พ้นจากพีระมิดหลักฐาน: ระดับความเชื่อมั่นตามแนวทาง GRADE และการเลือกข้อมูลประสิทธิผลเข้าสู่แบบจำลองทางเศรษฐศาสตร์

Read the English version

บทคัดย่อ

GRADE certainty อธิบายความเชื่อมั่นต่อหลักฐานสำหรับผลลัพธ์หนึ่ง แทนการเชื่อมั่นจากชื่อรูปแบบการศึกษา หลักสูตรนำเสนอลำดับหลักฐานที่ต่างกัน จึงแสดงว่าพีระมิดตายตัวไม่อาจตัดสินว่าข้อมูลประสิทธิผลใดน่าเชื่อถือ บทความอธิบายระดับเริ่มต้น เหตุผลในการลดหรือเพิ่มระดับ และข้อจำกัดของการรวมงานที่มีอคติร่วมกัน โดยใช้การทดลองในหลักสูตรที่มี RR 0.56 และ 95% CI ตั้งแต่ 0.25 ถึง 1.26 การคำนวณขนาดข้อมูลเพื่อสาธิตแสดงว่าผู้เข้าร่วม 126 คนให้หลักฐานจำกัด เมื่อทั้งประโยชน์และโทษที่สำคัญทางคลินิกยังเป็นไปได้ เราแยกความไม่แน่นอนของผลเฉลี่ยออกจากความต่างระหว่างบริบท แล้วพิจารณาการตรวจสอบ surrogate และการใช้ผลกับผู้ป่วยไทย การเปรียบเทียบผ่านเครือข่ายต้องมีสมมติฐานน่าเชื่อถือก่อนใช้อันดับการรักษาในแบบจำลอง สุดท้ายเชื่อมหลักฐานที่อ่อนกับการวิเคราะห์สถานการณ์ ลำดับความสำคัญของการวิจัย และการประเมินเศรษฐศาสตร์อย่างโปร่งใส พร้อมแยกการตัดสินความเชื่อมั่นเบื้องต้นออกจากการประเมินอคติที่เสร็จสมบูรณ์

🔍 คลิกเพื่อขยาย คลิกที่ใดก็ได้เพื่อปิด

เริ่มจากผลลัพธ์ แล้วจึงพิจารณารูปแบบการศึกษา

GRADE certainty คือความเชื่อมั่นว่าหลักฐานรองรับข้อสรุปเกี่ยวกับผลลัพธ์หนึ่งได้เพียงใด ชื่อรูปแบบการศึกษาเพียงอย่างเดียวตอบไม่ได้ หลักฐานชุดเดียวกันอาจให้ระดับความเชื่อมั่นต่างกันในแต่ละผลลัพธ์

สรุปเนื้อหาหลักสูตรที่ได้รับแสดงลำดับหลักฐานที่ต่างกันระหว่าง HITAP Basic course, Day 1, Lecture 3 กับ Lecture 4 แบบหนึ่งวาง meta-analysis ของการศึกษาเชิงสังเกตต่ำกว่าการทดลองสุ่ม อีกแบบวาง systematic review ไว้สูงสุด ลำดับเหล่านี้บอกจุดอ่อนที่พบบ่อย แต่ยังตัดสินความเชื่อมั่นของค่าประมาณเฉพาะเรื่องไม่ได้

Meta-analysis คือการรวมค่าประมาณจากหลายการศึกษา การรวมผลไม่อาจแก้อคติที่มีร่วมกันได้ ก่อนเลือกข้อมูลเข้าแบบจำลอง ให้ระบุประชากร การรักษา ตัวเปรียบเทียบ ผลลัพธ์ และระยะติดตาม แล้วตรวจว่าการศึกษาที่มีตอบคำถามนั้นหรือไม่

กำหนดระดับเริ่มต้นด้วยแนวทางที่สอดคล้องกัน

ในแนวทาง GRADE แบบดั้งเดิม หลักฐานจาก randomized trial เริ่มที่ high certainty ส่วนหลักฐานเชิงสังเกตเริ่มที่ low certainty เมื่อปรับระดับด้วยเหตุผลแล้ว ผลสุดท้ายอาจเป็น high, moderate, low หรือ very low

ROBINS-I ประเมินอคติของการศึกษาแทรกแซงที่ไม่ได้สุ่มโดยเทียบกับการทดลองสุ่มสมมติ แนวทาง GRADE ที่ใช้ ROBINS-I อาจเริ่มที่ high certainty แล้วลดระดับตามอคติที่ประเมินได้ วิธีนี้ช่วยไม่ให้นับปัญหา confounding เดิมซ้ำ แต่ไม่ได้ทำให้หลักฐานเชิงสังเกตแข็งแรงโดยอัตโนมัติ

อธิบายเหตุผลทุกด้านที่ทำให้ลดระดับ

Risk of bias คือโอกาสที่ค่าประมาณผลถูกบิดเบือนอย่างเป็นระบบ RoB 2 ใช้ประเมินผลจาก randomized trial ส่วน ROBINS-I ใช้กับการศึกษาแทรกแซงที่ไม่ได้สุ่ม ผลลัพธ์ที่ขาดหาย การเบี่ยงเบนจากการรักษา และการเลือกรายงานยังเป็นปัญหาได้แม้มีการสุ่ม

Inconsistency คือผลการศึกษาต่างกันเกินกว่าที่ความคลาดเคลื่อนจากการสุ่มอธิบายได้สมเหตุผล I-squared อธิบายความไม่เป็นเนื้อเดียวกันในเชิงสัดส่วน ส่วน tau-squared ประมาณความแปรปรวนของผลจริงบนมาตราที่ใช้วิเคราะห์ Prediction interval อธิบายช่วงผลจริงที่เป็นไปได้ในบริบทใหม่ที่เทียบเคียงกันได้ภายใต้แบบจำลอง ควรพิจารณาความต่างทางคลินิกและช่วงนี้ก่อนตัดสินว่าความไม่สอดคล้องทำให้ความเชื่อมั่นลดลงหรือไม่

Indirectness คือหลักฐานไม่ตรงกับคำถามที่ต้องตัดสินใจทั้งหมด ความต่างของผู้ป่วย ตัวเปรียบเทียบ ระยะติดตาม หรือผลลัพธ์ที่วัดอาจทำให้เชื่อมโยงกันไม่ได้ ค่าตรวจทางห้องปฏิบัติการอาจดีขึ้นโดยการรอดชีวิตหรือคุณภาพชีวิตไม่ดีขึ้น

Imprecision คือช่วงผลที่ยังเป็นไปได้กว้างจนรองรับการตัดสินใจที่ต่างกันอย่างสำคัญ ให้เทียบ CI กับเกณฑ์ประโยชน์และโทษที่มีความหมาย พร้อมประเมิน optimal information size คำนี้หมายถึงขนาดตัวอย่างที่ต้องใช้เพื่อตรวจพบผลสำคัญที่กำหนดไว้ ภายใต้สมมติฐานที่ระบุ

Publication bias เกิดเมื่อการศึกษาที่เข้าถึงได้ต่างอย่างเป็นระบบจากการศึกษาที่ไม่ได้เผยแพร่ Funnel plot แสดงค่าประมาณผลเทียบกับความแม่นยำ ส่วน Egger test ประเมินความไม่สมมาตร Doi plot และ LFK index เป็นอีกวิธีในการประเมินความไม่สมมาตร

ความไม่สมมาตรอาจมาจากความไม่เป็นเนื้อเดียวกันหรือความต่างของการศึกษาขนาดเล็ก ไม่ได้เกิดจากงานที่หายไปเท่านั้น เครื่องมือเหล่านี้ไม่น่าเชื่อถือเมื่อหลักฐานมีน้อย ควรค้นทะเบียนและโครงร่างการศึกษา ไม่ใช้ภาพที่ดูสมมาตรเป็นหลักฐานว่าไม่มีงานตกหล่น

เพิ่มระดับเมื่อมีเหตุผลเชิงสาเหตุรองรับ

ผลขนาดใหญ่หรือ dose-response gradient อาจสนับสนุนการเพิ่มระดับในแนวทางเชิงสังเกตแบบดั้งเดิม การเพิ่มระดับอาจสมเหตุผลเมื่อ residual confounding ที่เป็นไปได้ทั้งหมดน่าจะลดขนาดผลที่สังเกต ต้องอธิบายว่าทำไมคำอธิบายอื่นจึงสร้างผลเช่นนี้ได้ยาก

ค่า p ที่เล็กมากเพียงอย่างเดียวไม่ใช่เหตุผลเพิ่มระดับ Dose-response pattern หมายถึงผลลัพธ์เปลี่ยนตามระดับการสัมผัสที่สูงขึ้น แต่ confounding ก็สร้างรูปแบบนี้ได้เช่นกัน ใช้แนวทาง GRADE ที่เลือกอย่างสอดคล้องและอย่านับเหตุผลเดิมซ้ำ

คำนวณขนาดข้อมูลและช่วงค่าของการทดลองซ้ำ

# Writes: stdout only. Course counts: HITAP Basic course, Day 1, Lecture 3; planning assumptions are illustrative.
a <- 8; b <- 58; c <- 13; d <- 47; enrolled <- a+b+c+d; events <- a+c
p0 <- 0.217; rrr <- 0.25; p1 <- p0*(1-rrr); alpha <- 0.05; power <- 0.80
z <- qnorm(1-alpha/2); zp <- qnorm(power); v <- p0*(1-p0)+p1*(1-p1); gap <- p0-p1
rr <- (a/(a+b))/(c/(c+d)); se <- sqrt(1/a-1/(a+b)+1/c-1/(c+d)); ci <- exp(log(rr)+c(-1,1)*z*se); p <- 2*pnorm(-abs(log(rr)/se))
k <- (z+zp)^2; nspec <- round(k,2)*round(v,3)/(floor(gap*1e4)/1e4)^2; nfull <- k*v/gap^2
cat(sprintf("Course events/nonevents: treatment %d/%d; control %d/%d; events %d; enrolled %d\n", a,b,c,d,events,enrolled))
cat(sprintf("RR %.2f; %.0f%% CI %.2f to %.2f; p %.2f; reduction %.0f%%; increase %.0f%%\n",rr,100*(1-alpha),ci[1],ci[2],p,100*(1-round(ci[1],2)),100*(round(ci[2],2)-1)))
cat(sprintf("Illustrative reduction %.0f%%; control risk %.1f%% = %.3f; alpha %.2f; power %.0f%%\n",100*rrr,100*p0,p0,alpha,100*power))
cat(sprintf("Treated risk %.5f; risk gap %.5f; variance %.9f; normal quantiles %.2f and %.2f\n",p1,gap,v,z,zp))
cat(sprintf("Rounded intermediates: squared sum %.2f; variance %.3f; gap %.4f\n",round(k,2),round(v,3),floor(gap*1e4)/1e4))
cat(sprintf("Supplied approximation: %.0f per arm; about %s total\n",round(nspec),format(round(2*nspec,-1),big.mark=",",trim=TRUE,scientific=FALSE)))
cat(sprintf("Full precision: %.2f per arm; round up %d; total %s\n",nfull,ceiling(nfull),format(2*ceiling(nfull),big.mark=",",trim=TRUE,scientific=FALSE)))
cat(sprintf("Illustrative RR thresholds: %.2f and %.2f; null %.2f; planning reduction fraction %.2f\n",1-rrr,1+rrr,1,rrr))
cat("Document identifiers: Day 1; Lectures 3 and 4; RoB 2; HITAP 24-item checklist; CHEERS 2022; GRADE downgrade 2 levels\n")

> a <- 8

> b <- 58

> c <- 13

> d <- 47

> enrolled <- a + b + c + d

> events <- a + c

> p0 <- 0.217

> rrr <- 0.25

> p1 <- p0 * (1 - rrr)

> alpha <- 0.05

> power <- 0.8

> z <- qnorm(1 - alpha/2)

> zp <- qnorm(power)

> v <- p0 * (1 - p0) + p1 * (1 - p1)

> gap <- p0 - p1

> rr <- (a/(a + b))/(c/(c + d))

> se <- sqrt(1/a - 1/(a + b) + 1/c - 1/(c + d))

> ci <- exp(log(rr) + c(-1, 1) * z * se)

> p <- 2 * pnorm(-abs(log(rr)/se))

> k <- (z + zp)^2

> nspec <- round(k, 2) * round(v, 3)/(floor(gap * 10000)/10000)^2

> nfull <- k * v/gap^2

> cat(sprintf("Course events/nonevents: treatment %d/%d; control %d/%d; events %d; enrolled %d\n",
+     a, b, c, d, events, enrolled))
Course events/nonevents: treatment 8/58; control 13/47; events 21; enrolled 126

> cat(sprintf("RR %.2f; %.0f%% CI %.2f to %.2f; p %.2f; reduction %.0f%%; increase %.0f%%\n",
+     rr, 100 * (1 - alpha), ci[1], ci[2], p, 100 * (1  .... [TRUNCATED]
RR 0.56; 95% CI 0.25 to 1.26; p 0.16; reduction 75%; increase 26%

> cat(sprintf("Illustrative reduction %.0f%%; control risk %.1f%% = %.3f; alpha %.2f; power %.0f%%\n",
+     100 * rrr, 100 * p0, p0, alpha, 100 * po .... [TRUNCATED]
Illustrative reduction 25%; control risk 21.7% = 0.217; alpha 0.05; power 80%

> cat(sprintf("Treated risk %.5f; risk gap %.5f; variance %.9f; normal quantiles %.2f and %.2f\n",
+     p1, gap, v, z, zp))
Treated risk 0.16275; risk gap 0.05425; variance 0.306173438; normal quantiles 1.96 and 0.84

> cat(sprintf("Rounded intermediates: squared sum %.2f; variance %.3f; gap %.4f\n",
+     round(k, 2), round(v, 3), floor(gap * 10000)/10000))
Rounded intermediates: squared sum 7.85; variance 0.306; gap 0.0542

> cat(sprintf("Supplied approximation: %.0f per arm; about %s total\n",
+     round(nspec), format(round(2 * nspec, -1), big.mark = ",",
+         t .... [TRUNCATED]
Supplied approximation: 818 per arm; about 1,640 total

> cat(sprintf("Full precision: %.2f per arm; round up %d; total %s\n",
+     nfull, ceiling(nfull), format(2 * ceiling(nfull), big.mark = ",",
+     .... [TRUNCATED]
Full precision: 816.54 per arm; round up 817; total 1,634

> cat(sprintf("Illustrative RR thresholds: %.2f and %.2f; null %.2f; planning reduction fraction %.2f\n",
+     1 - rrr, 1 + rrr, 1, rrr))
Illustrative RR thresholds: 0.75 and 1.25; null 1.00; planning reduction fraction 0.25

> cat("Document identifiers: Day 1; Lectures 3 and 4; RoB 2; HITAP 24-item checklist; CHEERS 2022; GRADE downgrade 2 levels\n")
Document identifiers: Day 1; Lectures 3 and 4; RoB 2; HITAP 24-item checklist; CHEERS 2022; GRADE downgrade 2 levels

แยกความไม่แน่นอนของค่าเฉลี่ยจากความต่างระหว่างบริบท

Random-effects synthesis ยอมให้ผลจริงต่างกันระหว่างการศึกษา HKSJ หรือ Hartung-Knapp-Sidik-Jonkman ปรับการอนุมานเกี่ยวกับค่าเฉลี่ยรวมให้สะท้อนความไม่แน่นอนในการประมาณค่า วิธีนี้แก้การศึกษาที่มีอคติไม่ได้ และหลักฐานที่น้อยยังทำให้การอนุมานไม่เสถียรได้

95% CI ของผลรวมอธิบายความไม่แน่นอนของผลเฉลี่ย ส่วน 95% prediction interval อธิบายช่วงผลจริงที่เป็นไปได้ในบริบทใหม่ที่เทียบเคียงกันได้ ภายใต้แบบจำลองนั้น ช่วงนี้ไม่ใช่ผลลัพธ์ของผู้ป่วยแต่ละคนและไม่รับประกันผลในประเทศไทย

เมื่อมีการทดลองเดียว จะประมาณความไม่เป็นเนื้อเดียวกันระหว่างการศึกษาจากหลักฐานชุดนั้นไม่ได้ อย่าสร้าง prediction interval ขึ้นเอง ให้สำรวจสถานการณ์ผลที่สมเหตุผลและอธิบายแหล่งที่มา

ตรวจสอบสะพานจากตัวชี้วัดไปสู่ผลลัพธ์สุขภาพ

Surrogate outcome คือผลลัพธ์ตัวแทนระหว่างทางที่ใช้แทนผลลัพธ์ที่ผู้ป่วยรับรู้โดยตรง HbA1c สะท้อนการสัมผัสระดับน้ำตาลในระยะยาว ส่วนความดันโลหิตวัดแรงดันในหลอดเลือด Progression-free survival วัดระยะเวลาที่ไม่มีการดำเนินโรคหรือเสียชีวิต แต่เพียงลำพังยังยืนยันการรอดชีวิตโดยรวมที่ยาวขึ้นไม่ได้

Trial-level validation ตรวจว่าผลการรักษาต่อตัวชี้วัดทำนายผลการรักษาต่อผลลัพธ์สุดท้ายได้หรือไม่เมื่อพิจารณาข้ามการทดลอง ความสัมพันธ์ระดับผู้ป่วยเพียงอย่างเดียวยืนยันความเชื่อมโยงนี้ไม่ได้ ต้องตรวจว่าการตรวจสอบครอบคลุมกลุ่มการรักษา ประชากร และระยะติดตามที่แบบจำลองใช้หรือไม่

QALY รวมระยะเวลารอดชีวิตกับคุณภาพชีวิตด้านสุขภาพ การแปลงการเปลี่ยนแปลงตัวชี้วัดเป็น QALYs ต้องมีความสัมพันธ์ที่ระบุชัดและความไม่แน่นอนของความสัมพันธ์นั้น หากการตรวจสอบยังไม่เพียงพอ ให้ถือประโยชน์ที่คาดการณ์เป็นสมมติฐานทางอ้อมและปรับความเชื่อมโยงนี้ในการวิเคราะห์สถานการณ์

ใช้ผลสัมพัทธ์ที่เหมาะสมร่วมกับความเสี่ยงพื้นฐานของไทย

Transportability หมายถึงหลักฐานรองรับค่าประมาณผลในประชากรเป้าหมายได้ดีเพียงใด Efficacy กล่าวถึงเงื่อนไขการศึกษาที่ควบคุมไว้ ส่วน effectiveness กล่าวถึงการดูแลตามปกติ แม้ประชากรต่างกันแต่เกี่ยวข้องกัน ก็ยังต้องตรวจความร่วมมือในการรักษา การเข้าถึง การรักษาร่วม และปัจจัยที่เปลี่ยนขนาดผล

เลือกผลสัมพัทธ์จากการสังเคราะห์ที่น่าเชื่อถือและตรงคำถามที่สุด พร้อมเลือกความเสี่ยงพื้นฐานจากข้อมูลไทยที่เหมาะสม ต้องให้นิยามผลลัพธ์และช่วงเวลาตรงกันก่อนนำมารวม ผลสัมพัทธ์อาจนำไปใช้ข้ามบริบทได้ดีกว่าผลสัมบูรณ์ แต่การถือว่าคงที่ระหว่างบริบทยังเป็นสมมติฐาน

เมื่อ RR ใช้กับบริบทนั้นได้ ความเสี่ยงเมื่อรักษาคือ $p_1=p_0 RR$ และ absolute risk reduction คือ $p_0(1-RR)$ ต้องคงความไม่แน่นอนของข้อมูลทั้งสองและความสัมพันธ์ระหว่างกัน ความเสี่ยงจากการทดลองไม่ได้เป็นความเสี่ยงพื้นฐานของไทยเพียงเพราะปรากฏในหลักสูตร

ตรวจเครือข่ายก่อนเชื่ออันดับการรักษา

Network meta-analysis รวมการเปรียบเทียบโดยตรงและโดยอ้อมระหว่างหลายการรักษา Transitivity หมายถึงปัจจัยที่เปลี่ยนขนาดผลเทียบเคียงกันได้พอให้การเปรียบเทียบโดยอ้อมน่าเชื่อถือ ประชากรหรือตัวเปรียบเทียบที่ไม่เข้ากันอาจทำให้สมมติฐานนี้ใช้ไม่ได้ก่อนทดสอบทางสถิติ

Node-splitting เปรียบเทียบหลักฐานโดยตรงกับโดยอ้อมสำหรับคู่เปรียบเทียบเดียวกัน CINeMA เป็นกรอบประเมินความเชื่อมั่นต่อค่าประมาณจากเครือข่าย ควรพิจารณาผลการประเมินเหล่านี้ ผลสัมบูรณ์ และความไม่แน่นอน ก่อนเลือกข้อมูลสำหรับกลยุทธ์ที่แข่งขันกัน

SUCRA สรุปความน่าจะเป็นสะสมของอันดับ อันดับสูงไม่ได้บอกว่าประโยชน์มีความหมายทางคลินิกหรือมีหลักฐานน่าเชื่อถือรองรับหรือไม่ เมื่อสุ่มข้อมูลเข้าแบบจำลองต้องรักษาความสัมพันธ์ระหว่างค่าประมาณในเครือข่ายไว้

ให้ความเชื่อมั่นต่ำเปลี่ยนวิธีวิเคราะห์แบบจำลอง

ความเชื่อมั่นต่ำควรเปลี่ยนวิธีตรวจสอบแบบจำลอง ใช้สถานการณ์สำหรับอคติที่เป็นไปได้ effectiveness ที่ลดลง ความสัมพันธ์จาก surrogate แบบอื่น และความเสี่ยงพื้นฐานที่ต่างกัน อธิบายว่าแต่ละสถานการณ์ตรวจสอบสมมติฐานใดและทำให้กลยุทธ์ที่ควรเลือกเปลี่ยนหรือไม่

Probabilistic sensitivity analysis สุ่มพารามิเตอร์ที่ไม่แน่นอนเพื่อแสดงว่าความไม่แน่นอนที่กำหนดส่งผลต่อการตัดสินใจอย่างไร วิธีนี้ไม่ได้กำจัด confounding หรือ bias การสุ่มในช่วงแคบรอบค่าประมาณที่มีอคติอาจให้ผลที่ดูมั่นใจแต่ชวนให้ตัดสินใจผิด

EVPPI ย่อจาก expected value of partial perfect information คือประโยชน์คาดหมายจากการขจัดความไม่แน่นอนของกลุ่มพารามิเตอร์ที่เลือก ช่วยจัดลำดับการวิจัยภายใต้แบบจำลองและบริบทการตัดสินใจที่กำหนด ไม่ใช่ระดับความเชื่อมั่นและไม่ใช่วิธีแก้อคติที่แบบจำลองละไว้

เมื่อข้อมูลน้อย structured elicitation ใช้กระบวนการที่บันทึกชัดเพื่อรวบรวมการประเมินความน่าจะเป็นจากผู้เชี่ยวชาญ SHELF หรือ Sheffield Elicitation Framework เป็นกรอบสำหรับกระบวนการนี้ ควรบันทึกการเลือกผู้เชี่ยวชาญ หลักฐานร่วม ความเห็นต่าง และการปรับเทียบ การเห็นพ้องกันไม่อาจแทนการตรวจสอบด้วยข้อมูลจริง

ประเมินการรายงาน วิธีของแบบจำลอง และหลักฐานให้ครบ

ใช้รายการตรวจสอบ HITAP 24 ข้อที่อธิบายใน Lecture 4 เพื่อพิจารณาการประเมินทางเศรษฐศาสตร์ CHEERS 2022 ช่วยกำกับการรายงานการประเมินเศรษฐศาสตร์สุขภาพอย่างโปร่งใส การรายงานครบถ้วนเพียงอย่างเดียวไม่ได้ยืนยันคุณภาพระเบียบวิธีหรือรองรับการรวมเป็นคะแนนคุณภาพ

เพิ่มการตัดสิน GRADE รายผลลัพธ์สำหรับข้อมูลประสิทธิผล และบันทึกเส้นทางจากข้อมูลไปสู่ผลของแบบจำลอง ระบุแหล่งพารามิเตอร์ ประชากร ผลลัพธ์ ช่วงเวลา มาตราวัดผล ความไม่แน่นอน และสมมติฐานของแบบจำลอง แบบจำลองเศรษฐศาสตร์ที่รายงานดีอาจยังตั้งอยู่บนหลักฐานทางคลินิกที่อ่อน

Verify: รุ่นของรายการตรวจสอบและหน้าสไลด์หลักสูตรก่อนเผยแพร่ บทความนี้ถอดความจากสรุปหลักสูตรที่ได้รับและไม่ได้ทำซ้ำรายการตรวจสอบ บทความไม่ได้สมมติปีราคาของข้อมูลในพื้นที่หรือเกณฑ์นโยบายปัจจุบัน

อ่านต่อในวิกิ: จากความไวสู่ต้นทุนต่อผู้ป่วยหนึ่งรายที่ตรวจพบ: ค่าทำนายผลบวก ความชุก และเศรษฐศาสตร์ของการคัดกรอง · ต้นไม้การตัดสินใจ แบบจำลองมาร์คอฟ และการวิเคราะห์ความไวเชิงความน่าจะเป็น: แบบจำลองแปลงหลักฐานเป็นการตัดสินใจได้อย่างไร · GRADE Framework: A Systematic Approach to Rating the Quality of Evidence · Systematic Reviews and Meta-Analyses: Foundations of Evidence Synthesis