چطور مقالهٔ پزشکی بخوانیم؟ از سؤال پژوهش تا خطر مطلق

سؤال را پیش از نتیجه بنویس

با چهار جزء شروع کن: جمعیت، مداخله، مقایسه و پیامد؛ همان چارچوب PICO. در مثال ما، جمعیت «بزرگسالانِ واجد شرایط یک مطالعهٔ فرضی»، مداخله «روش الف»، مقایسه «مراقبت معمول» و پیامد «وقوع رویداد مشخص در یک سال» است. نام بیماری و روش واقعی عمداً انتخاب نشده، چون می‌خواهیم منطق خواندن را مستقل از توصیهٔ درمانی تمرین کنیم.

اگر مقاله فقط می‌گوید کیفیت زندگی بهتر شد، ابزار اندازه‌گیری، زمان و اندازهٔ تغییر را پیدا کن. اگر جمعیت مورد مطالعه با مخاطب تیتر فرق دارد، همان‌جا یادداشت کن. مطالعه روی گروهی با شرایط ورود محدود، خودبه‌خود برای تمام سنین و وضعیت‌ها جواب نمی‌دهد. یک جملهٔ دقیق دربارهٔ سؤال پژوهش، جلوی بسیاری از تعمیم‌های عجولانهٔ آخر کار را می‌گیرد.

منبع این بخش: NIH؛ مبانی کارآزمایی بالینی ↗

نوع مطالعه چه اجازه‌ای به تو می‌دهد؟

در یک مطالعهٔ مشاهده‌ای، پژوهشگر معمولاً مواجهه را مانند یک کارآزمایی به‌طور تصادفی تخصیص نمی‌دهد. در کارآزمایی تصادفی، تخصیص بر اساس سازوکار تصادفی انجام می‌شود تا گروه‌ها تا حد امکان قابل مقایسه باشند. تصادفی‌سازی تضمین نمی‌کند که در هر نمونهٔ کوچک تمام ویژگی‌ها دقیقاً برابر شوند؛ روش اجرا و پنهان‌سازی تخصیص هم اهمیت دارند.

در دفترت دو ستون بساز: «آنچه طراحی کمک می‌کند بررسی کنیم» و «آنچه هنوز می‌تواند نتیجه را منحرف کند». کنار مطالعهٔ مشاهده‌ای، مخدوش‌کنندگی را بنویس. کنار کارآزمایی، خروج از مطالعه، پایبندی و روش اندازه‌گیری را بررسی کن. رتبه‌بندی سادهٔ طرح‌ها مفید است، اما جای خواندن کیفیت اجرای همان مطالعه را نمی‌گیرد. یک عنوان قوی، روش ضعیف را اصلاح نمی‌کند.

پیامد اصلی را از میان ده نتیجه پیدا کن

پیامد اصلی باید از پیامدهای فرعی و تحلیل‌های اکتشافی جدا باشد. اگر مقاله چندین شاخص را بررسی کرده و تنها یکی به نتیجهٔ جذاب رسیده، نمی‌توان بدون توجه به برنامهٔ تحلیل و مسئلهٔ مقایسه‌های متعدد همان را کلِ موفقیت پژوهش نامید. ثبت مطالعه و پروتکل به تو کمک می‌کنند ببینی سؤال‌ها و روش‌ها چه زمانی مشخص شده‌اند.

مثلاً در تمرین فرضی، پیامد اصلی بستری در یک سال است، اما تیتر روی یک نمرهٔ آزمایشگاهی در هفتهٔ چهارم تمرکز می‌کند. هر دو داده ممکن است ارزش داشته باشند، ولی پاسخ یک سؤال نیستند. کنار هر نتیجه بنویس: برای بیمار چه معنایی دارد؟ مستقیم است یا جانشین؟ از قبل تعریف شده یا بعداً بررسی شده؟ نبود پاسخ را با حدس پر نکن.

منبع این بخش: NCI؛ کارآزمایی‌ها چگونه کار می‌کنند ↗

جدول دو در دو را خودت بساز

فرض کن در گروه مداخله از ۱۰۰۰ نفر، ۸۰ نفر رویداد داشته‌اند و در گروه مقایسه از ۱۰۰۰ نفر، ۱۰۰ نفر. خطرهای یک‌ساله به‌ترتیب ۸ و ۱۰ درصدند. نسبت خطر ۰٫۸ و کاهش نسبی خطر ۲۰ درصد است. اختلاف مطلق خطر دو واحد درصد است. در همین مثال، عبارت «۲۰ درصد کاهش» بدون مبنا به خواننده تصویر کاملی نمی‌دهد.

اعداد را ابتدا در جدولِ گروه، تعداد افراد و تعداد رویداد بنویس. بعد مخرج هر کسر را کنترل کن. اگر تعداد افراد دو گروه متفاوت باشد، مقایسهٔ صرف تعداد رویدادها گمراه‌کننده می‌شود. همچنین مشخص کن دربارهٔ نسبت خطر، نسبت شانس یا نسبت مخاطره صحبت می‌کنی؛ این‌ها یک کمیت واحد نیستند و نباید با عوض کردن اسم به جای هم گذاشته شوند.

NNT را همراه زمان و شرایط بخوان

در همان مثال، معکوس کاهش مطلق خطرِ ۰٫۰۲ برابر ۵۰ است. تفسیر آموزشی آن: در شرایط و بازهٔ یک‌سالهٔ همین مطالعهٔ فرضی، لازم است حدود ۵۰ نفر مداخله دریافت کنند تا به‌طور متوسط از یک رویداد اضافی نسبت به مقایسه جلوگیری شود. این عدد یک ویژگی ابدی و مستقل از خطر پایه یا مدت پیگیری نیست.

حالا فرض کن خطر از ۲ درصد به ۱٫۶ درصد برسد. کاهش نسبی هنوز ۲۰ درصد است، ولی کاهش مطلق ۰٫۴ واحد درصد و NNT برابر ۲۵۰ می‌شود. این مقایسه نشان می‌دهد چرا انتقال یک درصد نسبی به جمعیتی با خطر پایهٔ دیگر کافی نیست. اگر فاصلهٔ اطمینانِ اختلاف خطر از صفر بگذرد، تفسیر NNT پیچیده‌تر می‌شود؛ یک عدد منفرد را با قطعیت نمایش نده.

منبع این بخش: NCCIH؛ اثر دارونما ↗

فاصلهٔ اطمینان را کنار برآورد نگه دار

برآورد نقطه‌ای خلاصه‌ای از داده‌هاست؛ فاصلهٔ اطمینان اطلاعاتی دربارهٔ دقت برآورد تحت فرض‌های تحلیل می‌دهد. تفسیر رایجِ «احتمال ۹۵ درصد دارد پارامتر ثابت در همین فاصله باشد» بیان دقیقِ رویکرد فراوانی‌گرا نیست. برای خواندن کاربردی، نگاه کن چه اندازه اثرهایی با داده و مدل سازگارند و آیا دامنه برای تصمیم مورد بحث بیش از حد وسیع است.

دو مطالعهٔ فرضی می‌توانند کاهش خطر یکسانی گزارش کنند، اما یکی فاصله‌ای بسیار پهن داشته باشد. جملهٔ «هر دو همان نتیجه را ثابت کردند» تفاوت عدم قطعیت را پنهان می‌کند. در خلاصهٔ خودت عدد اثر و دامنه را کنار هم بیاور. اگر فاصله در چکیده نیست، سراغ متن یا ضمیمه برو؛ از روی مقدار p آن را حدس نزن.

معناداری آماری با اهمیت بالینی یکی نیست

یک تغییر کوچک ممکن است با نمونهٔ بزرگ از نظر آماری روشن باشد، اما برای زندگی بیمار اهمیت محدودی داشته باشد. از سوی دیگر، نتیجهٔ نامعین در یک مطالعهٔ کوچک الزاماً نبودِ اثر را اثبات نمی‌کند. باید اندازهٔ اثر، عدم قطعیت، زیان‌ها، هزینه و پیامد مورد اندازه‌گیری را با هم دید. عبارت «معنادار بود» پایان ارزیابی نیست.

برای تمرین، دو خلاصه بنویس: اول خلاصهٔ دقیقِ آماری و دوم پرسش کاربردیِ باقی‌مانده. مثلاً «برآورد به نفع مداخله است، اما دامنه پهن است» می‌تواند با «هنوز نمی‌دانیم منفعت برای این جمعیت چقدر پایدار است» همراه شود. این دو جمله از ادعای کلی «درمان جواب می‌دهد» مفیدترند، چون نشان می‌دهند پژوهش چه چیزی را روشن کرده و چه چیزی را نه.

منبع این بخش: Cochrane؛ تفسیرِ اندازهٔ اثر، عدم قطعیت و NNT ↗

خروج افراد و دادهٔ گمشده را جدی بگیر

اگر از گروه مداخله تعداد بیشتری پیگیری را رها کرده‌اند، بپرس چرا و تحلیل با آن‌ها چه کرده است. حذف بی‌توضیح افراد می‌تواند مقایسه را تغییر دهد. تحلیل بر اساس قصد درمان معمولاً افراد را مطابق گروه تخصیص‌یافته بررسی می‌کند، اما اجرای آن و برخورد با دادهٔ گمشده باید از روش مطالعه فهمیده شود؛ نام یک تحلیل به‌تنهایی کافی نیست.

در مثال خودت فرض کن ۱۵۰ نفرِ یک گروه نتیجهٔ نهایی ندارند. حالا فقط یک سؤال بنویس: اگر وضعیت این افراد با افرادِ باقی‌مانده متفاوت باشد، نتیجه چقدر تغییر می‌کند؟ لازم نیست بدون داده پاسخ قطعی بدهی. درخواست تحلیل حساسیت و بررسی فرض‌های دادهٔ گمشده، واکنش علمی‌تری از نادیده گرفتن یا ساختن نتیجه برای آن افراد است.

زیان‌ها و منافع باید در یک قاب دیده شوند

مقاله‌ای که منفعت را دقیق گزارش می‌کند ولی دربارهٔ عوارض فقط می‌گوید «خوب تحمل شد» هنوز سؤال باز دارد. تعداد، شدت، مدت و روش جمع‌آوری رویدادهای ناخواسته مهم‌اند. نبود گزارشِ یک زیان با اثبات نبود آن یکسان نیست. همچنین دنبال کن چه کسی بودجه داده و نقش حامی در طراحی، تحلیل و انتشار چه بوده است.

وجود حمایت مالی به‌خودی‌خود نتیجه را باطل نمی‌کند؛ همان‌طور که نبودِ حمایت صنعتی روش را خودکار بی‌نقص نمی‌سازد. در یادداشت ارزیابی، نگرانی مشخص بنویس: مثلاً پیامد انتخابی، نبود دسترسی به پروتکل یا گزارش ناقص پیگیری. نقدی که فقط به نام نویسنده یا حامی تکیه کند، خواندن روش را دور می‌زند و به فهم داده کمکی نمی‌کند.

یک خلاصهٔ قابل دفاع و تمرین با ساروی

خلاصهٔ مناسبِ مثال ما می‌تواند چنین باشد: «در این کارآزمایی فرضی و در پیگیری یک‌ساله، رویداد در ۸۰ نفر از ۱۰۰۰ نفر در برابر ۱۰۰ نفر از ۱۰۰۰ نفر رخ داد؛ اختلاف مطلق دو واحد درصد بود. برای قضاوت کامل، عدم قطعیت، پیگیری و زیان‌ها را باید بررسی کرد.» این جمله از تیتر جذاب‌تر نیست، اما اطلاعات مهم را حفظ می‌کند.

در ساروی، بخش روش و جدول واقعی مقاله را با حذف اطلاعات شناسایی‌کنندهٔ بیماران بده و بخواه PICO، مخرج‌ها و ابهام‌ها را استخراج کند. مدل نباید مقالهٔ ندیده را از عنوانش بازسازی یا مرجع تازه اختراع کند. هر عدد را با جدول اصلی تطبیق بده. از خروجی برای آماده کردن سؤال‌های جلسهٔ ژورنال‌کلاب استفاده کن؛ تصمیم درمانی نیازمند شواهد کامل و زمینهٔ بالینی است.