Diễn giải kết quả chẩn đoán bằng xác suất: Giải thích chi tiết

YKHOA.NET – Nghiên cu khoa hc – Nguyn Vn Tun 1

Din gii kt qu chn oán bng xác sut

Nguyn Vn Tun

Trong bài hát ci lng Thích Ca tm o mà tôi rt thích hi còn nh (và cho

n nay), Ngh s Út Trà Ôn trong vai Thích Ca trên ng v kinh thành thy mt ngi

nm bt ng, im lìm. Vi mt ging nói mang tính u phin, Thích Ca hi ngi tùy

tùng Sa Nc: ngi ó là ai. Sa Nc tr li: Tha thái t, ó là mt ngi ã cht.

Thích Ca hi tip: “Cht là sao”, và Sa Nc tr li: “… Cht có ngha là hi th ã tt

và máu cng ã ngng trong huyt qun, không còn hay bit chi n s vt quanh mình.”

Thích Ca nhn xét: “Có ngha là t xác thân cho n danh vng, bc tin u b li trn

th  tr v cát bi …” Ri Út Trà Ôn vào bài ca vi mt ging ca có mt không hai,

xng áng vi danh hiu “Vua vng c”, trong lch s ci lng Vit Nam!

Tt nhiên bài ci lưng không có ý nh gii thích chn oán y khoa là gì, nhưng

tôi mun mưn câu chuyn  nói rng i vi mt bin c y khoa như t vong thì chn

oán không có gì là … quá khó khn. Không cn n mt chuyên gia y t  bit mt

ngưi ã cht hay còn sng, bi vì như Sa Nc nói ch cn xem xét qua hi th, máu và ý

thc chung quanh thì cng bit.

Nhưng ó là mt bin c n gin, mt bin c sau cùng ưc gây ra bi tích ly

t nhng chui dài ri lon và suy i c a c th. Trong th!c t y khoa có nhi"u bnh,

nht là bnh ni khoa, không th n gin ch nhìn du hiu mà bit ưc. #i vi bnh

nhân, câu h$i thưng t ra là làm sao bit mình ang m%c bnh? Câu tr li n gin là

phi i tham vn bác s&. Nhưng làm sao bác s& bit chúng ta có bnh? Bác s& phi làm

th nghim và xem kt qu th nghim  ra mt “phán quyt”, mt “chn oán”

(diagnosis).

T in ting Vit nh ngh&a ch n oán là “xác nh bnh, d!a theo triu chng

và kt qu xét nghim”. T in y khoa c a Tây phưng thì nh ngh&a tưng i chi tit

hn, i khái là: chn oán là qui trình xác nh bn cht c a mt bnh bng cách xem

xét các du hiu (signs) và triu chng (symptoms) c a bnh nhân, và khi cn thit, xem

xét kt qu các xét nghim và kho sát X quang.

Th nhưng, các thit b máy móc và xét nghim lâm sàng v'n có mt vài sai sót,

không ít thì nhi"u. Nhng sai sót này có th làm cho kt qu chn oán thiu chính xác

và thiu tin c(y. Nhng trưng hp sai sót trong chn oán thì rt nhi"u, nhưng cng có

vài trưng hp gây ra thm ha cho bnh nhân [1].

Khi c các bài báo y khoa liên quan n chn oán, chúng ta thưng hay gp

nhng thu(t ng như sensitivity, specificity, false positive rate, positive predictive value,

likelihood ratio, v.v… Nhng thu(t ng này có ngh&a gì, và cách din dch chúng ra sao?

Trong bài này tôi s) ln lưc gii thích chúng bng nhng ví d* c* th.

YKHOA.NET – Nghiên cu khoa hc – Nguyn Vn Tun 2

Phân bit: bnh trng và kt qu xét nghim

Nói mt cách n gin, mt cá nhân hoc là có bnh, hoc là không có bnh. Tuy

n gin như th, nhưng làm sao  bit có bnh hay không có bnh không phi là mt

i"u d dàng chút nào. Trng thái bnh và không bnh là mt hin tưng chúng ta khó

quan sát ưc, hay có trưng hp cá bit, chúng ta th(m chí không th quan sát ưc.

Ch+ng hn như  bit ch%c ch%n có ung thư hay không, phưng pháp chun là dùng sinh

thit. Sinh thit là mt ph'u thu(t nh$, bao gm vic c%t mt khi tht nh$ (hay bưu)

trong c th và t dưi ng kính hin vi  xác nh xem có ung th hay không có ung

th.

Vì khó (hay không) quan sát tr!c tip ưc, nên chúng ta phi dùng các phưng

pháp gián tip như X quang và xét nghim bng các phưng pháp sinh hóa. Kt qu c a

xét nghim cho chúng ta hai giá tr: dng tính (+ve) hay âm tính (-ve).

Như ã " c(p trên, không có mt phưng pháp xét nghim gián tip nào, dù tinh

vi n âu i na, là hoàn ho và chính xác tuyt i. Mt s ngưi có kt qu dưng

tính, nhưng th!c s! không có ung thư. Và mt s ngưi có kt qu âm tính, nhưng trong

th!c t li có ung thư. #n ây thì chúng ta có bn kh nng:

• bnh nhân có bnh, nhưng kt qu th nghim là dưng tính. #ây là

trưng hp dng tính tht (danh t chuyên môn ting Anh gi là

sensitivity hay true positive);

• bnh nhân không có bnh, nhưng kt qu th nghim là dưng tính. #ây

là trưng hp dng tính gi (false positive);

• bnh nhân không có bnh, nhưng kt qu th nghim là âm tính. #ây là

trưng hp c a âm tính tht (specificity hay true negative); và,

• bnh nhân có bnh, nhưng kt qu th nghim là âm tính. #ây là trưng

hp âm tính gi (false negative).

Bn kh nng này có th tóm gn trong biu  sau ây:

Tình trng “tht” ca bnh

Kt qu xét nghim

Có bnh Không có bnh

+ve Dưng tính th(t

Sensitivity, true positive

Dưng tính gi

False positive

-ve Âm tính gi

False negative

Âm tính th(t

Specificity, true negative

Sensitivity và Specificity

YKHOA.NET – Nghiên cu khoa hc – Nguyn Vn Tun 3

# ánh giá  chính xác c a mt phưng pháp xét nghim, các nhà nghiên cu

thưng ưc tính t l dưng tính th(t (tc là sensitity probability) và t l âm tính th(t

(specificity probability). Cách tính c a hai t l này có th minh ho bng mt nghiên

cu sau ây.

Ví d 1 (chn oán bnh ái ng). Phưng pháp chun  chn oán bnh

ái ưng (diabetes) là phân tích nng  ưng trong máu. Nu kt qu phân tích máu

là +ve thì bnh nhân ưc xem là m%c bnh ái ưng và s) ưc i"u tr; nu kt qu là

–ve thì ngưi ó xem như không m%c ái ưng. Nhưng phưng pháp ưc tính nng 

ưng trong máu mang tính tưng i xâm phm (phi ly m'u máu) và tn kém, cho

nên các nhà nghiên cu phát trin mt phưng pháp khác n gin hn, ít xâm phm hn,

và ít tn kém hn: th bng nưc ái. Xét nghim bng nưc ái cng cho hai kt qu:

+ve và –ve. Vn " t ra là xét nghim nưc ái chính xác c, nào và có th ng d*ng

cho mt qun th ln hay không?

# tr li câu h$i này, các nhà nghiên cu tin hành mt nghiên cu thoe kiu i

chng. H chn ng'u nhiên 1000 i tưng n. H tin hành xét nghim bng phưng

pháp chun (phân tích máu) và phưng pháp còn trong vòng thí nghim (phân tích nưc

ái). Kt qu ưc tóm lưc trong bng thng kê sau ây:

Bng 1. Chn oán bnh ái ng: kt qu xét nghim bng phơng pháp chun

và thí nghim

Kt qu c a phân tích máu

Kt qu c a

phân tích nưc ái +ve –ve

+ve 10 30

–ve 160 800

T-ng s 170 830

Nói cách khác, trong s 170 ngưi m%c bnh ái ưng, có 10 ph* n có kt qu xét

nghim nưc ái là +ve, và 160 ngưi có kt qu -ve. Trong s 830 ngưi không m%c

bnh ái ưng, 30 ngưi có kt qu phân tích nưc ái là +ve, và 800 ngưi có kt qu -

ve.

Vi nhng s liu này, chúng ta có th ưc tính t l dưng tính th(t (vit t%t là

Sens) như sau:

Sens = 10 / 170 = 0,059

và t l âm tính th(t (vit t%t là spec):

Spec = 800 / 830 = 0,964.

Như v(y, t l dưng tính gi (fp) là:

fp = 1 - spec = 0,036

YKHOA.NET – Nghiên cu khoa hc – Nguyn Vn Tun 4

và t l âm tính gi (fn):

fn = 1- sens= 0,941

Qua kt qu phân tích này chúng ta thy dù phưng pháp xét nghim nưc tiu khá chính

xác trong vic tuyên b mt i tưng là không m%c bnh ái ưng, nhưng rt d trong

vic chn oán bnh nhân m%c bnh này. Kt qu phân tích trên cho phép chúng ta phát

biu rng trong phưng pháp xét nghim bng nưc tiu ch phát hin khong 6% trong

s nhng ngưi th(t s! b bnh ái ưng. Nói cách khác, 94% bnh nhân ái ưng,

nu xét nghim bng phưng pháp nưc ái có kt qu âm tính.

Xin nhn mng mt ln na rng hai t l dưng tính th(t và âm tính th(t (hay các

t l như dưng tính gi và âm tính gi) mà tôi va  c(p trên là nhng ch s phn ánh

 chính xác c a phưng pháp xét nghim mà thôi. Nói theo ngôn ng xác sut (nu ai

còn nh xác sut! t l dưng tính th(t là xác sut mà bnh nhân có kt qu +ve vi i"u

kin bnh nhân qu th(t m%c bnh (chú ý du “|” có ngh&a là “vi i"u kin”):

Sens = P(+ve | m%c bnh)

Tưng t!, t l âm tính th(t là xác sut mà mt cá nhân có kt qu -ve vi i"u kin cá

nhân ó qu th(t không m%c bnh:

Spec = P(-ve | không m%c bnh)

Th nhưng, rt tic là trong th*c t ( Tây phưng cng v(y) có rt nhi"u bác s&

không hiu ý ngh&a c a hai t l này nên ã din dch (sai) rng t l dưng tính th(t là xác

sut mà bnh nhân s) m%c bnh!

Positive predictive value – Tr s tiên oán dơng tính

Xin nói c* th hn: hai t l này không cung cp cho chúng ta thông tin mà chúng

ta cn bit: xác sut mà mt cá nhân m%c bnh hay không m%c bnh là bao nhiêu nu cá

nhân ó có kt qu +ve hay –ve. Nói theo ngôn ng xác sut, chúng ta (và bnh nhân)

mun bit:

P(m%c bnh | +ve)

và

P(không m%c bnh | -ve)

Trong dch t hc, P(m%c bnh | +ve) ưc t tên là positive predictive value

(PPV) mà tôi tm dch là tr s! tiên oán dng tính. Tưng t!, P(không m%c bnh | -ve)

có tên là negative predictive value (PPV - tr s! tiên oán âm tính).

YKHOA.NET – Nghiên cu khoa hc – Nguyn Vn Tun 5

PPV và NPV tùy thuc vào ba yu t: sens, spec, và prevalece (hay t l hin hành

c a bnh). Thông thưng, chúng ta mun bit PPV hn là NPV, cho nên tôi s) gii thích

chi tit v" t l này. Công thc c* th  ưc tính PPV là như sau:

( ) ( )

prevalenceyspecificitprevalencesensivity

prevalenceysensitivit

PPV −×−+×

=11

Trong ví d 1 trên, nu (xin nhn mnh: nu) các nhà nghiên cu ã chn m'u (1000 i

tưng) mt cách ng'u nhiên và i n cho mt dân s, thì chúng ta có th ưc tính t l

hin hành c a bnh ái ưng là: 170 / 1000 = 0,17 hay 17%. Và, vi sens = 0,059, spec

= 0,964, giá tr c a PPV là 0,25. (Bn c có th kim tra con s này  “làm quen” vi

cách tính). Nói cách khác, nu mt cá nhân có kt qu xét nghim nưc ái +ve, thì xác

sut mà cá nhân ó m%c bnh ái ưng là 0,25 hay 25%.

PPV là mt ch s quan trng trong chn oán vì nó cung cp cho chúng ta thông

tin liên quan n kh nng m%c bnh trong i"u kin mt kt qu xét nghim là +ve

(dưng tính). Tuy nhiên, như " c(p trên, rt nhi"u bác s& din dch sensitivity (t l

dưng tính th(t) như là PPV, và din dch này sai. Công thc tính PPV như trình bày trên

thưng thy trong các sách giáo khoa dch t hc, thot u mi nhìn qua thì có v. phc

tp, nhưng th!c ra, có mt cách th hin PPV n gin hn và logic hn: ó là bng biu

. Tôi s) minh ha qua trưng hp chn oán ung thư vú.

# bit mt ph* n b ung thư vú hay không, cách chính xác nht là qua gii ph'u

(hay sinh thit), hay trong trưng hp nhng ngưi ã cht, là qua gio nghim t thi.

Nhưng gii ph'u là mt thu(t mang tính xâm phm thân th cao, và tn kém. Do ó, các

nhà khoa hc phát trin nhi"u phưng pháp  có th chn oán ung thư mà không cn

n gii ph'u  bit bnh trng c a c a bnh nhân. Trong trưng hp ung thư vú, mt

phưng pháp công ngh cao là ch*p X-quang tuyn vú, hay còn gi là mammography.

Cng như bt c cách xét nghim nào, kt qu c a vic khám nghim bng X-

quang tuyn có th là +ve hay –ve. Mt kt qu dưng tính có ngh&a rng bnh nhân có

th b ung thư vú, và mt kt qu âm tính cho bit bnh nhân có th không b ung thư vú.

(Hai ch “có th”  ây rt quan trng, vì nó nói lên mt s! bt nh trong vic chn

oán ung thư vú bng X-quang tuyn.)

Ví d 2 (chn oán ung th vú): Bnh nhân là mt ph* n ngưi M&, 55 tu-i,

không có ti"n s ung thư vú. Bà i khám mammography và kt qu +ve. Chúng ta bit

rng sensitivity c a xét nghim mammography là khong 95%, và specificity cng

khong 95%. Câu h$i bnh nhân t ra là xác sut mà ngưi ph* n ó b ung thư là bao

nhiêu?

Phn ln các bác s&, k c bác s& quang tuyn có kinh nghim lâu nm, "u tr li

là 97%. Nhưng câu tr li ó sai. T l dưng tính th(t – sensitivity không phi, xin nhn

mnh mt ln na, là xác sut m%c bnh. Xác sut m%c bnh ph* thuc vào t l dưng

tính th(t, t l âm tính th(t, và xác sut m%c bnh trung bình. Chúng ta th áp d*ng PPV

 tr li câu h$i này như sau:

Diễn giải kết quả chẩn đoán bằng xác suất

Từ điển tiếng Việt định nghĩa chuẩn đoán là xác định bệnh dựa theo triệu chứng và kết quả xét nghiệm. Từ điển y khoa của phương Tây thì định nghĩa tương đối chi tiết hơn.

Chủ đề:

Tài liệu liên quan

Tài liêu mới

AI tóm tắt

Giới thiệu tài liệu

Đối tượng sử dụng

Từ khoá chính

Nội dung tóm tắt

Hỗ trợ

Phương thức thanh toán

Theo dõi chúng tôi