Diferencijalna dijagnoza

Diferencijalna dijagnoza
Diferencijalna dijagnoza
	Kriteriji diferencijalne dijagnoze

U zdravstvu, nomotetika (DDx) je metoda analize koja razlikuje određenu bolest ili stanje od drugih koji se manifestiraju sličnim kliničkim svokstvima.^[1] Diferencijalne dijagnostičke procedure koriste kliničari za dijagnosticiranje specifične bolesti kod pacijenta ili, barem, za razmatranje bilo kakvih neposredno stanja opasnih po život. Često se svaka moguća bolest naziva diferencijalnom dijagnozom (npr. akutni bronhitis može biti diferencijalna dijagnoza u procjeni kašlja, čak i ako je konačna dijagnoza prehlada). Općenito, diferencijalna dijagnostička procedura jest sistematska dijagnostička metoda koja se koristi za identifikaciju prisutnosti bolesti gdje je moguće više alternativa. Ova metoda može koristiti algoritme, slične procesu eliminacije, ili barem proces dobijanja informacija koji smanjuje "vjerovatnoće" kandidatskih stanja na zanemarive nivoe, korištenjem dokaza kao što su simptomi, historija pacijenta i medicinsko znanje za prilagođavanje epistemološke povjerljivosti u umu dijagnostičara (ili, za kompjuterizovanu ili kompjuterski potpomognutu dijagnozu, softvera sistema). Diferencijalna dijagnoza može se smatrati implementacijom aspekata hipotetičko-deduktivne metode, u smislu da se potencijalno prisustvo kandidatskih bolesti ili stanja može posmatrati kao hipoteze koje kliničari dalje utvrđuju kao istinite ili lažne. Diferencijalna dijagnoza se također često koristi u području psihijatrije, gdje se dvije različite dijagnoze mogu pripisati pacijentu koji pokazuje simptome koji bi se mogli uklopiti u bilo koju dijagnozu. Naprimjer, pacijentu kojem je dijagnosticiran bipolarni poremećaj može se postaviti i diferencijalna dijagnoza poremećaja hiperaktivnosti s deficitom pažnje, velikog depresivnog poremećaja, posttraumatskog stresnog poremećaja, anksioznosti i graničnog poremećaja ličnosti.^[2] given the overlap and similarity of signs and symptoms across the conditions. Strategije korištene u pripremi liste diferencijalne dijagnoze variraju ovisno o iskustvu zdravstvenog radnika. Dok početnici u pružanju zdravstvenih usluga mogu sistematski raditi na procjeni svih mogućih objašnjenja za zabrinutost pacijenta, oni s više iskustva često se oslanjaju na kliničko iskustvo i prepoznavanje obrazaca kako bi zaštitili pacijenta od kašnjenja, rizika i troškova neefikasnih strategija ili testova. Učinkoviti pružatelji usluga koriste pristup zasnovan na dokazima, dopunjujući svoje kliničko iskustvo znanjem iz kliničkog istraživanja.^[3]

Opće komponente

Nomotetika ima četiri opšta koraka. Kliničar će:

Prikupiti relevantne informacije o medicinskoj historiji osobe i predstaviti listu znakova i/ili simptoma.^[4]
Navesti moguće uzroke (stanja kandidata') za simptome.^[5] Spisak ne mora biti u pisanom obliku.
Prioritizirati listu balansirajući rizike dijagnoze s vjerovatnoćom. Ovo su subjektivni, a ne objektivni parametri.
Izvršiti testove kako biste utvrdili stvarnu dijagnozu. Ovo je poznato pod kolokvijalnim izrazom "isključiti". Čak i nakon procesa, dijagnoza nije jasna. Kliničar ponovo razmatra rizike i može ih empirijski tretirati, često nazivano "edukovana najbolja pretpostavka".

Mnemonik koji pomaže u razmatranju više mogućih patoloških procesa je VINDICATEM''

Vvaskularna
Iinflamatorna / Iinfektivna
Nneoplazijska
Degenerativna / [[Nedostatak (lijeka)|DŠablon:Nije tipografska greška]] / Dlijekovi
Idiopatski / Iintoksikacija / Iatrogena
Cgenitalni
Aautoimuna / Aalergijska / Anatomska
Ttraumatska
Eendokrine / Eekološki poremećaj
Mmetabolički^[6]

Specifične metode

Postoji nekoliko metoda za diferencijalne dijagnostičke postupke i nekoliko varijanti među njima. Nadalje, diferencijalno-dijagnostički postupak može se koristiti istovremeno ili naizmjenično s protokolima, smjernicama ili drugim dijagnostičkim postupcima (kao što su prepoznavanje obrazaca ili korištenje medicinskih algoritama). Naprimjer, u slučaju hitne medicinske situacije, možda neće biti dovoljno vremena za detaljne proračune ili procjene različitih vjerovatnoća, u kom slučaju ABC protokola (disajni putevi, disanje i cirkulacija) može biti prikladniji. Kasnije, kada situacija bude manje akutna, može se usvojiti sveobuhvatniji diferencijalno-dijagnostički postupak. Diferencijalno-dijagnostički postupak može se pojednostaviti ako se pronađe "patognomoničan" znak ili simptom (u kom slučaju je gotovo sigurno da je ciljno stanje prisutno) ili u odsustvu sine qua non znaka ili simptoma (u kom slučaju je gotovo sigurno da ciljno stanje nije prisutno). Dijagnostičar može biti selektivan, prvo razmatrajući one poremećaje koji su vjerovatniji (probabilistički pristup), ozbiljniji ako se ne dijagnosticiraju i ne liječe (prognostički pristup) ili koji bolje reagiraju na liječenje ako se ponudi (pragmatičan pristup).^[7] Budući da subjektivna vjerovatnoća prisustva stanja nikada nije tačno 100% ili 0%, diferencijalna dijagnostička procedura može imati za cilj specificiranje ovih različitih vjerovatnoća kako bi se formirale indikacije za daljnje djelovanje.

Slijede dvije metode diferencijalne dijagnoze, koje se zasnivaju na epidemiologiji, odnosno omjerima vjerovatnoće.

Metoda zasnovana na epidemiologiji

Jedna metoda izvođenja diferencijalne dijagnoze putem epidemiologije ima za cilj procjenu vjerovatnoće svakog kandidata za stanje upoređivanjem njihovih vjerovatnoća da su se uopšte pojavile kod pojedinca. Zasnovana je na vjerovatnoćama povezanim i sa prezentacijom (kao što je bol) i vjerovatnoćama različitih kandidata za stanja (kao što su bolesti).

Teorija

Statistička osnova za diferencijalnu dijagnozu je Bayesova teorema. Analogno, kada kockica padne, ishod je siguran sa 100%, ali je vjerovatnoća da bi se ono uopće dogodio (u daljem tekstu skraćeno WHOIFP) i dalje 1/6. Na isti način, vjerovatnoća da bi se prezentacija ili stanje uopće dogodilo kod pojedinca (WHOIFPI) nije ista kao vjerovatnoća da se prezentacija ili stanje dogodilo kod pojedinca, jer se prezentacija dogodila sa 100% sigurnošću kod pojedinca. Ipak, doprinosni udjeli vjerovatnoće svakog stanja se pretpostavljaju da su relativno isti:

{\begin{aligned}&{\frac {\Pr({\text{Presentation is caused by condition in individual}})}{\Pr({\text{Presentation has occurred in individual}})}}={\frac {\Pr({\text{Presentation WHOIFPI by condition}})}{\Pr({\text{Presentation WHOIFPI}})}}\end{aligned}}

gdje:

Pr(Prezentacija je uzrokovana stanjem kod pojedinca) je vjerovatnoća da je prezentacija uzrokovana stanjem kod pojedinca; stanje bez daljnje specifikacije odnosi se na bilo koje kandidatsko stanje
Pr(Prezentacija se dogodila kod pojedinca) je vjerovatnoća da se prezentacija dogodila kod pojedinca, koja se može percipirati i stoga postaviti na 100%
Pr(Prezentacija WHOIFPI po stanju) je vjerovatnoća da bi se prezentacija prvo pojavila kod pojedinca po stanju
Pr(Prezentacija WHOIFPI) je vjerovatnoća da bi se prezentacija prvo pojavila kod pojedinca

Kada se pojedinac javi sa simptomom ili znakom, Pr(Prezentacija se dogodila kod pojedinca) je 100% i stoga se može zamijeniti sa 1, a može se zanemariti jer dijeljenje sa 1 ne pravi nikakvu razliku:

\Pr({\text{Presentation is caused by condition in individual}})={\frac {\Pr({\text{Presentation WHOIFPI by condition}})}{\Pr({\text{Presentation WHOIFPI}})}}

Ukupna vjerovatnoća da se prezentacija dogodila kod pojedinca može se aproksimirati kao zbir pojedinačnih uslova kandidata:

{\begin{aligned}\Pr({\text{Presentation WHOIFPI}})&=\Pr({\text{Presentation WHOIFPI by condition 1}})\\&{}+\Pr({\text{Presentation WHOIFPI by condition 2}})\\&{}+\Pr({\text{Presentation WHOIFPI by condition 3}})+{\text{etc.}}\end{aligned}}

Također, vjerovatnoća da je prezentacija uzrokovana bilo kojim kandidatskim uslovom proporcionalna je vjerovatnoći uslova, ovisno o tome kojom brzinom uzrokuje prezentaciju:

\Pr({\text{Presentation WHOIFPI by condition}})=\Pr({\text{Condition WHOIFPI}})\cdot r_{{\text{condition}}\rightarrow {\text{presentation}}},

gdje:

Pr(Prezentacija WHOIFPI po stanju) je vjerovatnoća da bi se stanje prvo pojavilo kod pojedinca po stanju
Pr(Stanje WHOIFPI) je vjerovatnoća da bi se stanje prvo pojavilo kod pojedinca
r_{Stanje → pojava} je stopa kojom stanje uzrokuje pojavu, odnosno udio ljudi sa stanjima koja se manifestuju pojavom.

Vjerovatnoća da bi se stanje prvo pojavilo kod pojedinca približno je jednaka onoj u populaciji koja je što sličnija pojedincu, osim trenutne pojave, kompenzovana gdje je to moguće relativnim rizikom datim poznatim faktorom rizika koji razlikuje pojedinca od populacije:

\Pr({\text{Condition WHOIFPI}})\approx RR_{\text{condition}}\cdot \Pr({\text{Condition in population}}),

gdje:

Pr(Stanje WHOIFPI) je vjerovatnoća da bi se stanje uopšte pojavilo kod pojedinca
RR_stanje je relativni rizik za stanje uzrokovano poznatim faktorima rizika kod pojedinca koji nisu prisutni u populaciji
Pr(Stanje u populaciji) je vjerovatnoća da se stanje pojavi u populaciji koja je što sličnija pojedincu, osim prezentacije

Sljedeća tabela pokazuje kako se ove relacije mogu napraviti za niz kandidatskih stanja:

	Kandidat za uslov 1	Kandidat za uslov 2	Kandidat za uslov 3
Pr(Uslov u populaciji)	Pr(Uslov 1 u populaciji)	Pr(Uslov 2 u populaciji)	Pr(Uslov 3 u populaciji)
RR_uslov	RR₁	RR₂	RR₃
Pr(Uslov WHOIFPI)	Pr(Uslov 1 WHOIFPI)	Pr(Uslov 2 WHOIFPI)	P(Uslov 3 WHOIFPI)
r_{Uslov → prezentacija}	r_{Uslov 1 → prezentacija}	r_{Uslov 2 → prezentacija}	r_{Uslov 3 → prezentacija}
Pr(Prezentacija WHOIFPI po uslovu)	Pr(Prezentacija WHOIFPI po uslovu 1)	Pr(Prezentacija WHOIFPI po uslovu 2)	Pr(Prezentacija WHOIFPI po uslovu 3)
Pr(Prezentacija WHOIFPI) = zbir vjerovatnoća u redu odmah iznad
Pr(Prezentacija je uzrokovana stanjem kod pojedinca)	Pr(Prezentacija je uzrokovana stanjem 1 kod pojedinca)	Pr(Prezentacija je uzrokovana stanjem 2 kod pojedinca)	Pr(Prezentacija je uzrokovana stanjem 3 kod pojedinca)

Još jedno "kandidatsko stanje" je slučaj kada nema abnormalnosti, a prezentacija je samo (obično relativno malo vjerovatna) pojava u osnovi normalnog stanja. Njegova vjerovatnoća u populaciji (P(Nema abnormalnosti u populaciji)) je komplementarna zbiru vjerovatnoća "abnormalnih" kandidatskih uslova.

Primjer

Ovaj primjer slučaja pokazuje kako se ova metoda primjenjuje, ali ne predstavlja smjernice za rješavanje sličnih slučajeva iz stvarnog svijeta. Također, primjer koristi relativno specifične brojeve s ponekad nekoliko decimala, dok u stvarnosti često postoje samo grube procjene, poput vjerovatnoće da su vrlo visoke, visoke, niske ili vrlo niske, ali i dalje koristeći opće principe metode.{

Za pojedinca (koji u ovom primjeru postaje "pacijent"), analiza krvi, naprimjer, serumskog kalcija pokazuje rezultat iznad standardnog referentnog raspona, što se, prema većini definicija, klasificira kao hiperkalcemija, što u ovom slučaju postaje "prezentacija". Kliničar (koji u ovom primjeru postaje "dijagnostičar"), koji trenutno ne pregleda pacijenta, saznaje o njegovom nalazu. Iz praktičnih razloga, kliničar smatra da postoji dovoljno indikacija za test da se pogleda pacijentov medicinski karton. Radi jednostavnosti, recimo da je jedina informacija data u medicinskom kartonu porodična anamneza primarnog hiperparatireoidizma (ovdje skraćeno PH), što može objasniti nalaz hiperkalcemije. Za ovog pacijenta, recimo da se procjenjuje da rezultirajući nasljedni faktor rizika daje relativni rizik od 10 (RR_PH = 10).

Kliničar smatra da postoji dovoljno motivacije za provođenje diferencijalnog dijagnostičkog postupka za pronalaženje hiperkalcemije. Glavni uzroci hiperkalcemije su primarni hiperparatireoidizam (PH) i rak, pa se radi jednostavnosti, lista kandidatskih stanja na koja bi kliničar mogao pomisliti može dati kao:

Primarni hiperparatireoidizam (PH)
Kancer
Ostale bolesti na koje bi kliničar mogao pomisliti (što se u ostatku ovog primjera jednostavno naziva "druga stanja")
Nema bolesti (ili nema abnormalnosti), a nalaz je u potpunosti uzrokovan statističkom varijabilnosti

Vjerovatnoća da bi se 'primarni hiperparatireoidizam' (PH) uopšte pojavio kod pojedinca (P(PH WHOIFPI)) može se izračunati na sljedeći način: Recimo da je posljednji test krvi koji je pacijent uradio bio prije pola godine i da je bio normalan, te da incidencija primarnog hiperparatireoidizma u općoj populaciji odgovara pojedincu (osim prezentacije i spomenutog nasljeđa) iznosi 1/4000 godišnje. Zanemarujući detaljnije retrospektivne analize (kao što su brzina napredovanja bolesti i vrijeme kašnjenja medicinske dijagnoze), vrijeme rizika za razvoj primarnog hiperparatireoidizma može se grubo smatrati posljednjom polovinom godine jer bi prethodno razvijena hiperkalcemija vjerovatno bila otkrivena prethodnim testom krvi. To odgovara vjerovatnoći primarnog hiperparatireoidizma (PH) u populaciji:

\Pr({\text{PH in population}})=0.5{\text{ years}}\cdot {\frac {1}{\text{4000 per year}}}={\frac {1}{8000}}

S obzirom na relativni rizik koji proizilazi iz porodične anamneze, vjerovatnoća da bi se primarni hiperparatireoidizam (PH) uopšte pojavio kod pojedinca, na osnovu trenutno dostupnih informacija, postaje:

\Pr({\text{PH WHOIFPI}})\approx RR_{PH}\cdot \Pr({\text{PH in population}})=10\cdot {\frac {1}{8000}}={\frac {1}{800}}=0.00125

Može se pretpostaviti da primarni hiperparatireoidizam uzrokuje hiperkalcemiju u suštini 100% slučajeva (r_{PH → hiperkalcemija} = 1), tako da se ova nezavisno izračunata vjerovatnoća primarnog hiperparatireoidizma (PH) može pretpostaviti da je ista kao i vjerovatnoća da je uzrok ispoljavanja:

{\begin{aligned}\Pr({\text{Hypercalcemia WHOIFPI by PH}})&=\Pr({\text{PH WHOIFPI}})\cdot r_{{\text{PH}}\rightarrow {\text{hypercalcemia}}}\\&=0.00125\cdot 1=0.00125\end{aligned}}

Za kancer, radi jednostavnosti, pretpostavlja se isto vrijeme rizika, i recimo da se incidencija raka u tom području procjenjuje na 1/250 godišnje, što daje vjerovatnoću raka u populaciji:

\Pr({\text{cancer in population}})=0.5{\text{ years}}\cdot {\frac {1}{\text{250 per year}}}={\frac {1}{500}}

Radi jednostavnosti, recimo da se zanemaruje svaka povezanost između porodične anamneze primarnog hiperparatireoidizma i rizika od raka, tako da je relativni rizik da pojedinac uopće oboli od raka sličan riziku populacije (RR_cancer = 1):

\Pr({\text{cancer WHOIFPI}})\approx RR_{\text{cancer}}\cdot \Pr({\text{cancer in population}})=1\cdot {\frac {1}{500}}={\frac {1}{500}}=0.002.

Međutim, hiperkalcemija se javlja samo u, otprilike, 10% slučajeva raka,^[8] (r_{cancer → hypercalcemia} = 0.1), so:

{\begin{aligned}&\Pr({\text{Hypercalcemia WHOIFPI by cancer}})\\=&\Pr({\text{cancer WHOIFPI}})\cdot r_{{\text{cancer}}\rightarrow {\text{hypercalcemia}}}\\=&0.002\cdot 0.1=0.0002.\end{aligned}}

Vjerovatnoća da bi se hiperkalcemija uopće pojavila usljed drugih kandidatskih stanja može se izračunati na sličan način. Međutim, radi jednostavnosti, recimo da je vjerovatnoća da bi se bilo koje od ovih stanja uopšte pojavilo izračunata na 0,0005 u ovom primjeru.

Za slučaj da nema bolesti, odgovarajuća vjerovatnoća u populaciji je komplementarna zbiru vjerovatnoća za druga stanja:

{\begin{aligned}\Pr({\text{no disease in population}})&=1-\Pr({\text{PH in population}})-\Pr({\text{cancer in population}})\\&{}\quad -\Pr({\text{other conditions in population}})\\&{}=0.997.\end{aligned}}

Može se pretpostaviti da je vjerovatnoća da će pojedinac u početku biti zdrav ista:

\Pr({\text{no disease WHOIFPI}})=0.997.\,

Stopa kojom slučaj bez abnormalnog stanja i dalje rezultira mjerenjem kalcija u serumu iznad standardnog referentnog raspona (čime se klasificira kao hiperkalcemija) je, prema definiciji standardnog referentnog raspona, manja od 2,5%. Međutim, ova vjerovatnoća može se dodatno precizirati uzimajući u obzir koliko mjerenje odstupa od prosjeka u standardnom referentnom rasponu. Recimo da je mjerenje kalcija u serumu bilo 1,30 mmol/L, što, sa standardnim referentnim rasponom utvrđenim na 1,05 do 1,25 mmol/L, odgovara standardnom rezultatu od 3 i odgovarajućoj vjerovatnoći od 0,14% da bi se takav stepen hiperkalcemije uopšte pojavio u slučaju bez abnormalnosti:

r_{{\text{no disease}}\rightarrow {\text{hypercalcemia}}}=0.0014

Nakon toga, vjerovatnoća da hiperkalcemija ne bi bila posljedica bolesti može se izračunati kao:

{\begin{aligned}&\Pr({\text{Hypercalcemia WHOIFPI by no disease}})\\=&\Pr({\text{no disease WHOIFPI}})\cdot r_{{\text{no disease}}\rightarrow {\text{hypercalcemia}}}\\=&0.997\cdot 0.0014\approx 0.0014\end{aligned}}

Vjerovatnoća da bi se hiperkalcemija uopće pojavila kod pojedinca može se stoga izračunati kao:

{\begin{aligned}&\Pr({\text{hypercalcemia WHOIFPI}})\\=&\Pr({\text{hypercalcemia WHOIFPI by PH}})+\Pr({\text{hypercalcemia WHOIFPI by cancer}})\\&{}+\Pr({\text{hypercalcemia WHOIFPI by other conditions}})+\Pr({\text{hypercalcemia WHOIFPI by no disease}})\\=&0.00125+0.0002+0.0005+0.0014=0.00335\end{aligned}}

Nakon toga, vjerovatnoća da je hiperkalcemija uzrokovana primarnim hiperparatireoidizmom (PH) kod pojedinca može se izračunati kao:

{\begin{aligned}&\Pr({\text{hypercalcemia is caused by PH in individual}})\\=&{\frac {\Pr({\text{hypercalcemia WHOIFPI by PH}})}{\Pr({\text{hypercalcemia WHOIFPI}})}}\\=&{\frac {0.00125}{0.00335}}=0.373=37.3\%\end{aligned}}

Slično tome, vjerovatnoća da je hiperkalcemija uzrokovana rakom kod pojedinca može se izračunati kao:

{\begin{aligned}&\Pr({\text{hypercalcemia is caused by cancer in individual}})\\=&{\frac {\Pr({\text{hypercalcemia WHOIFPI by cancer}})}{\Pr({\text{hypercalcemia WHOIFPI}})}}\\=&{\frac {0.0002}{0.00335}}=0.060=6.0\%,\end{aligned}}

i za ostale kandidatske uslove:

{\begin{aligned}&\Pr({\text{hypercalcemia is caused by other conditions in individual}})\\=&{\frac {\Pr({\text{hypercalcemia WHOIFPI by other conditions}})}{\Pr({\text{hypercalcemia WHOIFPI}})}}\\=&{\frac {0.0005}{0.00335}}=0.149=14.9\%,\end{aligned}}

i vjerovatnoća da zapravo nema bolesti:

{\begin{aligned}&\Pr({\text{hypercalcemia is present despite no disease in individual}})\\=&{\frac {\Pr({\text{hypercalcemia WHOIFPI by no disease}})}{\Pr({\text{hypercalcemia WHOIFPI}})}}\\=&{\frac {0.0014}{0.00335}}=0.418=41.8\%\end{aligned}}

Radi pojašnjenja, ovi proračuni su dati u obliku tabele u opisu metode:

	PH	Kancer	Ostala stanja	Bez bolesti
P(Stanje u populaciji)	0,000125	0,002	-	0,997
RR_x	10	1	-	-
P(Stanje WHOIFPI)	0,00125	0,002	-	-
r_{Stanje →hiperkalcemija}	1	0,1	-	0,0014
P(hiperkalcemija WHOIFPI po stanju)	0,00125	0,0002	0,0005	0,0014
P(hiperkalcemija WHOIFPI) = 0,00335
P(hiperkalcemija je uzrokovana stanjem kod pojedinca)	37,3%	6,0%	14,9%	41,8%

Dakle, ova metoda procjenjuje da je vjerovatnoća da je hiperkalcemija uzrokovana primarnim hiperparatireoidizmom, rakom, drugim stanjima ili nikakvom bolešću 37,3%, odnosno 6,0%, 14,9% i 41,8%, što se može koristiti za procjenu daljnjih indikacija za testiranje.

Ovaj slučaj nastavlja se u primjeru metode opisane u sljedećem odjeljku.

Metoda zasnovana na omjeru vjerovatnoće

Postupak diferencijalne dijagnoze može postati izuzetno složen kada se u potpunosti uzmu u obzir dodatni testovi i tretmani. Jedna metoda koja je donekle kompromis između kliničke savršenosti i relativnog jednostavnog izračuna je ona koja koristi omjeri vjerovatnoće za izvođenje naknadnih vjerovatnoća nakon testiranja.

Teorija

Početne vjerovatnoće za svako kandidatsko stanje mogu se procijeniti različitim metodama, kao što su:

Epidemiologijom, kao što je opisano u prethodnom odjeljku.
Klinički specifičnim prepoznavanjem obrazaca, kao što je statističko znanje da pacijenti koji dolaze u određenu kliniku sa određenom tegobom statistički imaju određenu vjerovatnoću za svako kandidatsko stanje.

Jedna metoda procjene vjerovatnoće čak i nakon daljnjih testova koristi omjeri vjerovatnoće (koji je izveden iz osjetljivosti i specifičnosti) kao faktor množenja nakon svakog testa ili postupka. U idealnom svijetu, osjetljivost i specifičnost bi se utvrdile za sve testove za sva moguća patološka stanja. Međutim, u stvarnosti, ovi parametri se mogu utvrditi samo za jedno od kandidatskih stanja. Množenje s omjerima vjerovatnoće zahtijeva konverziju vjerovatnoća iz vjerovatnoća u izgledi u korist (u daljnjem tekstu jednostavno nazvani "izgledi") putem:

{\text{odds}}={\frac {\text{probability}}{1-{\text{probability}}}}

Međutim, samo kandidatski uslovi sa poznatim odnosom vjerovatnoće trebaju ovu konverziju. Nakon množenja, konverzija nazad u vjerovatnoću se izračunava na sljedeći način:

{\text{probability}}={\frac {\text{odds}}{{\text{odds}}+1}}

Ostatak kandidatskih stanja (za koja ne postoji utvrđeni omjer vjerovatnoće za predmetni test) može se, radi jednostavnosti, prilagoditi naknadnim množenjem svih kandidatskih stanja sa zajedničkim faktorom kako bi se ponovo dobio zbir od 100%.

Rezultirajuće vjerovatnoće se koriste za procjenu indikacija za daljnje medicinske testove, tretmane ili druge radnje. Ako postoji indikacija za dodatni test i ona se vrati s rezultatom, tada se postupak ponavlja korištenjem omjera vjerovatnoće dodatnog testa. S ažuriranim vjerovatnoćama za svako od kandidatskih stanja, indikacije za daljnje testove, tretmane ili druge radnje se također mijenjaju, pa se postupak može ponavljati do „krajnje tačke“ gdje više nema indikacije za trenutno izvođenje daljnjih radnji. Takva krajnja tačka se uglavnom javlja kada jedno kandidatsko stanje postane toliko sigurno da se ne može pronaći test koji je dovoljno snažan da promijeni profil relativne vjerovatnoće dovoljno da motivira bilo kakvu promjenu u daljnjim radnjama. Taktike za postizanje takve krajnje tačke sa što manje testova uključuju izradu testova sa visokom specifičnost za stanja koja već imaju izrazito visoku relativnu vjerovatnoću, jer je visok omjer vjerovatnoće pozitivan za takve testove vrlo visok, što sve manje vjerovatne uslove dovodi do relativno nižih vjerovatnoća. Alternativno, testovi sa visokom senzitivnost za konkurentna kandidatska stanja imaju visok omjer vjerovatnoće negativan, što potencijalno dovodi vjerovatnoće za konkurentna kandidatska stanja do zanemarivih nivoa. Ako se postignu takve zanemarive vjerovatnoće, kliničar može isključiti ova stanja i nastaviti diferencijalno-dijagnostički postupak samo sa preostalim kandidatskim uslovima.

Primjer-2

Ovaj primjer se nastavlja za istog pacijenta kao u primjeru za metodu zasnovanu na epidemiologiji. Kao i kod prethodnog primjera metode zasnovane na epidemiologiji, ovaj primjer slučaja je napravljen da demonstrira kako se ova metoda primjenjuje, ali ne predstavlja smjernicu za rješavanje sličnih slučajeva iz stvarnog svijeta. Također, primjer koristi relativno određene brojeve, dok u stvarnosti često postoje samo grube procjene. U ovom primjeru, vjerovatnoće za svako kandidatsko stanje utvrđene su metodom zasnovanom na epidemiologiji na sljedeći način:

	PH	Rak	Ostala stanja	Nema bolesti
Vjerovatnoća	37,3%	6,0%	14,9%	41,8%

Ovi procenti su se također mogli utvrditi iskustvom u određenoj klinici, znajući da su to procenti za konačnu dijagnozu za osobe koje se javljaju u kliniku sa hiperkalcemijom i imaju porodičnu anamnezu primarnog hiperparatireoidizma.

Stanje najveće relativne vjerovatnoće (osim "nema bolesti") je primarni hiperparatireoidizam (PH), ali rak je i dalje od velike važnosti, jer ako je on stvarni uzročni uslov za hiperkalcemiju, onda izbor da li se liječi ili ne vjerovatno znači život ili smrt za pacijenta, što u stvari potencijalno stavlja indikacija na sličan nivo za daljnje testove za oba ova stanja.

Ovdje, recimo da kliničar razmatra vjerovatnoće relativne u odnosu na profil da su dovoljno zabrinjavajuće da bi ukazalo na slanje pacijenta na pregled kliničaru, s dodatnom posjetom medicinskoj laboratoriji radi dodatnog testa krvi upotpunjenog daljnjim analizama, uključujući paratireoidni hormon, zbog sumnje na primarni hiperparatireoidizam.

Radi jednostavnosti, recimo da kliničar prvo dobije rezultat testa krvi (u formulama skraćeno "BT") za analizu paratireoidnog hormona i da je pokazao nivo paratireoidnog hormona koji je povišen u odnosu na ono što bi se očekivalo na osnovu nivoa kalcija. Može se procijeniti da takva konstelacija ima osjetljivost i specifičnost od približno 70% i osjetljivost i specifičnost od približno 90% za primarni hiperparatireoidizam.^[9] Ovo daje pozitivan omjer vjerovatnoće od 7 za primarni hiperparatireoidizam.

Vjerovatnoća primarnog hiperparatireoidizma sada se naziva Pre-BT_PH jer odgovara prije testa krvi (latinski prijedlog prae znači prije). Procijenjena je na 37,3%, što odgovara šansi od 0,595. Sa pozitivnim omjerom vjerovatnoće od 7 za test krvi, šansa za post-test izračunava se kao:

\operatorname {Odds} ({\text{PostBT}}_{PH})=\operatorname {Odds} ({\text{PreBT}}_{PH})\cdot LH(BT)=0.595\cdot 7=4.16,

gdje:

Odds(PostBT_PH) je vjerovatnoća za primarni hiperparatireoidizam nakon testa krvi na paratireoidni hormon
Odds(PreBT_PH je vjerovatnoća u korist primarnog hiperparatireoidizma prije testa krvi na paratireoidni hormon
LH(BT) je omjer vjerovatnoće pozitivan za test krvi na paratireoidni hormon

Odds(PostBT_PH) od 4,16 se ponovo pretvara u odgovarajuću vjerovatnoću pomoću:

\Pr({\text{PostBT}}_{PH})={\frac {\operatorname {Odds} ({\text{PostBT}}_{PH})}{\operatorname {Odds} ({\text{PostBT}}_{PH})+1}}={\frac {4.16}{4.16+1}}=0.806=80.6\%

The sum of the probabilities for the rest of the candidate conditions should therefore be:

\Pr({\text{PostBT}}_{rest})=100\%-80.6\%=19.4\%

Prije analize krvi na paratireoidni hormon, zbir njihovih vjerovatnoća bio je:

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

Stoga, da bi se postigla suma od 100% za sve kandidate, svaki od ostalih kandidata mora se pomnožiti s korektivnim faktorom:

{\text{Correcting factor}}={\frac {\Pr({\text{PostBT}}_{\text{rest}})}{\Pr({\text{PreBT}}_{\text{rest}})}}={\frac {19.4}{62.7}}=0.309

Naprimjer, vjerovatnoća raka nakon testa se izračunava kao:

\Pr({\text{PostBT}}_{\text{cancer}})=\Pr({\text{PreBT}}_{\text{cancer}})\cdot {\text{Correcting factor}}=6.0\%\cdot 0.309=1.9\%

Vjerovatnoće za svako kandidatsko stanje prije i poslije testa krvi date su u sljedećoj tabeli:

	PH	Kancer	Ostala stanja	Nema bolesti
P(PreBT)	37,3%	6,0%	14,9%	41,8%
P(PostBT)	80,6%	1,9%	4,6%	12,9%

Ovi "novi" procenti, uključujući relativnu vjerovatnoću profila od 80% za primarni hiperparatireoidizam, temelje se na svim indikacijama za daljnje testove, tretmane ili druge radnje. U ovom slučaju, recimo da kliničar nastavlja plan da pacijent posjeti kliničara posjeta radi daljnjeg pregleda, posebno usmjerenog na primarni hiperparatireoidizam.

Posjeta kliničaru se, teoretski, može smatrati nizom testova, uključujući i pitanja iz medicinske anamneze, kao i komponente fizičkog pregleda, gdje se vjerovatnoća nakon testa prethodnog testa može koristiti kao vjerovatnoća prije testa sljedećeg. Indikacije za odabir sljedećeg testa dinamički su pod utjecajem rezultata prethodnih testova.

Recimo da se kod pacijenta u ovom primjeru otkrije da ima barem neke od simptoma i znakova depresije, bolova u kostima, bolova u zglobovima ili zatvora većeg intenziteta nego što bi se očekivalo na osnovu same hiperkalcemije, što podržava sumnju na primarni hiperparatireoidizam,^[10] i recimo da omjeri vjerovatnoće za testove, kada se pomnože, otprilike rezultiraju proizvodom od 6 za primarni hiperparatireoidizam.

Prisustvo nespecifičnih patoloških simptoma i znakova u anamnezi i pregledu često istovremeno ukazuju i na rak, i recimo da su testovi dali ukupni omjer vjerovatnoće procijenjen na 1,5 za rak. Za druga stanja, kao i za slučaj da uopće nemate nikakvu bolest, recimo da nije poznato kako na njih utiču testovi koji su vam na raspolaganju, što se često dešava u stvarnosti. Ovo daje sljedeće rezultate za anamnezu i fizički pregled (skraćeno P&E):

	PH	Kancer	Ostala stanja	Nema bolesti
P(PreH&E)	80,6%	1,9%	4,6%	12,9%
Šanse(PreH&E)	4,15	0,019	0,048	0,148
Odnos vjerovatnoće po H&E	6	1,5	-	-
Šanse(PostH&E)	24,9	0,0285	-	-
P(PostH&E)	96,1%	2,8%	-	-
Zbir poznatih P(PostH&E)	98,9%
Zbir preostalih P(PostH&E)	1,1%
Zbir preostalih P(PreH&E)	4,6% + 12,9% = 17,5%
Faktor korekcije	1.1% / 17.5% = 0.063
Nakon korekcije	-	-	0.3%	0.8%
P(PostH&E)	96.1%	2.8%	0.3%	0.8%

Ove vjerovatnoće, nakon anamneze i pregleda, mogu dati ljekaru dovoljno samopouzdanja da planira pacijenta za operaciju paratiroidektomije radi resekcije zahvaćenog tkiva. Danas je vjerovatnoća "ostaliih stanja" je toliko niska da ljekar ne može smisliti nijedan test za njih koji bi mogao napraviti razliku koja bi bila dovoljno značajna da formira indikaciju za takav test, te ljekar time praktično smatra "ostaka stanja" isključenim, u ovom slučaju ne prvenstveno bilo kojim specifičnim testom za takva ta stanja koji su bili negativni, već odsustvom pozitivnih testova do sada.

Za "kancer", granica na kojoj se može sa sigurnošću smatrati isključenim može biti stroža zbog ozbiljnih posljedica previđanja, tako da ljekar može razmotriti da je indiciran barem histopatološki pregled reseciranog tkiva.

Ovaj slučaj se nastavlja u primjeru Kombinacija u odgovarajućem odjeljku ispod.

Pokrivenost kandidatskih stanja

Validnost i početne procjene vjerovatnoće od strane epidemiologije i daljnje obrade prema omjerima vjerovatnoće zavisi od uključivanja kandidatskih stanja koja su odgovorna za veliki dio vjerovatnoće razvoja stanja, a klinički je važno uključiti ona kod kojih relativno brzo započinjanje terapije najvjerovatnije rezultira najvećom koristi. Ako se previdi važno kandidatsko stanje, nijedna metoda diferencijalne dijagnoze neće dati tačan zaključak. Potreba za pronalaženjem više kandidatskih stanja za uključivanje raste sa povećanjem težine same prezentacije. Naprimjer, ako je jedini simptom odstupajući laboratorijski parametar i ako su isključena sva uobičajena štetna osnovna stanja, onda bi moglo biti prihvatljivo prestati s pronalaženjem dodatnih kandidatskih stanja, ali bi to mnogo vjerovatnije bilo neprihvatljivo ako bi se simptom manifestirao kao teška bol.

Kombinacije

Ako dva stanja dobiju visoke vjerovatnoće nakon testiranja, posebno ako zbir vjerovatnoća za stanja sa poznatim omjerima vjerovatnoće postane veći od 100%, tada je stvarno stanje kombinacija ta dva. U takvim slučajevima, to kombinovano stanje se može dodati na listu kandidata za stanja, a proračuni bi trebali početi ispočetka. Da bismo nastavili s gore navedenim primjerom, recimo da su anamneza i fizički pregled također ukazivali na kancer, sa omjerom vjerovatnoće od 3, što daje Odds(PostH&E) od 0,057, što odgovara P(PostH&E) od 5,4%. To bi odgovaralo "Zbroju poznatih P(PostH&E)" od 101,5%. To je indikacija za razmatranje kombinacije primarnog hiperparatireoidizma i kancera, kao što je, u ovom slučaju, paratireoidni karcinom koji proizvodi paratireoidni hormon paratireoidni karcinom. Stoga bi mogao biti potreban ponovni izračun, pri čemu bi se prva dva stanja odvojila na "primarni hiperparatireoidizam bez lancera", "kancer bez primarnog hiperparatireoidizma", kao i "kombinovani primarni hiperparatireoidizam i kancer", a omjeri vjerovatnoće bi se primijenili na svako stanje zasebno. Međutim, u ovom slučaju, tkivo je već resecirano, pri čemu se može izvršiti histopatološki pregled koji uključuje mogućnost karcinoma paratireoidne žlijezde u pregled (što može uključivati odgovarajuće bojenje uzorka). Recimo da histopatološki pregled potvrđuje primarni hiperparatireoidizam, ali je također pokazao maligni obrazac. Prema početnoj metodi epidemiologije, incidencija karcinoma paratireoidne žlijezde procjenjuje se na 1/6 miliona ljudi godišnje,^[11] dajući vrlo nisku vjerovatnoću prije uzimanja u obzir bilo kakvih testova. Poređenja radi, vjerovatnoća da bi se nemaligni primarni hiperparatireoidizam pojavio istovremeno sa nepovezanim nekarcinomskim rakom koji se manifestuje malignim ćelijama u paratireoidnoj žlijezdi izračunava se množenjem vjerovatnoća ta dva. Međutim, dobijena vjerovatnoća je mnogo manja od 1/6 miliona. Stoga, vjerovatnoća karcinoma paratireoidne žlijezde i dalje može biti blizu 100%, nakon histopatološkog pregleda uprkos maloj vjerovatnoći da se uopšte pojavi.

Mašinska diferencijalna dijagnoza

Mašinska diferencijalna dijagnoza jest upotreba računarskog softvera za djelimično ili potpuno postavljanje diferencijalne dijagnoze. Može se smatrati primjenom vještačke inteligencije. Alternativno, može se smatrati "proširenom inteligencijom" ako ispunjava kriterije FDA, naime da (1) otkriva osnovne podatke, (2) otkriva osnovnu logiku i (3) ostavlja kliničaru odgovornost da oblikuje i donosi odluku. FDA uglavnom smatra da mašinsko učenje umjetne inteligencije predstavlja uređaj, dok aplikacije proširene inteligencije nisu. Mnoge studije pokazuju poboljšanje kvaliteta njege i smanjenje medicinskih grešaka, korištenjem takvih sistema za podršku odlučivanju. Neki od ovih sistema su dizajnirani za specifičan medicinski problem poput shizofrenije,^[12] lajmske bolesti^[13] ili pneumonija povezana s ventilatorom.^[14] Ostali su dizajnirani da pokriju sve glavne kliničke i dijagnostičke nalaze kako bi pomogli ljekarima u bržoj i preciznijoj dijagnozi. Međutim, svi ovi alati i dalje zahtijevaju napredne medicinske vještine za ocjenjivanje simptoma i odabir dodatnih testova za utvrđivanje vjerovatnoće različitih dijagnoza. Mašinska diferencijalna dijagnoza još nije u stanju dijagnosticirati više istovremenih poremećaja.^[15] Their usage by non-experts is therefore not a substitute for professional diagnosis.

Historija

Metodu diferencijalne dijagnoze prvi je predložio Emil Kraepelin, za upotrebu u dijagnosticiranju mentalnih poremećaja. Sistematičnija je od staromodne metode dijagnoze gestalt (otisak).

Alternativna medicinska značenja

Pojam "diferencijalna dijagnoza" također se koristi u širem smislu da se jednostavno odnosi na listu najčešćih uzroka datog simptoma, na listu poremećaja sličnih datom poremećaju ili na takve liste kada su popraćene savjetima o tome kako suziti listu (Frenchov indeks diferencijalne dijagnoze je primjer). Dakle, diferencijalna dijagnoza u ovom smislu je medicinska informacija posebno organizirana da pomogne u dijagnozi.

Upotreba izvan medicine

Metode slične onima diferencijalno-dijagnostičkih procesa u medicini također koristi biološka taksonomija, za identifikaciju i klasifikaciju organizama, živih i izumrlih. Naprimjer, nakon pronalaska nepoznate vrste, prvo se može napraviti popis svih potencijalnih vrsta, nakon čega slijedi isključivanje jedne po jedne dok, optimalno, ne ostane samo jedan potencijalni izbor. Slične procedure mogu koristiti inženjeri u postrojenjima i održavanju te automobilski mehaničari, a koriste se i za dijagnosticiranje neispravnih elektroničkih kola.

U popularnoj kulturi

U američkoj televizijskoj medicinskoj drami Dr. House protagonist dr. Gregory House vodi tim dijagnostičara koji redovno koriste diferencijalne dijagnostičke procedure.

Također pogledajte

Reference

↑ "differential diagnosis". Merriam-Webster (Medical dictionary). Pristupljeno 30. 12. 2014.
↑ American Psychiatric Association, ured. (2022). Diagnostic and Statistical Manual of Mental Disorders, Fifth Edition, Text Revision (DSM-5-TR). Washington, DC, USA: American Psychiatric Publishing. str. 150, 158. ISBN 978-0-89042-575-6.
↑ Wilson, MC (2012). The Patient History: Evidence-Based Approach To Differential Diagnosis. New York, NY: McGraw Hill. ISBN 9780071804202.
↑ Siegenthaler, Walter (2011). Differential diagnosis in internal medicine : from symptom to diagnosis. Thieme. str. 6. ISBN 978-1604062199.
↑ Lim, Eric KS; Oster, Andrew JK; Rafferty, Andrew T (2014). Churchill's pocketbook of differential diagnosis (Fourth izd.). Elsevier Health Sciences. ISBN 978-0702054044.
↑ Cf. VINDICATE – Mnemonic for differential diagnosis Arhivirano 20. 12. 2012. na Wayback Machine at PG Blazer.com.
↑ Richardson, WS. (Mar 1999). "Users' Guides to the Medical Literature: XV. How to use an article about disease probability for differential diagnosis". JAMA. 281 (13): 1214–1219. doi:10.1001/jama.281.13.1214. PMID 10199432. S2CID 2389981.
↑ Seccareccia, D. (Mar 2010). "Cancer-related hypercalcemia". Can Fam Physician. 56 (3): 244–6, e90–2. PMC 2837688. PMID 20228307.
↑ Lepage, R.; d'Amour, P.; Boucher, A.; Hamel, L.; Demontigny, C.; Labelle, F. (1988). "Clinical performance of a parathyrin immunoassay with dynamically determined reference values". Clinical Chemistry. 34 (12): 2439–2443. doi:10.1093/clinchem/34.12.2439. PMID 3058363.
↑ Bargren, A. E.; Repplinger, D.; Chen, H.; Sippel, R. S. (2011). "Can Biochemical Abnormalities Predict Symptomatology in Patients with Primary Hyperparathyroidism?". Journal of the American College of Surgeons. 213 (3): 410–414. doi:10.1016/j.jamcollsurg.2011.06.401. PMID 21723154.
↑ Parathyroid Cancer Treatment at National Cancer Institute. Last Modified: 03/11/2009
↑ Razzouk, D.; Mari, J. J.; Shirakawa, I.; Wainer, J.; Sigulem, D. (januar 2006). "Decision support system for the diagnosis of schizophrenia disorders". Brazilian Journal of Medical and Biological Research. 39 (1): 119–28. doi:10.1590/s0100-879x2006000100014. PMID 16400472.
↑ Hejlesen OK, Olesen KG, Dessau R, Beltoft I, Trangeled M (2005). "Decision support for diagnosis of lyme disease". Studies in Health Technology and Informatics. 116: 205–10. PMID 16160260.
↑ "Evaluation of a Computer Assisted Decision Support System (DSS) for Diagnosis and Treatment of Ventilator Associated Pneumonia (VAP) in Intensive Care Unit (ICU)". nih.gov. Arhivirano s originala, 10. 2. 2009. Pristupljeno 3. 10. 2008.
↑ Wadhwa, R.R.; Park, D.Y.; Natowicz, M.R. (2018). "The accuracy of computer-based diagnostic tools for the identification of concurrent genetic disorders". American Journal of Medical Genetics Part A. 176 (12): 2704–2709. doi:10.1002/ajmg.a.40651. PMID 30475443. S2CID 53758271.

Vanjski linkovi

Commons logo

Commons ima datoteke na temu: Diferencijalna dijagnoza

[1] "differential diagnosis". Merriam-Webster (Medical dictionary). Pristupljeno 30. 12. 2014.

[2] American Psychiatric Association, ured. (2022). Diagnostic and Statistical Manual of Mental Disorders, Fifth Edition, Text Revision (DSM-5-TR). Washington, DC, USA: American Psychiatric Publishing. str. 150, 158. ISBN 978-0-89042-575-6.

[3] Wilson, MC (2012). The Patient History: Evidence-Based Approach To Differential Diagnosis. New York, NY: McGraw Hill. ISBN 9780071804202.

[4] Siegenthaler, Walter (2011). Differential diagnosis in internal medicine : from symptom to diagnosis. Thieme. str. 6. ISBN 978-1604062199.

[5] Lim, Eric KS; Oster, Andrew JK; Rafferty, Andrew T (2014). Churchill's pocketbook of differential diagnosis (Fourth izd.). Elsevier Health Sciences. ISBN 978-0702054044.

[6] Cf. VINDICATE – Mnemonic for differential diagnosis Arhivirano 20. 12. 2012. na Wayback Machine at PG Blazer.com.

[7] Richardson, WS. (Mar 1999). "Users' Guides to the Medical Literature: XV. How to use an article about disease probability for differential diagnosis". JAMA. 281 (13): 1214–1219. doi:10.1001/jama.281.13.1214. PMID 10199432. S2CID 2389981.

[8] Seccareccia, D. (Mar 2010). "Cancer-related hypercalcemia". Can Fam Physician. 56 (3): 244–6, e90–2. PMC 2837688. PMID 20228307.

[9] Lepage, R.; d'Amour, P.; Boucher, A.; Hamel, L.; Demontigny, C.; Labelle, F. (1988). "Clinical performance of a parathyrin immunoassay with dynamically determined reference values". Clinical Chemistry. 34 (12): 2439–2443. doi:10.1093/clinchem/34.12.2439. PMID 3058363.

[10] Bargren, A. E.; Repplinger, D.; Chen, H.; Sippel, R. S. (2011). "Can Biochemical Abnormalities Predict Symptomatology in Patients with Primary Hyperparathyroidism?". Journal of the American College of Surgeons. 213 (3): 410–414. doi:10.1016/j.jamcollsurg.2011.06.401. PMID 21723154.

[11] Parathyroid Cancer Treatment at National Cancer Institute. Last Modified: 03/11/2009

[12] Razzouk, D.; Mari, J. J.; Shirakawa, I.; Wainer, J.; Sigulem, D. (januar 2006). "Decision support system for the diagnosis of schizophrenia disorders". Brazilian Journal of Medical and Biological Research. 39 (1): 119–28. doi:10.1590/s0100-879x2006000100014. PMID 16400472.

[13] Hejlesen OK, Olesen KG, Dessau R, Beltoft I, Trangeled M (2005). "Decision support for diagnosis of lyme disease". Studies in Health Technology and Informatics. 116: 205–10. PMID 16160260.

[14] "Evaluation of a Computer Assisted Decision Support System (DSS) for Diagnosis and Treatment of Ventilator Associated Pneumonia (VAP) in Intensive Care Unit (ICU)". nih.gov. Arhivirano s originala, 10. 2. 2009. Pristupljeno 3. 10. 2008.

[15] Wadhwa, R.R.; Park, D.Y.; Natowicz, M.R. (2018). "The accuracy of computer-based diagnostic tools for the identification of concurrent genetic disorders". American Journal of Medical Genetics Part A. 176 (12): 2704–2709. doi:10.1002/ajmg.a.40651. PMID 30475443. S2CID 53758271.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]