Анализы - часть первая (дУшная)

Тема медицинских анализов была и остается очень «горячей». Методы биохимии сделали гигантские скачки в своем развитии, многие лабораторные методы стали эффективными, дешевыми и доступными. Расцвел и сектор лабораторных услуг: даже на моей родной улице в захудалом Веселом Поселке в СПб было на момент отъезда целых два частных лабораторных кабинета. Чего греха таить - я и сам в мою медицинскую юность смотрел на списки возможной диагностики с широкими глазами - ведь можно диагностировать или исключить почти все на свете!

Думаю, вы можете догадаться, что я подвожу к тому, что все не так просто,и не ошибетесь . В этой части поста я хотел бы объяснить вам внутреннюю логику диагностики. Будет немного занудно, но зато вы поймете, как мы - врачи, принимаем решения, и это поможет вам избежать ненужного волнения. Итак…

Жил-был в 18 веке англичанин Томас Байес. У него была необычная комбинация профессий: он был математиком, статистиком и священником. В своих работах он вывел теорему, которая имеет важную роль в науке и по сей день. Эта теорема особенно важна для работы с медицинской диагностикой, и именно с ее следствием я работаю каждый день.

Постараюсь вас не грузить математическими сложностями, поэтому сразу перейду к иллюстрации. Как вы, наверное, слышали - у любого анализа есть случаи ложноотрицательного и ложноположительного результата. В первом случае - он не находит болезнь у подлинно больного, во втором - «вешает» болезнь на здорового. У каждого анализа есть такие параметры (исчисляется в процентах верного ответа. Если на сто анализов ста здоровых людей один ложноположительный - то говорят: специфичность 99%). Ни один анализ в мире не имеет 100% по обоим параметрам, но благодаря успехами биохимии - многие приближаются к 95.

Теперь проведем мысленный эксперимент: дадим вашему покорному слуге суперспособности! Выдайте мне две тысячи тестов на ковид с чувствительностью 99% (показывает ложный негативный результат - человек болен, но тест негативен в одном случае из 100), и той же специфичностью (показывает ложно позитивный, хотя человек здоров в одном случае из ста). Теперь я отправляюсь на машине времени в Швецию середины 2020 и провожу анализ на тысяче совершенно случайных жителей. Затем, как только я вернулся назад - вы сбрасываете меня в конец 2021, и я провожу ту же манипуляцию еще с тысячью человек. Предположим, что я могу также теперь видеть все медицинские результаты (то есть и результаты моих тестов, и фактический результат - были ли люди больны или здоровы).

К каким результатам мы придем (кроме как к городским байкам про человека в очках и зеленых штанах, навязчиво предлагающим медицинские услуги:)? К абсурдным! Тест - ровно тот же, люди - примерно те же, даже я один и тот же. Но: в первый заход оказался гораздо больший процент ложных результатов. Как это объяснить? (Подробнее про математику этого парадокса можно найти в книге «Думай медленно, решай быстро» в задаче про вирус, или в статье Википедии про теорему Байеса, раздел парадокс диагноза).

В результате замешана третья, очень важная цифра: заболеваемость, то есть какая часть людей в популяции больны в текущий момент. Чем распространеннее болезнь - тем точнее тест, даже если это точь в точь тот же тест. Верна и обратная ситуация - чем реже болезнь, тем чаще тест «сбоит». В начале пандемии было меньше заболевших, чем в конце, поэтому и мой анализ стал «точнее».

Теперь перейдем к более прикладным аспектам. Как видите, если брать анализ совершенно вслепую - то его точность будет «пришпилена» к зазору между ста процентами и актуальной чувствительностью/специфичностью. Много это или мало? Зависит от распространенности болезни. Например, на одной лекции мы пересчитывали, каков риск, что положительный анализ на ВИЧ у совершенно случайного пациента в Швеции - истинно положителен. Оказалось, около двадцати процентов - хотя и тест имеет параметры 99,97 и 97,8, ответ имеет риск 80% быть ложным. Это объясняется относительно низкой заболеваемостью в стране.