Από Marie Johnston και Derek Johnston, University of Aberdeen, Scotland
Οι ιατροί συχνά θέλουν να απαντήσουν σε ένα πρόβλημα που αφορά ένα άτομο, μια ομάδα φροντιστών, ένα νοσοκομείο ή μια περιοχή κλπ. Για παράδειγμα, μπορεί να είναι σημαντικό να γνωρίζουμε πόσο συχνά ένας παχύσαρκος τρώει σνακ, πότε και όπου τρώει και αν το άγχος το προκαλεί. Ή ίσως θελήσετε να μάθετε πόσο συχνά τα μέλη της ομάδας φροντιστών παραλείπουν την υγιεινή των χεριών, αν είναι χειρότερα όταν είναι υποστελεχωμένη και αν ανακοινώσεις στον θάλαμο έχει επίδραση. Ή μπορείτε να διερευνήσετε πηγές κλινικών σφαλμάτων για να ελέγξετε εάν είναι πιο συνηθισμένες σε μερικούς θαλάμους ή σε ορισμένες βαθμίδες προσωπικού. Ή, σε επίπεδο πολιτικής, μπορεί να είναι πολύτιμο να διερευνηθεί εάν ένας νέος κανονισμός, όπως η απαγόρευση του καπνίσματος σε δημόσιους χώρους, έχει επηρεάσει τα ποσοστά του καπνίσματος.
Μπορεί να προσπαθήσετε να απαντήσετε σε αυτές τις ερωτήσεις ρωτώντας τους ανθρώπους τι σκέφτονται ή θυμούνται, αλλά θα ήταν καλύτερο να ρωτήσετε ή να παρατηρήσετε για να αποφύγετε προβλήματα προκατάληψης και μνήμης. Οι πρόσφατες τεχνολογικές εξελίξεις, όπως η ψηφιακή παρακολούθηση μέσω κινητών τηλεφώνων, διευκολύνουν την παρακολούθηση του πραγματικού χρόνου και μια μελέτη n-of-1 θα σας επιτρέψει να απαντήσετε στην ερώτησή σας.
Οι μελέτες N-of-1 είναι δυνατές όταν το πρόβλημα μπορεί να εκτιμηθεί επανειλημμένα για να εξετάσει την αλλαγή με την πάροδο του χρόνου. Στη συνέχεια, μπορεί κανείς να περιγράψει το πρόβλημα και να εξετάσει εάν είναι καλύτερο ή χειρότερο κάτω από κάποιες συνθήκες. Ή κάποιος μπορεί να εισαγάγει μια νέα παρέμβαση ή θεραπεία και να αξιολογήσει εάν έχει το προτεινόμενο αποτέλεσμα.
Η απλούστερη αξιολόγηση των δεδομένων που συλλέγονται είναι η παρατήρηση των τάσεων σε ένα γράφημα όπως στις παρακάτω εικόνες. Αυτό είναι ένα ουσιαστικό βήμα σε οποιαδήποτε ανάλυση n-of-1 και μπορεί να είναι αρκετό. Επιπλέον, υπάρχουν μέθοδοι στατιστικής ανάλυσης για n-of-1 μελέτες. Πιο σύνθετες μέθοδοι συνεχίζουν να αναπτύσσονται (π.χ., μέθοδοι αξιολόγησης της δυναμικής αλλαγής).
Χρησιμοποιώντας μελέτες n-of-1 για αξιολόγηση ενός προβλήματος
Μπορεί να διεξαχθεί μελέτη για να εκτιμηθεί η σοβαρότητα ή η συχνότητα ή η διακύμανση ενός προβλήματος με την πάροδο του χρόνου. Στο σχήμα 1, οι αξιολογήσεις άγχους μεταβάλλονται με την πάροδο του χρόνου, αλλά είναι δυνατό να ανιχνευθεί μια διακύμανση. Όταν καταγράφεται επίσης η προσήλωση εν ώρα εργασίας, η διακύμανση δείχνει μια διαφορά μεταξύ των Σαββατοκύριακων και των πέντε εργάσιμων ημερών και μπορεί να υποδεικνύει ότι το άτομο είναι ανήσυχο στην εργασία αλλά όχι στο σπίτι. Τέτοιες πληροφορίες θα μπορούσαν να αποδειχθούν χρήσιμες στην επιλογή της βέλτιστης μεθόδου θεραπείας για τον ασθενή. Για παράδειγμα, η παρακολούθησης της διάθεσης ανά ώρα της ημέρας σε μια γυναίκα που πεθαίνει έδειξε διακυμάνσης που χρησιμοποιήθηκαν για να βελτιώσουν την κατάθλιψη.
Οι πληροφορίες που συλλέγονται σε αυτές τις μελέτες n-of-1 μπορεί να υπερβαίνουν την περιγραφή του προβλήματος και να βοηθήσουν στην εξήγηση του τι παρατηρείται. Σε ορισμένες περιπτώσεις ο ιατρός μπορεί να έχει μια θεωρία για το τι επηρεάζει το παρατηρούμενο πρόβλημα και μπορεί να είναι δυνατόν να δοκιμάσει πόσο καλά η θεωρία εξηγεί τα παρατηρούμενα φαινόμενα. Στην περίπτωση της γυναίκας που πεθαίνει, η παρακολούθηση των σκέψεων και των δραστηριοτήτων της επιβεβαίωσε τη θεωρία ότι η διάθεσή της επηρεάστηκε από σκέψεις και οι κρίσιμες σκέψεις συνδέονταν με τις δραστηριότητες του πρωινού.
Σχήμα 1: Χρησιμοποιώντας τη μελέτη N-of-1 για να περιγράψετε ένα πρόβλημα: δείχνει τις αξιολογήσεις άγχους σε μπλε και εργάσιμες ημέρες σε κόκκινο για 24 ημέρες
Χρησιμοποιώντας μελέτες n-of-1 για να αξιολογήσετε εάν ένα συμβάν ή ένα περιστατικό έχει βελτιώσει ή επιδεινώσει το πρόβλημα
Τα προβλήματα μπορεί να βελτιωθούν ή να επιδεινωθούν από την εμφάνιση φυσικών ή προγραμματισμένων γεγονότων, όπως ο θάνατος ή ο γάμος της οικογένειας, η μετάδοση πληροφοριών υγείας, το κλείσιμο εργοστασίων ή ακόμα και ο καιρός. Στην υποθετική απεικόνιση του σχήματος 2, οι διαβουλεύσεις σχετικά με μια ιατρική κατάσταση (όπως η γρίπη) αυξήθηκαν πολύ την εβδομάδα μετά από μια τηλεοπτική εκπομπή στο θέμα, γεγονός που υποδηλώνει ότι η αύξηση αυτή δεν οφειλόταν σε επικείμενη επιδημία και ότι στο μέλλον οι υπηρεσίες υγείας ενδέχεται να προβλέψουν τέτοιες αυξήσεις στις διαβουλεύσεις όταν ιατρικά θέματα γίνονται πρωτοσέλιδα. Μια ανάλυση n-1 επεισοδίων στο νοσοκομείο στην Αγγλία, έδειξε την επίδραση ενός αθλητικού γεγονότος – υπήρξε αύξηση στις εισαγωγές νοσοκομείων για καρδιακά συμβάντα που σχετίζονται με σημαντικό αγώνα ποδοσφαίρου κατά τη διάρκεια του παγκόσμιου κυπέλλου 1998.
Σχήμα 2: Χρησιμοποιώντας μελέτες n-1 για την εκτίμηση της επίδρασης ενός συμβάντος: υπάρχουν περίπου 40 διαβουλεύσεις την ημέρα σχετικά με τη γρίπη, έως ότου η τηλεοπτική εκπομπή (που φαίνεται από το μπλε βέλος) φαίνεται να προκαλεί αύξηση των ποσοστών διαβούλευσης
Χρησιμοποιώντας n-of-1 μελέτες για να αξιολογηθεί εάν μια παρέμβαση ή θεραπεία έχει το επιθυμητό αποτέλεσμα
Οι μέθοδοι N-of-1 μπορούν να χρησιμοποιηθούν στην ανάπτυξη νέων παρεμβάσεων, συμπεριλαμβανομένων κλινικών και πολιτικών παρεμβάσεων. Στο υποθετικό παράδειγμα στο σχήμα 3, ένας παχύσαρκος ασθενής τρώει σνακ περίπου 7 φορές την ημέρα. Μετά από την παρέμβαση που υποδεικνύεται από το κόκκινο βέλος (ενδεχομένως αυτο-παρακολούθηση του σνακ), η κατανάλωση σνακ μειώνεται γρήγορα έως 2 φορές την ημέρα.
Παρόμοιες μέθοδοι μπορούν να χρησιμοποιηθούν για να μελετήσουν τα επίπεδα καπνίσματος ενός έθνους και να αξιολογήσουν τον αντίκτυπο αλλαγών πολιτικής όπως η απαγόρευση του καπνίσματος σε δημόσιους χώρους, π.χ. πώς επηρεάζει η εθνική πολιτική το κάπνισμα.
Ένα καλό παράδειγμα της πρακτικής χρήσης των μεθόδων N-of-1 για την αξιολόγηση της επίδρασης μιας παρέμβασης αναφέρθηκε από τους ιατρούς σε μια νοσοκομειακή περιοχή. Εκτίμησαν το πρόβλημα της καθυστέρησης στην αναφορά ανεπιθύμητων συμβάντων για την περίοδο 2001-2006 και διαπίστωσαν ότι, ενώ η καθυστέρηση ήταν διαφορετική, ήταν προβληματική για το πρόγραμμα ασφάλειας των ασθενών και δεν παρουσίαζαν σημεία βελτίωσης με την πάροδο του χρόνου. Το 2007 και το 2008 εισήχθη ένα πρόγραμμα για την αναγνώριση καλών επιδόσεων το οποίο οδήγησε στη μείωση των καθυστερήσεων για τα επόμενα έτη και δείχνει πώς αυτή η αναγνώριση βελτίωσε την έγκαιρη υποβολή εκθέσεων.
Σχήμα 3: Χρήση μελετών n-of-1 για την εκτίμηση της επίδρασης της παρέμβασης: οι πρώτες 15 ημέρες δείχνουν ότι η συχνότητα του αυτοελέγχου σχετικά με τα σνακ που αρχίζει την 16η ημέρα (που φαίνεται από το κόκκινο βέλος) οδηγεί σε μειωμένη της κατανάλωσης σνακ
Προκλήσεις
Η συλλογή δεδομένων μπορεί να είναι δύσκολη. Οι συχνές επαναλαμβανόμενες μετρήσεις μπορεί να είναι επαχθείς και μπορεί να έχουν ως αποτέλεσμα την συχνή έλλειψη δεδομένων. Οι τρέχουσες ταχείες εξελίξεις όσον αφορά προσιτές ψηφιακές και κινητές τεχνολογίες, συμπεριλαμβανομένων των smartphones, των φορητών συσκευών και των αισθητήρων, καθιστούν τη συλλογή δεδομένων ευκολότερη και πιο αξιόπιστη
Πρακτικές συστάσεις
- Χρησιμοποιήστε μια μελέτη n-of-1 σε πρακτικές καταστάσεις
– για να περιγράψετε και να αξιολογήσετε ένα πρόβλημα,
– για να αξιολογήσετε τα αποτελέσματα μιας παρέμβασης ή ενός γεγονότος.
- Αξιολογήστε ένα πρόβλημα ή κάτι σημαντικό που μπορεί να αξιολογηθεί επανειλημμένα με την πάροδο του χρόνου.
- Ερμηνεύστε τα δεδομένα χρησιμοποιώντας περιγραφικές μεθόδους όπως γραφήματα ή χρησιμοποιώντας στατιστικές μεθόδους.
- Υπάρχουν διαθέσιμες δωρεάν εφαρμογές smartphone για τη συλλογή δεδομένων αυτοαναφοράς.
Μετάφραση από Άγγελος Κασσιανός
