دانلود پاورپوینت با موضوع پزشکی مبتنی بر شواهد،
در قالب ppt و در 71 اسلاید، قابل ویرایش.
بخشی از متن پاورپوینت:
علی رغم داعیه «پزشکی مبتنی بر شواهد» در بسیاریاز دانشکدههای پزشکی، این امر آنگونه که باید مورد توجه و پذیرش قرار نگرفته است.
دانشجویان حساسیت و ویژگی را میآموزند و یاد میگیرند که برای تشخیص چگونه هنر شرح حال گیری و معاینه را با آزمونهای تشخیصی درهم بیامیزند ولی از تئوری احتمالات و بهکارگیری آن خبری نیست!
به همین جهت گاهی اوقات از ادبیاتی استفاده میشود که مانع نتیجه گیری درست در تشخیص میشود.
مثلا گفته میشود که اگر کسی فلان جواب را داشت پس حتماً آن بیماری خاص را دارد مگر آنکه خلافش ثابت شود.این گفته چقدر با منطق Bayesian مطابقت دارد؟ آیا توجهی به ماهیت آزمون شد؟ آیا توجهی به خود بیمار یا جمعیت مشابه او شد؟ آیا این جمله به این معناست که احتمال پیش از آزمون خیلی بالاست؟
یا این مورد:
SnNout
in a highly Sensitive test, a Negative test rules out the disease
SpPin
in a highly Specific test, a Positive test rules in the disease
منطق Bayesian چیست؟
در مثال قبل برای گذاشتن تشخیص، فقط به یک جنبه از آزمون توجه شده است: این تست آنقدر ویژگی بالایی دارد که اگر مثبت شود حتماً بیمار آن تشخیص خاص را دارد.
منطق Bayesian میگوید که هر فرد بیمار قبل از انجام آزمون یک احتمال مشخصی برای بیماری خاصی دارد که با یک عامل تعدیل کننده (مثلاً نسبت درست نمایی یا Likelihood ratio یا LR) این احتمال افزایش یا کاهش مییابد.
Medical Decision Making
Refining Probability
Decision Analysis
Treatment and Testing Thresholds
Cost-Effectiveness Analysis
راههای تشخیص در پزشکی
1- استدلال پاتوفیزیولوژیک
2- شناخت الگوی بیماری
3- استدلال احتمالاتی
برای مورد اخیر باید لیست تشخیص افتراقی بیماری را بطور کامل مدنظر داشته باشیم و احتمال بیماری را (قبل از انجام هر آزمونی) محاسبه کنیم.
احتمال قبل از آزمون چگونه محاسبه می شود؟
1- بر اساس تجربه شخصی (با تمام خطاهایی که دارد)
2- اطلاعات چاپ شده:
الف- استفاده از شیوع بیماری به علاوه علائم و شکایات خاص بالینی
ب- استفاده از قانونهای پیش بینی کلینیکی
علی رغم داعیه «پزشکی مبتنی بر شواهد» در بسیاریاز دانشکدههای پزشکی، این امر آنگونه که باید مورد توجه و پذیرش قرار نگرفته است.
دانشجویان حساسیت و ویژگی را میآموزند و یاد میگیرند که برای تشخیص چگونه هنر شرح حال گیری و معاینه را با آزمونهای تشخیصی درهم بیامیزند ولی از تئوری احتمالات و بهکارگیری آن خبری نیست!
به همین جهت گاهی اوقات از ادبیاتی استفاده میشود که مانع نتیجه گیری درست در تشخیص میشود.
مثلا گفته میشود که اگر کسی فلان جواب را داشت پس حتماً آن بیماری خاص را دارد مگر آنکه خلافش ثابت شود.این گفته چقدر با منطق Bayesian مطابقت دارد؟ آیا توجهی به ماهیت آزمون شد؟ آیا توجهی به خود بیمار یا جمعیت مشابه او شد؟ آیا این جمله به این معناست که احتمال پیش از آزمون خیلی بالاست؟
یا این مورد:
SnNout
in a highly Sensitive test, a Negative test rules out the disease
SpPin
in a highly Specific test, a Positive test rules in the disease
منطق Bayesian چیست؟
در مثال قبل برای گذاشتن تشخیص، فقط به یک جنبه از آزمون توجه شده است: این تست آنقدر ویژگی بالایی دارد که اگر مثبت شود حتماً بیمار آن تشخیص خاص را دارد.
منطق Bayesian میگوید که هر فرد بیمار قبل از انجام آزمون یک احتمال مشخصی برای بیماری خاصی دارد که با یک عامل تعدیل کننده (مثلاً نسبت درست نمایی یا Likelihood ratio یا LR) این احتمال افزایش یا کاهش مییابد.
Medical Decision Making
Refining Probability
Decision Analysis
Treatment and Testing Thresholds
Cost-Effectiveness Analysis
راههای تشخیص در پزشکی
1- استدلال پاتوفیزیولوژیک
2- شناخت الگوی بیماری
3- استدلال احتمالاتی
برای مورد اخیر باید لیست تشخیص افتراقی بیماری را بطور کامل مدنظر داشته باشیم و احتمال بیماری را (قبل از انجام هر آزمونی) محاسبه کنیم.
احتمال قبل از آزمون چگونه محاسبه می شود؟
1- بر اساس تجربه شخصی (با تمام خطاهایی که دارد)
2- اطلاعات چاپ شده:
الف- استفاده از شیوع بیماری به علاوه علائم و شکایات خاص بالینی
ب- استفاده از قانونهای پیش بینی کلینیکی