நோய் வருவதற்கு முன் risk equations ஏன் முக்கியம்
இதய நோய், stroke, அல்லது heart failure episode ஏற்படுவதற்கு முன்பே cardiovascular care-இல் மிக முக்கியமான சில முடிவுகள் எடுக்கப்படுகின்றன. யாருக்கு நோய் உருவாக அதிக வாய்ப்பு உள்ளது, யாருக்கு preventive treatment பயனளிக்கலாம் என்பதை கணிக்க மருத்தவர்கள் risk equations-ஐ பயன்படுத்துகிறார்கள். அதனால் இந்த சமன்பாடுகளின் துல்லியம் ஒரு clinical issue; வெறும் statistics அல்ல.
Nature Medicine இதழில் early-access வடிவில் வெளியான ஒரு புதிய பன்னாட்டு validation study, PREVENT மற்றும் SCORE2 cardiovascular risk equations-ஐ 64 லட்சம் நபர்களில் ஆய்வு செய்கிறது. அளவிலேயே இந்த paper தனித்து தெரிகிறது. இது குறுகிய single-center test அல்ல, local recalibration exercise அல்ல. இரு பரவலாகப் பயன்படும் frameworks-ஐ எடுத்துக்கொண்டு, மிகப் பெரிய மற்றும் புவியியல் ரீதியாக விரிந்த population base-இல் அவை எப்படி செயல்படுகின்றன என்பதை கேட்கிறது.
ஆய்வு எதை மதிப்பீடு செய்கிறது
வழங்கப்பட்ட source text படி, American Heart Association-ன் PREVENT equations, 30 முதல் 79 வயது வரை உள்ள அமெரிக்கப் பெரியவர்களில் total cardiovascular disease, atherosclerotic cardiovascular disease, மற்றும் heart failure risk-ஐ மதிப்பிடுகின்றன. இந்த மதிப்பீடுகள் lipid-lowering மற்றும் blood-pressure-lowering therapy குறித்த முடிவுகளை வழிநடத்துவதற்காக வடிவமைக்கப்பட்டவை. மற்றொரு விதத்தில் சொல்வதானால், PREVENT என்பது மருத்தவர்கள் எப்போது, எவ்வளவு தீவிரமாக தலையிட வேண்டும் என்பதை வடிவமைப்பதற்கான கருவி.
ஆய்வின் தலைப்பு, PREVENT-உடன் இணைத்து SCORE2-யும் மதிப்பிடப்படுவது தெளிவாகக் காட்டுகிறது. preventive cardiology-இல் இந்த இரண்டு கருவிகளும் முக்கியப் பங்கு வகிக்கின்றன, ஏனெனில் risk calculators treatment thresholds, patient conversations, மற்றும் health-system policy-ஐ பாதிக்கின்றன. ஒரு model risk-ஐ அதிகமாக மதிப்பிட்டால் சில நோயாளிகள் தேவையற்ற சிகிச்சை பெறலாம். குறைவாக மதிப்பிட்டால் சிலர் தீவிர நோயைத் தடுக்கக்கூடிய வாய்ப்பை இழக்கலாம்.
அதனால்தான் validation முக்கியம். ஒரு risk equation, அதை உருவாக்கப் பயன்படுத்திய dataset-இல் வலுவாகத் தோன்றலாம்; ஆனால் வேறு health systems, populations, அல்லது disease patterns-இல் அதை பயன்படுத்தும்போது செயல்திறன் சமமாக இருக்காது. பெரிய external validation studies, ஒரு model transportable-ஆக உள்ளதா, அல்லது பரவலான பயன்பாட்டுக்கு முன் recalibration தேவைப்படுகிறதா என்பதைத் தீர்மானிக்க உதவுகின்றன.
