🏥 Thử nghiệm thuốc hạ cholesterol — Bệnh viện Nhân dân 115

Tình huống: Khoa Nội Tim mạch, Bệnh viện Nhân dân 115, TP. Hồ Chí Minh

Một nhóm nghiên cứu tại Bệnh viện Nhân dân 115 tiến hành thử nghiệm lâm sàng ngẫu nhiên có đối chứng để đánh giá hiệu quả của một loại thuốc hạ cholesterol mới. Hai trăm bệnh nhân tăng cholesterol máu được chia ngẫu nhiên vào hai nhóm: nhóm dùng thuốc mới và nhóm dùng giả dược. Sau 12 tuần điều trị, kết quả cho thấy: nhóm thuốc giảm cholesterol LDL trung bình 25 mg/dL, nhóm giả dược giảm 8 mg/dL. Phân tích thống kê cho p = 0,04 với α được đặt ở 0,05. Kết luận: "thuốc có hiệu quả" — một kết quả có ý nghĩa thống kê.

Nhưng hãy dừng lại một chút. p = 0,04 có nghĩa là: "Nếu thuốc thực sự không có hiệu quả (H₀ đúng), xác suất chúng tôi thấy sự khác biệt giữa hai nhóm lớn như vậy (hoặc lớn hơn) là 4%." Nó không có nghĩa là "xác suất thuốc không hiệu quả là 4%" hay "xác suất kết luận sai là 4%". Sự khác biệt giữa P(H₀|dữ liệu) và P(dữ liệu|H₀) là một trong những hiểu lầm nguy hiểm và phổ biến nhất trong y học. Nếu bác sĩ hiểu sai, họ có thể kê một loại thuốc thực ra không hiệu quả cho bệnh nhân của mình — với niềm tin sai lầm rằng "chỉ có 4% khả năng thuốc không có tác dụng".

Một điểm quan trọng khác: kết quả này có ý nghĩa thống kê (p < α), nhưng liệu mức giảm 17 mg/dL (25 – 8) có ý nghĩa lâm sàng không? Một bác sĩ lão khoa, với bệnh nhân 80 tuổi có nhiều bệnh nền, có thể cho rằng mức giảm này chưa đủ lớn để thay đổi phác đồ. Một bác sĩ tim mạch may mắn có bệnh nhân trẻ, khỏe mạnh, có thể thấy mức giảm 17 mg/dL là rất đáng kể. p-value không trả lời câu hỏi này — nó chỉ cho biết "có khác biệt", không cho biết khác biệt có quan trọng hay không. Đây là lúc CI của Chuyên đề 06 phát huy tác dụng.

📚 Cửa sổ học thuật — Sự khác biệt giữa p-value và Bayesian posterior probability: Khi bác sĩ Hùng tại Bệnh viện Nhân dân 115 đọc "p = 0,04", ông dễ nghĩ "xác suất 4% tôi sai". Nhưng điều này chỉ đúng nếu bạn dùng khung Bayesian, không phải Frequentist. Trong khung Bayesian, bạn cần kết hợp dữ liệu với một "prior" — niềm tin trước khi có nghiên cứu. Nếu prior của bạn là "chỉ 10% thuốc mới thực sự hiệu quả", thì posterior probability (xác suất thuốc hiệu quả sau khi có dữ liệu) có thể chỉ là 60-70% — thấp hơn nhiều so với "95%" mà p = 0,05 thường được hiểu. Hiểu được điều này giúp bác sĩ không bị "ảo tưởng sức mạnh" của một p-value đẹp đẽ từ một nghiên cứu duy nhất.

Tác động lâm sàng: Hãy xem xét trường hợp một bệnh nhân nam 58 tuổi, tăng cholesterol máu, tiền sử nhồi máu cơ tim. Bác sĩ điều trị đọc kết quả p = 0,04 và muốn kê thuốc mới. Nhưng nếu ông hiểu bản chất của p-value, ông sẽ hỏi thêm: "Nghiên cứu có đủ power không?" (để tránh sai lầm Type II — bỏ sót hiệu quả thật). "Khoảng tin cậy của mức giảm là bao nhiêu?" (để đánh giá độ chính xác). "Có nghiên cứu nào khác cho kết quả tương tự không?" (để tránh phụ thuộc vào một kết quả đơn lẻ). p = 0,04 chỉ là một mảnh ghép trong bức tranh toàn cảnh — không phải là câu trả lời cuối cùng.