseminin primer hiperparatiroidizmden (PH) kaynaklanma olasılığı şu şekilde hesaplanabilir:

${\displaystyle {\begin{hizalı}&\Pr({\text{hiperkalsemi bireyde PH'den kaynaklanır}})\\=&{\frac {\Pr({\text{hiperkalsemi WHOIFPI by PH}})} {\Pr({\text{hiperkalsemi WHOIFPI}})}}\\=&{\frac {0.00125}{0.00335}}=0.373=37.3\%\end{hizalı}}}$

Benzer şekilde, hiperkalseminin bireyde kansere bağlı olma olasılığı şu şekilde hesaplanabilir:

${\displaystyle {\begin{hizalı}&\Pr({\text{hiperkalsemi bireyde kanserden kaynaklanır}})\\=&{\frac {\Pr({\text{hiperkalsemi WHOIFPI kanserden dolayı}})} {\Pr({\text{hiperkalsemi WHOIFPI}})}}\\=&{\frac {0.0002}{0.00335}}=0.060=6.0\%,\end{hizalı}}}$

ve diğer aday koşulları için:

${\displaystyle {\begin{hizalı}&\Pr({\text{hiperkalsemi, bireydeki diğer koşullardan kaynaklanır}})\\=&{\frac {\Pr({\text{hiperkalsemi WHOIFPI diğer koşullardan}} )}{\Pr({\text{hiperkalsemi WHOIFPI}})}}\\=&{\frac {0.0005}{0.00335}}=0.149=14.9\%,\end{hizalı}}}$

ve aslında hastalık olmaması olasılığı:

${\displaystyle {\begin{hizalı}&\Pr({\text{bireyde hastalık olmamasına rağmen hiperkalsemi mevcut}})\\=&{\frac {\Pr({\text{hastalıksız hiperkalsemi WHOIFPI}} )}{\Pr({\text{hiperkalsemi WHOIFPI}})}}\\=&{\frac {0.0014}{0.00335}}=0.418=41.8\%\end{hizalı}}}$

Açıklama için, bu hesaplamalar yöntem açıklamasında tablo olarak verilmiştir:

	PH	Yengeç Burcu	Diğer durumlar	hastalık yok
P(popülasyondaki durum)	0.000125	0.002	-	0,997
RR x	10	1	-	-
P(Koşul WHOIFPI)	0.00125	0.002	-	-
r Durum →hiperkalsemi	1	0.1	-	0.0014
P(duruma göre hiperkalsemi WHOIFPI)	0.00125	0.0002	0.0005	0.0014
P(hiperkalsemi WHOIFPI) = 0.00335
P(hiperkalsemi bireydeki durumdan kaynaklanır)	%37.3	%6,0	%14.9	%41.8

Bu nedenle, bu yöntem, hiperkalseminin birincil hiperparatiroidizm, kanser, diğer koşullar veya hiçbir hastalıktan kaynaklanmama olasılığının sırasıyla %37.3, %6.0, %14.9 ve %41.8 olduğunu tahmin eder ve bu, ileri testlerin tahmininde kullanılabilir. belirteçler.

Bu durum, bir sonraki bölümde açıklanan yöntem örneğinde devam etmektedir.

Olasılık oranına dayalı yöntem

Ayırıcı tanı prosedürü, ek testler ve tedaviler tam olarak dikkate alındığında son derece karmaşık hale gelebilir. Klinik olarak mükemmel olmak ile nispeten basit hesaplamak arasında bir şekilde bir değiş tokuş olan bir yöntem, müteakip test sonrası olasılıkları türetmek için olabilirlik oranlarını kullanan yöntemdir .

teori

Her aday koşul için başlangıç ​​olasılıkları, aşağıdakiler gibi çeşitli yöntemlerle tahmin edilebilir:

• Önceki bölümde açıklandığı gibi epidemiyolojiye göre.
• Belirli bir şikayetle belirli bir kliniğe gelen hastaların istatistiksel olarak her aday koşul için belirli bir olasılığa sahip olduğunu istatistiksel olarak bilmek gibi, kliniğe özgü örüntü tanıma yoluyla.

Daha ileri testlerden sonra bile olasılıkları tahmin etmenin bir yöntemi, her test veya prosedürden sonra bir çarpma faktörü olarak olabilirlik oranlarını ( duyarlılıklardan ve özgüllüklerden türetilen) kullanır . İdeal bir dünyada, tüm olası patolojik koşullar için tüm testler için duyarlılıklar ve özgüllükler oluşturulacaktır. Ancak gerçekte, bu parametreler aday koşullardan yalnızca biri için belirlenebilir. Dan likelihoods olabilirlik oranları gerektirmektedir dönüşüm ile çarparak olasılıklara karşı lehine oran ile (bundan sonra kısaca adlandırılan "oran"):

${\displaystyle {\text{odds}}={\frac {\text{olasılık}}{1-{\text{olasılık}}}}}$

Ancak, yalnızca olabilirlik oranı bilinen aday koşullar bu dönüştürmeye ihtiyaç duyar. Çarpmadan sonra, olasılığa geri dönüşüm şu şekilde hesaplanır:

${\displaystyle {\text{olasılık}}={\frac {\text{odds}}{{\text{odds}}+1}}}$

Aday koşulların geri kalanı (eldeki test için belirlenmiş bir olasılık oranı yoktur), basitlik için, daha sonra tekrar %100 toplam verecek şekilde tüm aday koşulları ortak bir faktörle çarparak ayarlanabilir.

Ortaya çıkan olasılıklar, daha ileri tıbbi testler , tedaviler veya diğer eylemler için endikasyonları tahmin etmek için kullanılır . Ek bir test için bir gösterge varsa ve sonuç olarak geri dönerse, ek testin olabilirlik oranı kullanılarak prosedür tekrarlanır. Aday koşulların her biri için güncellenmiş olasılıklar ile, daha ileri testler, tedaviler veya diğer eylemler için endikasyonlar da değişir ve bu nedenle prosedür, halihazırda başka eylemlerin gerçekleştirilmesi için artık herhangi bir göstergenin olmadığı bir son noktaya kadar tekrarlanabilir . Böyle bir son nokta, esas olarak, bir aday koşul o kadar kesin hale geldiğinde ortaya çıkar ki, göreli olasılık profilini başka eylemlerde herhangi bir değişikliği motive etmeye yetecek kadar güçlü bir test bulunamaz. Mümkün olduğu kadar az testle böyle bir son noktaya ulaşma taktikleri , zaten olağanüstü yüksek profilli göreli olasılık koşulları için yüksek özgüllüğe sahip testler yapmayı içerir , çünkü bu tür testler için pozitif olasılık oranı çok yüksektir ve daha az olası tüm koşulları nispeten daha düşük olasılıklara getirir. düşük olasılıklar. Alternatif olarak, rekabet eden aday koşulları için yüksek duyarlılığa sahip testler, yüksek olasılık oranına sahiptir ve potansiyel olarak rekabet eden aday koşulları için olasılıkları ihmal edilebilir seviyelere getirir. Bu gibi ihmal edilebilir olasılıklar elde edilirse, klinisyen bu koşulları ekarte edebilir ve sadece kalan aday koşullarla ayırıcı tanı prosedürüne devam edebilir.

Örnek

Bu örnek, epidemiyolojiye dayalı yöntem örneğinde olduğu gibi aynı hasta için devam eder. Önceki epidemiyoloji tabanlı yöntem örneğinde olduğu gibi, bu örnek vaka, bu yöntemin nasıl uygulandığını göstermek için yapılmıştır, ancak benzer gerçek dünyadaki vakaların ele alınması için bir kılavuz teşkil etmemektedir. Ayrıca, örnekte göreceli olarak belirtilen sayılar kullanılırken, gerçekte genellikle yalnızca kaba tahminler vardır. Bu örnekte, her aday koşul için olasılıklar, epidemiyolojiye dayalı bir yöntemle aşağıdaki gibi oluşturulmuştur:

	PH	Yengeç Burcu	Diğer durumlar	hastalık yok
olasılık	%37.3	%6,0	%14.9	%41.8

Bu yüzdeler, kliniğe hiperkalsemi ile başvuran ve ailesinde primer hiperparatiroidizm öyküsü olan kişiler için kesin tanı yüzdeleri olduğunun bilinmesiyle, belirli klinikteki deneyimle de belirlenebilirdi.

Profil göreli olasılığın en yüksek olduğu durum ("hastalık olmaması" hariç) birincil hiperparatiroidizmdir (PH), ancak kanser hala büyük endişe kaynağıdır, çünkü hiperkalseminin gerçek nedensel durumuysa, o zaman tedavi edilip edilmeyeceği veya olası değil, hasta için ölüm kalım anlamına gelir, aslında bu durumların her ikisi için daha ileri testler için endikasyonu potansiyel olarak benzer bir düzeye getirir .

Burada, diyelim ki klinisyenin, hastayı klinisyen ziyareti için bir çağrı göndermesini ve paratiroid de dahil olmak üzere daha fazla analizle tamamlanan ek bir kan testi için tıbbi laboratuvara ek bir ziyareti belirtmek için yeterli endişenin profille ilgili olasılıklarını dikkate aldığını varsayalım. Primer hiperparatiroidizm şüphesi için hormon .

Basitlik için, klinisyenin önce paratiroid hormon analizi için kan testi sonucunu ("BT" olarak kısaltılır) aldığını ve kalsiyum seviyesinin beklediğine göre yüksek bir paratiroid hormon seviyesi gösterdiğini varsayalım.

Böyle bir kümelenmenin, birincil hiperparatiroidizm için yaklaşık %70 duyarlılığa ve yaklaşık % 90 özgüllüğe sahip olduğu tahmin edilebilir . Bu , birincil hiperparatiroidizm için pozitif olasılık oranı 7'yi verir .

Primer hiperparatiroidizm olasılığı , kan testinden öncesine karşılık geldiği için şimdi BT Öncesi _PH olarak adlandırılmaktadır (Latince edat prae önce anlamına gelir). 0.595 orana karşılık gelen %37.3 olarak tahmin edildi. Kan testi için olasılık oranı 7 pozitif olduğunda, test sonrası olasılıklar şu şekilde hesaplanır:

${\displaystyle \operatöradı {Oranlar} ({\text{PostBT}}_{PH})=\operatöradı {Oranlar} ({\text{PreBT}}_{PH})\cdot LH(BT)=0.595\cdot 7=4.16,}$

nerede:

• Odds(PostBT _PH ) , paratiroid hormonu için yapılan kan testinden sonra birincil hiperparatiroidizm olasılığıdır.
• Oranlar(PreBT _PH , paratiroid hormonu için kan testinden önce birincil hiperparatiroidizm lehine olan orandır.
• LH(BT) , paratiroid hormonu için yapılan kan testi için pozitif olasılık oranıdır

4,16'lık bir Odds(PostBT _PH ) tekrar ilgili olasılığa şu şekilde dönüştürülür:

${\displaystyle \Pr({\text{PostBT}}_{PH})={\frac {\operatöradı {Oranlar} ({\text{PostBT}}_{PH})}{\operatöradı {Oranlar} ({ \text{PostBT}}_{PH})+1}}={\frac {4.16}{4.16+1}}=0.806=80,6\%}$

Bu nedenle, aday koşulların geri kalanı için olasılıkların toplamı şu şekilde olmalıdır:

${\displaystyle \Pr({\text{postBT}}_{dinlenme})=100\%-80.6\%=19.4\%}$

Paratiroid hormonu için kan testinden önce, olasılıklarının toplamı şuydu:

${\displaystyle \Pr({\text{PreBT}}_{\text{dinlenme}})=6.0\%+14.9\%+41.8\%=62.7\%}$

Bu nedenle, tüm aday koşulları için %100 toplamına uymak için, diğer adayların her biri bir düzeltme faktörü ile çarpılmalıdır:

${\displaystyle {\text{Düzeltme faktörü}}={\frac {\Pr({\text{PostBT}}}_{\text{rest}})}{\Pr({\text{PreBT}}_{\ metin{dinlenme}})}}={\frac {19.4}{62.7}}=0.309}$

Örneğin, testten sonra kanser olasılığı şu şekilde hesaplanır:

${\displaystyle \Pr({\text{PostBT}}_{\text{kanser}})=\Pr({\text{PreBT}}_{\text{kanser}})\cdot {\text{Düzeltme faktörü }}=6.0\%\cdot 0.309=1.9\%}$

Kan testi öncesi ve sonrası her aday koşul için olasılıklar aşağıdaki tabloda verilmiştir:

	PH	Yengeç Burcu	Diğer durumlar	hastalık yok
P(ÖnBT)	%37.3	%6,0	%14.9	%41.8
P(PostBT)	%80,6	%1,9	%4,6	%12.9

Primer hiperparatiroidizm için profile göre %80'lik bir olasılık dahil olmak üzere bu "yeni" yüzdeler, daha ileri testler, tedaviler veya diğer eylemler için herhangi bir endikasyonun temelini oluşturur. Bu durumda, klinisyenin , özellikle primer hiperparatiroidizme odaklanan daha ileri bir kontrol için hastanın klinisyen ziyaretine gelme planına devam ettiğini varsayalım.

Bir klinisyen ziyareti, teorik olarak, hem tıbbi öyküdeki soruları hem de fiziksel muayenenin bileşenlerini içeren bir dizi test olarak kabul edilebilir ; burada, önceki bir testin son test olasılığının ön test olarak kullanılabileceği yer. bir sonraki test olasılığı . Bir sonraki testi seçme endikasyonları, önceki testlerin sonuçlarından dinamik olarak etkilenir.

Diyelim ki bu örnekteki hasta, hiperkalseminin kendisinden beklenenden daha şiddetli depresyon, kemik ağrısı, eklem ağrısı veya kabızlık semptom ve bulgularının en azından bir kısmına sahip olduğunu ortaya koydu ve bu da primer hiperparatiroidizm şüphesini destekliyor, ve diyelim ki testler için olabilirlik oranları birlikte çarpıldığında kabaca primer hiperparatiroidizm için 6'lık bir ürünle sonuçlanır.

Öyküde ve muayenede spesifik olmayan patolojik semptom ve bulguların varlığı sıklıkla aynı zamanda kanserin de göstergesidir ve diyelim ki testler kanser için 1.5 olarak tahmin edilen bir genel olasılık oranı verdi. Diğer durumlar için ve ayrıca herhangi bir hastalığa sahip olmama durumu için, gerçekte sıklıkla olduğu gibi, eldeki testlerden nasıl etkilendiklerinin bilinmediğini söyleyelim. Bu, öykü ve fizik muayene için aşağıdaki sonuçları verir (P&E olarak kısaltılır):

	PH	Yengeç Burcu	Diğer durumlar	hastalık yok
P(ÖnH&E)	%80,6	%1,9	%4,6	%12.9
Oranlar(PreH&E)	4.15	0.019	0.048	0.148
H&E'ye göre olasılık oranı	6	1.5	-	-
Oranlar(PostH&E)	24,9	0.0285	-	-
P(PostH&E)	%96,1	%2.8	-	-
Bilinen P(PostH&E) toplamı	%98.9
Kalan P(PostH&E) toplamı	%1,1
Kalan P(PreH&E) toplamı	%4,6 + %12.9 = %17,5
düzeltme faktörü	%1,1 / %17,5 = 0,063
Düzeltme sonrası	-	-	%0.3	%0.8
P(PostH&E)	%96,1	%2.8	%0.3	%0.8

Öykü ve muayeneden sonraki bu olasılıklar, hekimi hastayı etkilenen dokuyu rezeke etmek için paratiroidektomi ameliyatı için planlama konusunda yeterince emin kılabilir .

Bu noktada, "diğer durumlar" olasılığı o kadar düşüktür ki, hekim, bunlar için, böyle bir test için bir endikasyon oluşturacak kadar önemli bir fark yaratabilecek herhangi bir test düşünemez ve bu nedenle hekim pratik olarak " diğer koşullar", bu durumda öncelikle negatif olan bu tür diğer koşullar için herhangi bir spesifik testle değil, şimdiye kadar pozitif testlerin olmaması nedeniyle hariç tutulmuştur.

"Kanser" için, onu güvenle ekarte etmek için sınır, onu kaçırmanın ciddi sonuçları nedeniyle daha katı olabilir, bu nedenle doktor, en azından rezeke edilen dokunun histopatolojik incelemesinin gerekli olduğunu düşünebilir .

Bu durum, aşağıdaki ilgili bölümdeki Kombinasyonlar örneğinde devam etmektedir .

Aday koşullarının kapsamı

Hem epidemiyoloji ile olasılıkların ilk tahmininin hem de olabilirlik oranlarına göre daha fazla çalışmanın geçerliliği, durumu geliştirme olasılığının mümkün olduğunca büyük bir bölümünden sorumlu olan aday koşulların dahil edilmesine bağlıdır ve klinik olarak önemlidir. Tedavinin nispeten hızlı başlatılmasının en büyük faydayla sonuçlanmasının en muhtemel olduğu durumlar. Önemli bir aday durum gözden kaçırılırsa, hiçbir ayırıcı tanı yöntemi doğru sonucu sağlayamaz. Katılım için daha fazla aday koşul bulma ihtiyacı, sunumun kendisinin artan ciddiyeti ile artmaktadır. Örneğin, tek sunum sapan bir laboratuvar parametresiyse ve altta yatan tüm yaygın zararlı koşullar ekarte edilmişse, daha fazla aday koşul bulmayı bırakmak kabul edilebilir olabilir, ancak sunum şiddetli olsaydı bu çok daha büyük olasılıkla kabul edilemez olurdu. Ağrı.

kombinasyonlar

İki koşul yüksek test sonrası olasılıklar alıyorsa, özellikle de olasılık oranları bilinen koşulların olasılıklarının toplamı %100'den yüksekse, gerçek koşul ikisinin birleşimidir. Bu gibi durumlarda, bu birleşik koşul, aday koşullar listesine eklenebilir ve hesaplamalar en baştan başlamalıdır.

Yukarıda kullanılan örneğe devam etmek için, diyelim ki öykü ve fizik muayene, 3 olasılık oranıyla, 0.057'lik bir Odds(PostH&E) vererek, %5.4'lük bir P(PostH&E)'ye karşılık gelir. Bu, %101.5'lik bir "Bilinen P(PostH&E)" toplamına karşılık gelir. Bu, primer hiperparatiroidizm ile kanserin bir kombinasyonunu göz önünde bulundurmak için bir göstergedir, örneğin bu durumda paratiroid hormonu üreten bir paratiroid karsinomu . bu nedenle, ilk iki koşulun "kansersiz primer hiperparatiroidizm", "primer hiperparatiroidizmsiz kanser" ve "kombine primer hiperparatiroidizm ve kanser" olarak ayrılması ve olasılık oranlarının her bir duruma ayrı ayrı uygulanması ile gereklidir. ancak doku zaten rezeke edilmiştir, burada muayenede paratiroid karsinomu olasılığını içeren bir histopatolojik inceleme yapılabilir (uygun örnek boyama gerektirebilir ) Histopatolojik incelemenin primer hiperparatiroidizmi doğruladığını, ancak aynı zamanda malign bir patern gösterdiğini varsayalım. Epidemiyolojiye göre bir başlangıç ​​yöntemiyle, paratiroid karsinomu insidansı şu şekilde tahmin edilmektedir: herhangi bir testi dikkate almadan önce çok düşük bir olasılık vererek, yılda 6 milyon kişiden 1'i. Karşılaştırıldığında, malign olmayan primer hiperparatiroidizmin, paratiroid bezinde malign hücrelerle ortaya çıkan, ilişkisiz, karsinom olmayan bir kanserle aynı zamanda meydana gelme olasılığı, ikisinin olasılıkları çarpılarak hesaplanır. Bununla birlikte, ortaya çıkan olasılık, 6 milyonda 1'den çok daha küçüktür. Bu nedenle, ilk etapta ortaya çıkma olasılığı düşük olmasına rağmen, histopatolojik incelemeden sonra paratiroid karsinomu olasılığı hala %100'e yakın olabilir.

Makine ayırıcı tanı

Makine ayırıcı tanı, kısmen veya tamamen ayırıcı tanı yapmak için bilgisayar yazılımının kullanılmasıdır . Yapay zekanın bir uygulaması olarak kabul edilebilir .

Birçok çalışma, bu tür karar destek sistemlerini kullanarak bakım kalitesinin arttığını ve tıbbi hataların azaldığını göstermektedir. Bu sistemlerden bazıları şizofreni, Lyme hastalığı veya ventilatörle ilişkili pnömoni gibi belirli bir tıbbi sorun için tasarlanmıştır. Böyle ESAGIL, İlyada, QMR, DiagnosisPro, Diğerleri VisualDx , docLogica , Isabel, ZeroMD, DxMate, Symptoma ve Hekim Biliş hızlı ve daha doğru tanı ile hekimlere yardımcı olmak üzere tüm temel klinik ve tanı bulguları kapsayacak şekilde tasarlanmıştır.

Bununla birlikte, bu araçların tümü, semptomları derecelendirmek ve farklı teşhislerin olasılıklarını ortaya çıkarmak için ek testler seçmek için hala ileri tıbbi beceriler gerektirir. Makine ayırıcı tanısı da şu anda birden fazla eşzamanlı bozukluğu teşhis edememektedir. Bu nedenle, profesyonel olmayanlar yine de uygun bir teşhis için bir sağlık hizmeti sağlayıcısını görmelidir .

Tarih

Ayırıcı tanı yöntemi ilk olarak Emil Kraepelin tarafından ruhsal bozuklukların tanısında kullanılması önerilmiştir . Gestalt (izlenim) ile eski moda tanı yönteminden daha sistematiktir .

Alternatif tıbbi anlamlar

'Ayırıcı tanı' aynı zamanda, belirli bir semptomun en yaygın nedenlerinin bir listesine, belirli bir bozukluğa benzer bozuklukların bir listesine veya nasıl yapılacağına dair tavsiyelerle açıklama yapıldığında bu tür listelere atıfta bulunmak için daha gevşek bir şekilde kullanılır. listeyi daraltın ( Fransızca'nın Ayırıcı Tanı İndeksi bir örnektir). Dolayısıyla, bu anlamda ayırıcı tanı, tanıya yardımcı olmak için özel olarak düzenlenmiş tıbbi bilgilerdir.

Tıp dışında kullanım

Tıptaki ayırıcı tanı süreçlerine benzer yöntemler, biyolojik taksonomistler tarafından canlı ve soyu tükenmiş organizmaları tanımlamak ve sınıflandırmak için de kullanılır . Örneğin, bilinmeyen bir tür bulduktan sonra, önce tüm potansiyel türlerin bir listesi olabilir, ardından optimal olarak sadece bir potansiyel seçenek kalana kadar tek tek hariç tutulabilir. Benzer prosedürler, tesis ve bakım mühendisleri ve otomotiv mekaniği tarafından kullanılabilir ve hatalı elektronik devrelerin teşhisinde kullanılabilir.

Sanatta

New Jersey'deki kurgusal Princeton-Plainsboro Eğitim Hastanesi'nde bir teşhis ekibine liderlik eden ana kahramanı Dr. Gregory House'u Hugh Laurie'nin oynadığı Amerikan televizyon tıp draması House , doğru tanıyı bulmak için ayırıcı tanı prosedürlerini kullanma etrafında dönüyor. .

Dizi boyunca, doktorlar lupus , mastositoz , Plummer hastalığı , kuduz , Kawasaki sendromu , çiçek hastalığı , Rickettsialpox ve düzinelerce diğerleri gibi hastalıkları teşhis etti .

Ayrıca bakınız

• komorbidite
• Dışlama teşhisi
• Çift tanı
• Tıbbi teşhiste cinsiyet yanlılığı
• Tıbbi semptomların listesi

Referanslar