Quyết định lâm sàng định lượng

Quyết định lâm sàng định lượng

Ngày nay, việc các chi phí y khoa ngày càng tăng đòi hỏi người thầy thuốc phải đưa ra các quyết định lâm sàng chính xác và hiệu quả hơn. Các xét nghiệm (XN) có thể giúp việc chẩn đoán chính xác hơn nhưng cũng góp phần làm tăng chi phí y khoa và việc chỉ định sai hay không cần thiết XN sẽ ảnh hưởng đến chất lượng khám chữa bệnh cho bệnh nhân.

 

Mở Đầu
Ngày nay, việc các chi phí y khoa ngày càng tăng đòi hỏi người thầy thuốc phải đưa ra các quyết định lâm sàng chính xác và hiệu quả hơn. Các xét nghiệm (XN) có thể giúp việc chẩn đoán chính xác hơn nhưng cũng góp phần làm tăng chi phí y khoa và việc chỉ định sai hay không cần thiết XN sẽ ảnh hưởng đến chất lượng khám chữa bệnh cho bệnh nhân. Trước khi cho một chỉ định XN, người thầy thuốc nên nhớ đến một nguyên lý cơ bản của Sackett rằng các dữ liệu thu thập được qua thăm khám lâm sàng và hỏi bệnh sử thì quan trọng hơn rất nhiều những thông tin mà các XN mang lại. Hơn nữa, một chẩn đoán “hoàn hảo” sẽ không bao giờ có được cho dù chúng ta sử dụng bao nhiêu XN đi nữa. Vì thế không phải làm càng nhiều XN thì chẩn đoán càng chắc chắn mà trái lại đôi khi chúng làm cho các quyết định của chúng ta trở nên bối rối hơn hay không mang lại lợi ích cho bệnh nhân. Vì thế bài viết này thảo luận những nguyên lý cơ bản về việc lựa chọn và phân tích các XN nhằm đem lại độ chính xác và lợi ích cao nhất cho bệnh nhân thông qua những quyết định lâm sàng mang tính định lượng.
Tính chất của một XN:
Một XN lý tưởng khi nó phân biệt một cách chính xác những người bệnh và không bệnh. Các XN nào càng gần đúng với nguyên lý này sẽ càng có giá trị trong sử dụng lâm sàng. Khi phân tích hay đánh giá một XN, hẳn ai trong chúng ta cũng biết đều về các đặc tính như độ nhạy, độ đặc hiệu, giá trị tiên đoán dương/âm và Likelihood ratio. Bảng sau này trình bày lại các khái niệm của một XN.
 
 
Bệnh
Không bệnh
Tổng cộng
 
 
XN chẩn đoán
(+)
a
TP
b
FP
a+b
PPV= a/(a+b)
        = TP/(TP+FP)
(-)
c
FN
d
TN
c+d
NPV = d/(c+d)
   = TN/(FN+TN)
Tổng cộng
a+c
b+d
 
 
 
Sn=a/(a+c)
     = TP/(TP+FN)
Sp=d/(b+d)   
    =TN/(FP+TN)
 
 
Ghi chú
·    a: TP (True Positive)=Dương tính thật, những người có bệnh và XN dương tính
·    b :FP (False Positive)=Dương tính giả, những người không bệnh nhưng XN dương tính
·    c: FN(False Negative)=Âm tính giả, những người có bệnh nhưng XN âm tính
·    d:TN(True Negative)=Âm tính thật, những người không bệnh và XN âm tính
·    Sn (Sensitivity) = Độ nhạy = tỷ lệ XN dương tính trong số những người có bệnh.
·    Sp (Specificity): độ chuyên hay độ đặc hiệu = Tỷ lệ XN âm tính trong số những người không mắc bệnh.
·    PPV (Positive Predictive Value) =  Tỷ lệ những người bị bệnh trong số những người có kết quả XN dương tính
·    NPV (Negative Predictive Value) = Tỷ lệ những người không bị bệnh trong số những người có kết quả XN âm tính
Độ nhạy và độ đặc hiệu thường có giá trị cố định và được thiết lập từ phòng thí nghiệm và được các công ty sản xuất dụng cụ XN đó cung cấp. Tuy nhiên, 2 đặc tính này ít có giá trị khi áp dụng trong thực tế lâm sàng. Cái chúng ta cần khi thực hành là muốn biết khả năng mắc bệnh của một người là như thế nào nếu người đó làm XN dương tính (giá trị tiên đoán dương-PPV) hay khả năng loại trừ bệnh như thế nào nếu kết quả XN âm tính (giá trị tiên đoán âm-NPV). Tuy nhiên, không như độ nhạy và độ đặc hiệu thường không đổi, PPV và NPV thay đổi khi tần suất bệnh thay đổi. Ví dụ như một bệnh  viện A sử dụng xét nghiệm Test nhanh chẩn đoán HIV với Sn=90% và Sp=90%. Nếu một người phụ nữ có thai và một đối tượng nghiệm xì ke đến làm XN và cả hai đều có kết quả dương tính thì khả năng mắc bệnh của mỗi người sẽ như thế nào? Khi phân tích từng bước chúng ta sẽ thấy xác suất mắc bệnh của 2 đối tượng này sẽ hoàn toàn khác nhau.
 
 
 
(1). Người phụ nữ có thai đến từ cộng đồng có tần suất nhiễm HIV là 5% , với cỡ mẫu 1000 người ta có bảng sau:
 
Có bệnh
Không bệnh
Tổng cộng
 
XN
(+)
45
95
140
PPV=45/140= 32,1%
(-)
5
855
860
NPV=855/860=99,4%
Tổng cộng
50
950
1000
 
 
Sn=45/50=90%
Sp=855/950=90%
 
Prevalence=50/1000=5%
 
Như vậy khi nhận được kết quả XN dương tính thì khả năng bị bệnh thực sự của bệnh nhân trên là 32%
(2). Người nghiện ma túy đến từ cộng đồng có tần suất nhiễm HIV là 30%, với cỡ mẫu 1000 người ta có bảng sau:
 
 
Bệnh
Không bệnh
Tổng cộng
 
XN
(+)
270
70
340
PPV=270/340=79,4%
(-)
30
630
660
NPV=630/660=95,4%
Tổng cộng
300
700
1000
 
 
Sn=270/300=90%
Sp=630/700=90%
 
Prevalence=300/1000=30%
 
Với đối tượng nghiện ma túy này thì khả năng bị bệnh thực sự khi có kết quả XN dương tính là gần 80%.
Khi thay đổi tần suất thì các giá trị tiên đoán cũng thay đổi theo, ta có bảng tóm tắt như sau:
Tần suất (%)
10
20
30
40
50
60
70
80
90
PPV (%)
50
69
80
86
90
93
95
97
99
NPV (%)
99
97
95
93
90
86
79
69
50
 
Xác suất bệnh trước XN (Pretest Probabilities)
Như vậy, một XN cung cấp nhiều thông tin khác nhau khi tần suất bệnh thay đổi. Tuy nhiên trong thực hành lâm sàng, không phải lúc nào chúng ta cũng có được tần suất của một bệnh hay tần suất đó không cung cấp đủ thông tin về khả năng mắc bệnh của bệnh nhân trước khi làm XN. Vì vậy ta có một khái niệm mới đó là xác suất bệnh trước XN (XSTXN). Xác suất này được các bác sĩ dự đoán ở mỗi bệnh nhân cụ thể trước khi cho làm XN.  Để làm được điều này, người BS cần dựa vào tần suất bệnh trong cộng đồng và điều chỉnh thêm dựa vào bệnh sử và khám lâm sàng của bệnh nhân. Ví dụ như một bệnh nhân bị run tay và có nhịp tim nhanh thì có nguy cơ bị cường giáp (80%) cao hơn nguy cơ bị bệnh Wilson (1%) rất nhiều (dựa vào tần suất bệnh), tuy nhiên nếu qua hỏi bệnh sử phát hiện bệnh nhân có anh em trai đã được chẩn đoán bị bệnh Wilson thì khả năng bị bệnh Wilson của bệnh nhân sẽ tăng lên 95%. Để mang tính định lượng, người thầy thuốc nên cho XSTXN của bệnh nhân dưới dạng phần trăm (từ 0% đến 100%) thay vì dùng các từ như “nghi ngờ”, “có thể” hay “nhiều khả năng”. Để giúp các BS lâm sàng xác định XSTXN một vài tác giả đã đưa ra các tính dựa vào triệu chứng lâm sàng. Ví dụ như Billewicz đã đưa ra cách tính XSTXN dựa vào số điểm lâm sàng. Tác giả đã cho mỗi triệu chứng lâm sàng của một bệnh một số điểm, bằng cách cộng tất cả các số điểm mà bệnh nhân có được qua hỏi bệnh sử và thăm khám lâm sàng tác giả tính được XSTXN của bệnh nhân đó. Tuy nhiên phương pháp này có hạn chế ở chỗ bệnh nhân mà chúng ta định áp dụng có thể không giống như bệnh nhân trong nghiên cứu của Billewicz. Để hiểu thêm vai trò của XSTXN trong các quyết định lâm sàng chúng ta sẽ tìm hiểu về các tính chất của một XN.
Độ tin cậy của một XN
Thuật ngữ "Likelihood ratio-LR" (tạm dịch là tỷ số khả dĩ!) được phát triển để mô tả mức độ tin cậy của một XN trong chẩn đoán bệnh. LR được định nghĩa là tỷ lệ giữa khả năng mong đợi kết quả XN (dương tính hay âm tính) ở những người bị bệnh so với khả năng như vậy ở những người không bệnh.
LR(+)= khả năng XN dương ở người có bệnh/ khả năng XN dương ở người không bệnh = (a/a+c) / (b/b+d) = Sn / (1- Sp)
Ví dụ LR(+)=8 nghĩa là khả năng XN dương tính ở những người bị bệnh gấp 8 lần khả năng XN dương tính ở những người không bị bệnh.
LR(-) = khả năng XN âm ở người có bệnh/ khả năng XN âm ở người không bệnh = (c/a+c)/ (d/b+d)= (1- Sn)/ Sp
Ví dụ LR(-)=0.1 Nghĩa là khả năng XN âm tính ở những người bị bệnh chỉ bằng 0.1 lần (1/10 lần) khả năng XN âm tính ở những người không bị bệnh.
Likelihood ratio rất có giá trị trong lâm sàng vì ổn định hơn các giá trị tiên đoán và không thay đổi khi tần suất bệnh hay XSTXN thay đổi. Nó cũng được sử dụng nhiều trong lâm sàng vì nó có thể được xác định trong trường hợp XN cho ra kết quả ở nhiều mức độ khác nhau chứ không chỉ âm tính và dương tính.  Trong trường hợp đó LR được tính theo bảng như sau (giả sử xét nghiệm trả lời kết quả dưới 3 cấp độ).
 
Bệnh
Không bệnh
LR
Kết quả XN
Mức 1
a
b
=[a/(a+c+e)]/[b/(b+d+f)]
Mức 2
c
d
=[c/(a+c+e)]/[d/(b+d+f)]
Mức 3
e
f
=[e/(a+c+e)]/[f/(b+d+f)]
Tổng cộng
a+c+e
b+d+f
 
 
LR được sử dụng nhằm xác định xác suất sau XN từ các xác suất trước XN theo định lý Bayes.
 
Ngưỡng điều trị
 Khi ra quyết định cho một trường hợp lâm sàng, chúng ta có thể gặp các tình huống sau đây:
·   Trì hoãn, không can thiệp gì thêm cho bệnh nhân khi nhận thấy rằng xác suất mắc bệnh của bệnh nhân quá thấp.
·   Điều trị mà không cần phải chờ đợi thông tin gì thêm khi xác xuất mắc bệnh của bệnh nhân đủ để ra quyết định điều trị.
·   Cần phải thu thập thêm thông tin trước khi quyết định điều trị: những thông tin của bệnh nhân không đủ để quyết định điều trị ngay và cũng không đủ để loại trừ ngay. Những trường hợp này phải cho bệnh nhân làm thêm một số XN để giúp chẩn đoán hay loại trừ.
Pauker và Kassier đã mô tả một mô hình sử dụng hai ngưỡng hay hai cột mốc trong việc ra quyết định lâm sàng: (1) Ngưỡng “theo dõi/XN” là tại đó lợi ích của việc để bệnh nhân theo dõi cũng giống như cho bệnh nhân làm XN. (2) Ngưỡng “XN/điều trị” là tại đó lợi ích của việc cho bệnh nhân làm XN để chẩn đoán cũng giống như quyết định cho bệnh nhân điều trị ngay mà không cần đợi kết quả XN. Việc quyết định chỉ để bệnh nhân theo dõi, cho làm XN để chẩn đoán hay quyết định điều trị ngay phụ thuộc vào XSTXN và 2 ngưỡng vừa nêu. Nếu khả năng bị bệnh của bệnh nhân ở dưới ngưỡng “theo dõi/XN” thì quyết định thiết thực nhất là chỉ để theo dõi người bệnh mà không ra chỉ định XN. Nếu khả năng bị bệnh của bệnh nhân cao hơn ngưỡng “XN/điều trị” thì chúng ta nên cho bệnh nhân điều trị ngay lập tức. Còn nếu khả năng bị bệnh của bệnh nhân nằm ở giữa 2 ngưỡng trên thì chúng ta hy vọng kết quả XN sẽ đưa xác suất bệnh sau XN (XSSXN) của bệnh nhân đủ rõ ràng để chúng ta quyết định lâm sàng. Nếu một XN không đủ khả năng làm thay đổi xác suất mắc bệnh của bệnh nhân vượt qua 2 ngưỡng nêu trên thì XN đó không có giá trị và chúng ta không nên chỉ định những XN như vậy.
 
 
 
 
 
Hình 1: Các ngưỡng xét nghiệm và điều trị

Vùng cần làm thêm xét nghiệm để chẩn đoán

 
Vùng chỉ để theo dõi
Vùng quyết định điều trị ngay

 

 

 
 
 
 


Ngưỡng “xét nghiệm/ điều trị”

 
 
100%
Ngưỡng “theo dõi/xét nghiệm”
 
0%
0%

 

 

 
 
 


Ví dụ như trong bệnh suyễn, chúng ta lựa chọn ngưỡng “theo dõi/XN” là 10% và ngưỡng “XN/điều trị” là 80% thì nếu một bệnh nhân có khả năng bị bệnh suyễn qua hỏi bệnh sử và thăm khám lâm sàng (XSTXN) nhỏ hơn 10% thì chúng ta quyết định chỉ để theo dõi thêm và không cần cho bệnh nhân này làm hô hấp ký. Nếu khả năng bị bệnh tiền XN lớn hơn 80% thì chúng ta chúng ta quyết định điều trị ngay cho bệnh nhân mà không cần làm hô hấp ký để chẩn đoán (dĩ nhiên chúng ta cần lưu ý rằng hô hấp ký ngoài mục đích giúp chẩn đoán còn có mục đích hướng dẫn điều trị). Nếu xác suất mắc bệnh tiền XN nằm trong khoảng 10% đến 80%, chúng ta hy vọng kết quả hô hấp ký sẽ giúp ta chẩn đoán được hay loại trừ được bệnh suyễn và chúng ta cho bệnh nhân làm XN đó. Hình 2 và 3 mô tả khả năng thay đổi XS bệnh của một xét nghiệm có lợi và một XN không có lợi cho quyết định lâm sàng.
Hình 2: Thay đổi XS bệnh sau khi có kết quả XN (trường hợp XN mang lại thông tin hữu ích)

XS bệnh khi XN (-)

 
XS bệnh khi XN (+)

 

 

 
 
 


100%

 

0%

 

 

XSTXN

 
 

 

 

 
 


Hình 3: Thay đổi XS bệnh sau khi có kết quả XN (trường hợp XN mang lại thông tin không hữu ích)

XS bệnh khi XN (+)

 
XS bệnh khi XN (-)

 

 

 
 
 


100%

 

0%

 

 

XSTXN

 
 

 

 

 


Việc xác định ngưỡng tùy thuộc vào nhận định của các bác sĩ lâm sàng, đối với một bệnh mà việc điều trị có nhiều nguy cơ như điều trị ung thư thì chúng ta phải xác định ngưỡng “XN/điều trị” ở mức cao để tránh tác hại của điều trị lên bệnh nhân nếu bị chẩn đoán sai. Ngược lại nếu việc điều trị bệnh tương đối đơn giản và ít nguy hại (như bệnh viêm dạ dày chẳng hạn) thì ngưỡng “XN/điều trị” có thể thấp. Tương tự như vậy đối với ngưỡng “theo dõi/XN”, ngưỡng này cao hay thấp tùy thuộc XN có phức tạp, xâm lấn và đắt tiền hay không.
 
Quyết định lâm sàng định lượng:
Trong cách ra quyết định lâm sàng mang tính định lượng, chúng ta đi theo trình tự sau: Khi cần chẩn đoán một bệnh nào đó cho bệnh nhân, đầu tiên chúng ta xác định XSTXN của bệnh nhân theo cách đã trình bày ở phần trên, tiếp theo ta dùng LR của XN mà chúng ta cho bệnh nhân làm để tính toán XSSXN cho bệnh nhân theo phân tích Bayes, cuối cùng là ra quyết định cho bệnh nhân tùy theo XSSXT nằm ở vùng nào giữa các ngưỡng vừa nêu.
 Để chuyển đổi XSTXN thành XSSXN thông qua LR, ta có 2 cách thực hiện

Hình 4:Toán đồ chuyển đổi XSTXN thành XSSXN dựa vào LR

 

(1). Sử dụng toán đồ như hình 4. Đánh dấu 1 điểm chỉ XSTXN bên trục Pretest Probability và 1 điểm chỉ LR ở trục Likelihood Ratio sau đó nối 2 điểm đó lại với nhau sẽ cắt trục Posttest Probability tại 1 điểm đó chính là XSSXN.

 

(2). Sử dụng công thức tính toán theo các bước sau.
- Xác định odds là tỷ lệ giữa khả năng bị bệnh và khả năng không bị bệnh theo công thức:
 odds=propability/(1-probability)
Ví dụ như khả năng bị bệnh là 20% thì khả năng không bị bệnh sẽ là 100-20=80%, khi đó odds = 20%/80%=1/4
-Tính odds trước XN (Pretest odds), ví dụ XSTXN là 20%=> Pretest odds=1/4
- Tính Odds sau XN: Posttest odds = Pretest odds x LR.
Ví dụ LR (+)=8 => Posttest odds=1/4 x 8=8/4=2/1
- Đổi posttest odds ra posttest probability (XSSXN) theo công thức probability = odds/(1+odds)
            XSSXN=2/(1+2)=66,7%
Như vậy nếu XSTXN là 20% và ta sử dụng một XN có LR (+)=8 thì XSSXN là 66,7%.
Tuỳ thuộc vào LR của các XN mà sự thay đổi từ XSTXN sang XSSXN nhiếu hay ít.
            LR>10 hoặc <0.1: thay đổi đáng kể
            LR từ 5-10 hoặc 0.1-0.2: thay đổi trung bình
            LR từ 2-5 hoặc 0.2-0.5: thay đổi ít
            LR từ 1-2 hoặc 0.5-1: thay đổi không đáng kể
Sau khi tính toán XSSXN của bệnh nhân nếu sử dụng xét nghiệm đó, chúng ta so sánh với các ngưỡng đã mô tả và quyết định có nên cho bệnh nhân làm XN đó hay không. Nếu chúng ta quyết định cho bệnh nhân làm XN đó thì căn cứ vào kết quả XN chúng ta sẽ trả lời được cho bệnh nhân biết rằng với những dữ liệu thu thập được, khả năng mắc bệnh của ông/bà ấy là x% và chúng ta quyết định điều trị hay chỉ để theo dõi bệnh lý của ông/bà đó. Đây là một quyết định lâm sàng mang tính định lượng.
Ưu điểm của LR so với các giá trị dự đoán trong việc xác định XSSXN
Như đã nói ở phần trên, trong các XN mà kết quả là những số liên tục hay theo thang điểm thì việc sử dụng độ nhạy và độ đặc hiệu để tính giá trị tiên đoán không cung cấp thông tin đầy đủ bằng LR. Lý do là muốn tính độ nhạy và độ đặc hiệu thì chúng ta phải chia kết quả XN làm 2 nhóm (dương tính và âm tính) và trong cùng một nhóm chúng ta coi mọi đối tượng là như nhau. Ngược lại LR có thể được tính ở nhiều cấp độ khác nhau của kết quả XN. Ví dụ như khi dùng chỉ số bạch cầu máu để chỉ điểm tình trạng nhiễm trùng huyết ở bệnh nhi, nếu lấy điểm cắt là BC=15000/mm3 khi đó chúng ta đồng nhất khả năng bị bệnh của trẻ có BC 16.000 giống như trẻ có BC 36.000. Điều này dĩ nhiên là không chính xác bằng trả lời kết quả bằng nhiếu cấp độ. Thử xem xét 1 ví dụ như sau:
 
Một đứa trẻ đến khám vì bị sốt 39,50C trong 2 ngày và không có dấu hiệu gì khác. Bạn nghi ngờ bé bị nhiễm trùng huyết tìm ẩn với xác suất là 4% (dựa vào tần suất bệnh) và cho bệnh nhân làm XN máu, kết quả CTM với BC=36000/mm3. Để xác định XSSXN cho bệnh nhân bạn search tài liệu và có kết quả như sau:

Bảng 2: LR

 

Bảng 1: Sn và Sp

 

 

 

White Blood Cell Count for Bacteremia in Young Children: Sensitivity and Specificity

 
White blood cell count
BACTEREMIA
 
 
Yes
 No
 
³15,000
55
 275
 
<15,000
5
177
Total
 60
452
Sensitivity = 55/60 = 91%
Specificity = 177/452 = 39%
Data adapted from Bass JW, Steele RW, Wittler RR, et al. Antimicrobial treatment of occult bacteremia: a multicenter cooperative study. Pediatr Infect Dis J 1993;12:466-73.
 

White Blood Cell Count for Bacteremia in Young Children: Likelihood Ratios
WBC count in thousands
Bacteremia
(n = 60)
# (%)
 No Bacteremia
(n = 452)
# (%)
Likelihood
 
<5
 0 (0)
12 (3)
0
5–9.9
0 (0)
87 (19)
0
10–14.9
5 (8)
78 (17)
.5
15–19.9
16 (27)
166 (37)
.7
20–24.9
21 (35)
69 (15)
2.3
25–29.9
9 (15)
28 (6)
2.5
30–34.9
4 (7)
9 (2)
3.5
35–39.9
2 (3)
2 (.4)
7.5
>40
3 (5)
1 (.2)
25.0
Data adapted from Bass JW, Steele RW, Wittler RR, et al. Antimicrobial treatment of occult bacteremia: a multicenter cooperative study. Pediatr Infect Dis J 1993;12:466-73.
 

 

 


 
 
 
 
 
 
 
 
 
 
 
 
 
 
Nếu dựa vào độ nhạy và độ đặc hiệu của CTM là Sn=91%, Sp=39% (với điểm cắt là BC=15.000; bảng 1) trong việc tiên đoán bệnh nhiễm trùng huyết thì tính ra PPV là 6%, nếu sử dụng LR (+) dựa trên Sn và Sp như vậy thì kết quả cũng cho ra tương tự [ LR(+)= Sn/(1-Sp)=0.91/(1-0.39) = 1.5. Pretest odds=0.04/0.96=0.042. Posttest odds=0.042 x 1.5=0.063. XSSXN=0.063/(0.063+1)=0.06=6%]. Như vậy nếu XN CTM có BC>15.000/mm3 thì xác suất mắc bệnh của bệnh nhân là 6%.
Nếu dựa vào bảng 2 với XN có nhiều mức độ kết quả khác nhau thì ở mỗi mức độ ta đều tính được LR. Khi đó nếu bệnh nhân có kết quả BC=36.000 (thuộc khoảng 35-39.9K/mm3) thì LR=7.5è tính ra XSSXN =24%. Nhiễm trùng huyết là một bệnh nguy hiểm nhưng có thể chữa được nếu can thiệp sớm. Nếu xác suất bệnh là 24% thì ta sẽ dễ dàng cho bệnh nhân điều trị, tuy nhiên, quyết định đó sẽ khó khăn nếu xác suất chỉ ở mức 6%. Rõ ràng trong trường hợp này sử dụng LR cung cấp thông tin chính xác hơn là sử dụng các giá trị tiên đoán.
            Lý thuyết Bayes thể hiện một quan điểm rất được các BS lâm sàng ủng hộ đó là “Các thông tin chỉ có ý nghĩa trong mỗi hoàn cảnh cụ thể”, do vậy các BS lâm sàng không bao giờ chẩn đoán bệnh nhân chỉ qua các XN mà phải phân tích các XN đó trong mỗi bệnh cảnh cụ thể tức là phải biết XSTXN của bệnh nhân. Về mặt thực hành, các BS chỉ nên cho chỉ định XN khi nhận thấy rằng kết quả XN (dương tính hay âm tính) sẽ giúp mình thay đổi các quyết định lâm sàng. Nếu XN nào mà qua phân tích thấy LR không đủ mạnh để đưa XSSXN ra khoảng ngoài 2 ngưỡng vừa nêu trên thì không nên ra chỉ định XN đó.
 
Tài liệu tham khảo
1.        Sackett DL, Haynes RB, Guyatt GH, Tugwell P. Clinical epidemiology: a basic science for clinical medicine. 2nd edition. Boston: Little, Brown, 1991.
2.        Kassirer JP. Our stubborn quest for diagnostic certainty: a cause of excessive testing. N Engl J Med 1989;320:1489-1491.
3.        Herbers JE, Noel GL. Diagnostic tests and clinical decisions. Diagn Endocrinol 1992;1-15.
4.        Pauker SG, Kassirer JP. The threshold approach to clinical decision making. N Engl J Med 1980;302:1109-1117.
5.        Pauker SG, Kassirer JP. Therapeutic decision making: a cost-benefit analysis. N Engl J Med 1975;293:229-234.
6.        Billewicz WZ, Chapman RS, Crooks J, Day ME, Gossage J, Wayne E, et al. Statistical methods applied to the diagnosis of hypothyroidism. Q J Med 1969;38:255-266.
7.        Johnson BJB, Robbins KE, Bailey RE, Cao BL, Sviat SL, Craven RB, et al. Serodiagnosis of Lyme disease: accuracy of a two-step approach using a flagella-based ELISA and immunoblotting. J Infect Dis 1996;174:346-353.
8.        Pagan TJ. Normogram for Bayes's theorem. N Eng J Med 1975;293:257.