Artikelsamenvatting bij Waarom iedere psycholoog de regel van Bayes moet kennen van Tiemens - 2018

Wat houdt de regel van Bayes in?

De regel van Bayes helpt om te beslissen hoe groot de kans is dat een individu een bepaalde aandoening heeft. Deze kans wordt berekend door rekening te houden met hoe vaak een bepaalde aandoening voorkomt in de populatie waar de individu toebehoort. De prevalentie in de populatie (hoe vaak het voor komt) is dus heel erg belangrijk bij deze regel. Wanneer deze regel niet goed wordt toegepast, is er sprake van overdiagnostiek. Vaak gaat het hier dan om aandoening die niet vaak voorkomen of anders gezegd: om aandoeningen met een lage voorafkans. Hoe vaak overdiagnostiek voorkomt in de praktijk is niet te bepalen, omdat men vaak niet weet dat hij of zij een onjuiste diagnose heeft gekregen. Tegenwoordig is er sprake van overdiagnostiek bij onder andere ADHD en depressie.

Welke stappen worden doorlopen bij beoordeling van een testresultaat?

1. Bepaal tot welke populatie de geteste persoon hoort en in welke setting de test is afgenomen;
2. Bepaal de prevalentie van de aandoening waarop wordt getest voor die populatie en setting;
3. Zoek de sensitiviteit en specificiteit van de test op in de handleiding van de test;
4. Zet de waarden in een stroomdiagram of kruistabel;
5. Bereken de kans op de aanwezigheid van de aandoening bij een positieve testuitslag of de kans op afwezigheid van de aandoening bij een negatieve testuitslag.

Voorbeeld van toepassing

Wanneer men wil bepalen of een cliënt die de huisarts bezoekt, depressie heeft, moet er eerst gekeken worden naar de prevalentie (base-rate of voorafkans). De prevalentie van depressie bij mensen die de huisarts bezoeken is 11%. De kans dat iemand die depressie heeft ook een positieve uitslag heeft op een depressievragenlijst is 83%. Dit heet de specificiteit. De kans dat een patiënt die geen depressie heeft een negatieve uitslag krijgt op een depressievragenlijst is 80%. Dit heet de specificiteit. Dit is dan op basis van de BDI (Beck’s Depression Inventory).

De formule

P(D+|T+)= P(T+|D+) * P(D+)

(P(T+|D+)*P(D+))+(P(T+D-)*P(D-))

P(T+|D+) is de sensitiviteit. In andere woorden: de kans dat een testuitslag positief is, gegeven dat er ook sprake is van een depressie (diagnose). In dit voorbeeld is het 0.83;

P(D+) is de kans op het voorkomen van depressie in de populatie (bezoekers van de huisarts). In dit voorbeeld is het 0.11;

P(T+|D-) is de kans dat een patiënt een positieve testuitslag heeft, maar geen depressie heeft. Dit is de 1-specificiteit. Hier is dit 1-0.8 =0.2;

P(D-) is de kans dat een patiënt in de populatie geen depressie heeft. Dit bereken je door 1-prevalentie te doen. In dit geval is dat 1-0.11 = 0.89.

Dit wordt de achterafkans genoemd. Dus, de kans dat een patiënt een patiënt die vanuit een huisartsenpraktijk wordt doorverwezen en een positieve testuitslag heeft (P(T+)) ook écht een depressie heeft (P(D+)) is 0.34. De kans dat een patiënt een negatieve testuitslag heeft en ook geen diagnose heeft (P(T-)|(D-)) is 0.97. Dit ligt veel hoger en daarom stellen de auteurs van het artikel voor om de BDI eerder te gebruiken om een depressie uit te sluiten in plaats van het te bevestigen.