🏥 Bệnh viện Nhân dân Gia Định — Mrs W và Mrs P
Tình huống: Khoa Cơ xương khớp, Bệnh viện Nhân dân Gia Định
Bệnh nhân Mrs W, một phụ nữ 70 tuổi, đến khám vì lo âu về loãng xương. Sau khi đo mật độ xương (BMD), kết quả hiện tại của bà là 1.05 g/cm². Từ quần thể tham khảo gồm phụ nữ cùng tuổi, chúng ta biết rằng mean BMD là 1.10 g/cm² và SD là 0.07 g/cm². Bà W lo lắng hỏi: "BMD của em có thấp bất thường không? Em có cần điều trị gấp không?" Để trả lời, trước hết chúng ta tính Z-score: Z = (X − μ) / σ = (1.05 − 1.10) / 0.07 = −0.71. Tra bảng Z, P(Z < −0.71) ≈ 0.239 = 23.9%. Điều này có nghĩa là 23.9% phụ nữ cùng tuổi có BMD thấp hơn bà W — hay nói cách khác, bà W nằm ở percentile thứ 24. Đây không phải là bất thường: ngưỡng loãng xương (T-score ≤ −2.5) tương ứng với Z < −2.5 (p < 0.0062), và Z = −0.71 chỉ thấp hơn trung bình một chút. Bà W không cần điều trị gấp, nhưng nên bổ sung vitamin D và canxi, và tái khám sau một năm.
Bệnh nhân Mrs P, cũng 70 tuổi, được đo BMD ba lần trước điều trị tại một phòng khám khác: kết quả lần lượt là 0.95, 0.93, và 0.97 (mean = 0.95, SD = 0.02). Sau sáu tháng điều trị bằng thuốc chống hủy xương, bà được đo bốn lần: 1.02, 1.05, 1.10, và 1.03 (mean = 1.05, SD = 0.036). Câu hỏi lâm sàng là: "BMD trung bình sau điều trị có thực sự cao hơn trước điều trị không — hay sự khác biệt chỉ là do ngẫu nhiên?" Đây là một bài toán kiểm định giả thuyết (hypothesis testing) — nhưng trước khi đi đến kiểm định, chúng ta cần một khái niệm trung gian: sai số chuẩn (standard error — SE). SE của nhóm sau điều trị = SD / √n = 0.036 / √4 = 0.018. Khoảng tin cậy 95% cho mean sau điều trị = 1.05 ± 1.96 × 0.018 = (1.015, 1.085). Vì mean trước điều trị là 0.95 không nằm trong khoảng này, chúng ta có thể kết luận: điều trị có hiệu quả — BMD đã tăng lên một cách có ý nghĩa thống kê.
📚 Cửa sổ học thuật — Central Limit Theorem: Tại sao trung bình mẫu luôn chuẩn, dù dữ liệu gốc không chuẩn? Đây là câu hỏi khiến nhiều thế hệ sinh viên bối rối. Câu trả lời nằm ở một định lý toán học sâu sắc: khi bạn lấy trung bình của một mẫu đủ lớn (thường n ≥ 30), phân phối của trung bình mẫu đó xấp xỉ phân phối Chuẩn — bất kể dữ liệu gốc có hình dạng thế nào (lệch trái, lệch phải, hay thậm chí là hình chữ U). Tại sao? Bởi vì trung bình mẫu là tổng của nhiều biến ngẫu nhiên độc lập, và theo CLT, tổng của một số lượng lớn các biến ngẫu nhiên — dù mỗi biến có phân phối thế nào — sẽ tiến tới phân phối Chuẩn. Trong y học, điều này có nghĩa là ngay cả khi một chỉ số sinh học (như thời gian sống thêm sau ung thư) có phân phối lệch phải rất mạnh, trung bình của 30 bệnh nhân vẫn có thể được coi là có phân phối Chuẩn — và do đó có thể dùng t-test hoặc các kiểm định dựa trên Chuẩn.
Tác động lâm sàng: Mrs W, nếu được tư vấn bởi một bác sĩ hiểu Z-score, đã ra về với tâm trạng nhẹ nhõm. Bà không cần điều trị gấp — chỉ cần bổ sung canxi và tái khám — thay vì phải dùng thuốc đắt tiền với tác dụng phụ tiềm tàng. Mrs P, ngược lại, được thông báo rằng điều trị có hiệu quả: BMD của bà đã tăng từ 0.95 lên 1.05, và khoảng tin cậy 95% cho thấy mức tăng này không phải do ngẫu nhiên. Bà tiếp tục điều trị thêm 6 tháng nữa. Bài học: phân phối Chuẩn và CLT không chỉ là lý thuyết suông — chúng là công cụ để đưa ra quyết định lâm sàng dựa trên dữ liệu, thay vì dựa trên trực giác.
