Likelihood Ratio (LR) — Tỷ số khả dĩ

LR cho biết một xét nghiệm thay đổi xác suất mắc bệnh như thế nào. LR+ = độ nhạy / (1 − độ đặc hiệu). LR− = (1 − độ nhạy) / độ đặc hiệu.

• LR+ > 10: Xét nghiệm rất tốt để xác định bệnh (rule-in)
• LR− < 0.1: Xét nghiệm rất tốt để loại trừ bệnh (rule-out)
• LR+ gần 1 hoặc LR− gần 1: Xét nghiệm vô dụng

Định lý Bayes trong lâm sàng

Xác suất sau xét nghiệm (post-test probability) = f(Xác suất trước xét nghiệm, LR). Công thức dạng odds:

Post-test odds = Pre-test odds × LR
Trong đó: odds = p / (1 − p)

Ý nghĩa lâm sàng: Một xét nghiệm có LR+ = 10, nếu áp dụng cho bệnh nhân có xác suất tiền nghiệm 50% (tỷ lệ lưu hành cao), sẽ cho xác suất hậu nghiệm ~91%. Nhưng cùng xét nghiệm đó, nếu bệnh nhân có xác suất tiền nghiệm chỉ 2% (sàng lọc dân số chung), xác suất hậu nghiệm chỉ ~17% — rất nhiều dương tính giả!

Number Needed to Treat (NNT)

NNT = 1 / ARR (Absolute Risk Reduction). NNT cho biết cần điều trị bao nhiêu bệnh nhân để ngăn ngừa được một biến cố.

• Ví dụ: Thuốc A giảm nguy cơ đột quỵ từ 5% xuống 3% → ARR = 2% → NNT = 1/0.02 = 50. Có nghĩa: cứ 50 bệnh nhân được điều trị bằng Thuốc A, 1 bệnh nhân tránh được đột quỵ.
• NNT lý tưởng: Càng thấp càng tốt. NNT = 1 (mọi bệnh nhân đều có lợi), NNT = 2-5 (rất tốt), NNT = 20-50 (khiêm tốn), NNT > 100 (cân nhắc kỹ).

📖 Lưu ý: NNT phụ thuộc vào nguy cơ nền. Một thuốc có RR = 0.8 sẽ có NNT rất khác nhau tùy quần thể: nếu nguy cơ nền 50% → NNT = 10; nếu nguy cơ nền 1% → NNT = 500. Luôn xem xét NNT trong bối cảnh bệnh nhân cụ thể.

Funnel plot — Phát hiện publication bias

Trong một phân tích gộp (meta-analysis), funnel plot là biểu đồ chấm với trục tung là cỡ mẫu (hoặc độ chính xác) và trục hoành là effect size. Nguyên tắc: các nghiên cứu lớn nằm gần trung tâm và phân bố đều; các nghiên cứu nhỏ phân tán rộng hơn nhưng vẫn đối xứng.

• Funnel plot đối xứng (phễu đều): Không có dấu hiệu publication bias
• Funnel plot bất đối xứng (một góc khuyết): Nghi ngờ có publication bias — các nghiên cứu nhỏ cho kết quả âm tính không được công bố

🩺 Tại sao bác sĩ cần biết về funnel plot? Khi đọc một meta-analysis, hãy tìm funnel plot. Nếu nó bất đối xứng, kết quả phân tích gộp có thể bị thổi phồng — và bác sĩ có thể kê thuốc dựa trên bằng chứng không đầy đủ. Publication bias là một trong những "tội đồ" lớn nhất của y học dựa trên bằng chứng.

📚 Medicine-based Evidence vs Evidence-based Medicine

Evidence-Based Medicine (EBM) — y học dựa trên bằng chứng — là việc sử dụng kết quả nghiên cứu khoa học tốt nhất hiện có để đưa ra quyết định lâm sàng. David Sackett, cha đẻ của EBM, định nghĩa: "Việc sử dụng một cách có chủ đích, rõ ràng và hợp lý các bằng chứng tốt nhất hiện có trong việc ra quyết định chăm sóc từng bệnh nhân."

Medicine-Based Evidence (MBE) — một khái niệm mới hơn — nhấn mạnh việc thu thập dữ liệu từ thực hành lâm sàng thực tế (real-world data): hồ sơ bệnh án điện tử, dữ liệu bảo hiểm y tế, registry quốc gia. MBE bổ sung cho EBM: nếu EBM nói "RCT cho thấy thuốc X có hiệu quả", thì MBE nói "và trong thực tế, 70% bệnh nhân của tôi dung nạp thuốc X tốt".

Tổng thể: Bác sĩ lâm sàng giỏi cần cả hai — biết bằng chứng từ y văn (EBM) và biết bệnh nhân của mình (MBE). Dịch tễ học lâm sàng là công cụ giúp kết nối hai thế giới này.

📊 GRADE — Hệ thống đánh giá chất lượng bằng chứng

GRADE (Grading of Recommendations, Assessment, Development and Evaluations) là hệ thống được WHO, Cochrane và hơn 100 tổ chức y tế trên thế giới sử dụng để đánh giá chất lượng bằng chứng và đưa ra khuyến cáo.

Yếu tố làm giảm chất lượng: Hạn chế về thiết kế (risk of bias), tính không nhất quán (inconsistency), tính không trực tiếp (indirectness), độ chính xác không đủ (imprecision), publication bias.

Yếu tố làm tăng chất lượng (với nghiên cứu quan sát): Effect size lớn, mối quan hệ liều-đáp ứng, tất cả các yếu tố nhiễu tiềm ẩn chỉ làm giảm (không làm tăng) effect.

✅ Kết luận: Khi đọc một khuyến cáo lâm sàng, hãy tìm xếp hạng GRADE. Một khuyến cáo "mạnh" với bằng chứng "cao" (⊕⊕⊕⊕) rất khác với khuyến cáo "yếu" với bằng chứng "rất thấp" (⊕○○○). Dịch tễ học lâm sàng giúp bác sĩ định lượng mức độ tin tưởng vào mỗi quyết định.