Нурбаев Серик Долдашевич - д-р биол. наук, профессор, научный консультант, ТОО «Altai Honey».
070803, Восточно-Казахстанская обл., Алтай, ул. Вавилова, 14
Serik D. Nurbaev - Dr. Sci. (Biol.), Professor, Scientific Consultant, Altai Honey LLP.
14, Vavilov str., Altai, 070803, East Kazakhstan reg.
Почешхова Эльвира Аслановна - д-р мед. наук, доцент, заведующий кафедрой биологии и медицинских технологий, КубГМУ Минздрава России; главный научный сотрудник, лаборатория популяционной генетики человека, ФГБНУ «МГНЦ».
350063, Краснодар, ул. М. Седина, 4; 115522, Москва, ул. Москворечье, 1
Elvira A. Pocheshkhova - Dr. Sci. (Med.), Associate Professor, Head of the Department of Biology and Medical Technologies, KSMU; Chief Research Scientist, Laboratory of Human Population Genetics, Research Centre for Medical Genetics.
4, M. Sedina str., Krasnodar, 350063; 1, Moskvorechye str., Moscow, 115522
Алексеенко Георгий Сергеевич - студент лечебного факультета, КубГМУ Минздрава России.
350063, Краснодар, ул. М. Седина, 4
Georgy S. Alekseenko - Student, KSMU.
4, M. Sedina str., Krasnodar, 350063
Мартыненко Максим Николаевич - ассистент кафедры биологии и медицинских технологий, КубГМУ Минздрава России.
350063, Краснодар, ул. М. Седина, 4
Maxim N. Martynenko - Assistant, Department of Biology and Medical Technologies, KSMU.
4, M. Sedina str., Krasnodar, 350063
Сапсай Елена Викторовна - д-р биол. наук, доцент кафедры биологии и медицинских технологий, КубГМУ Минздрава России.
350063, Краснодар, ул. М. Седина, 4
Elena V. Sapsay - Dr. Sci. (Biol.), Associate Professor, Department of Biology and Medical Technologies, KSMU.
4, M. Sedina str., Krasnodar, 350063
Лашевич Полина Дмитриевна - ассистент кафедры биологии и медицинских технологий, КубГМУ Минздрава России.
350063, Краснодар, ул. М. Седина, 4
Polina D. Lashevich - Assistant, Department of Biology and Medical Technologies, KSMU.
4, M. Sedina str., Krasnodar, 350063
Введение. В современной клинической практике интерпретация диагностических данных нередко базируется на субъективном опыте врача, что определяет вариабельность решений и повышает вероятность диагностических ошибок. Императивы доказательной медицины обусловливают необходимость внедрения стандартизированных математических подходов для повышения точности клинических суждений. Байесовский множитель (Bayes Multiplier Factor, BMF) – один из инструментов, который часто используют для принятия решений на основе вероятностного подхода.
Цель: систематизировать методологию применения BMF в деятельности клинициста; на модельных примерах продемонстрировать алгоритмы расчета и обосновать потенциал инструмента для объективизации оценки диагностических тестов.
Материал и методы. Проанализировано шесть клинических сценариев, охватывающих генетическую диагностику, пренатальный скрининг, терапию и инфекционную патологию. Математически BMF определен как отношение правдоподобия, рассчитываемое через чувствительность (Se) и специфичность (Sp): при положительном результате теста – BMF+ = Se/(1−Sp), при отрицательном – BMF– = (1−Se) Sp. Интерпретация силы доказательств осуществлялась согласно верифицированной шкале Джеффриса. Апостериорная вероятность патологии вычислялась по теореме Байеса с использованием априорного риска в качестве базовой предрасположенности.
Результаты. Зарегистрирован широкий диапазон значений BMF: от 0,101 (исключение целиакии) до 950 (верификация малярии). При априорном риске синдрома Дауна 0,5% и BMF = 21,25 апостериорная вероятность составила 9,6%. Для наследственной гиперхолестеринемии при исходных 40% и BMF=90 итоговый риск достиг 97,8%. Отрицательный тест на целиакию (BMF = 0,10) снизил вероятность патологии с 20 до 2,1%. Факт рождения здорового мальчика у носительницы гемофилии (BMF = 0,5) уменьшил риск с 50 до 33,3%.
Заключение. Применение BMF обеспечивает переход от интуитивных суждений к количественной оценке диагностической информации. Значения BMF > 1 свидетельствуют в пользу диагноза, BMF < 1 – против него. Эффективность инструмента модулируется априорной вероятностью: диагностическая ценность теста варьирует в зависимости от исходного риска. Внедрение алгоритма минимизирует когнитивные искажения; для клинического использования рекомендованы онлайн-калькуляторы или номограмма Фагана.
Introduction. In modern clinical practice, the interpretation of diagnostic data is often based on the physician's subjective experience, which determines variability of decisions and increases the likelihood of diagnostic errors. The imperatives of evidence-based medicine necessitate the implementation of standardized mathematical approaches to improve the accuracy of clinical judgments. The Bayesian Multiplier Factor (BMF) is one of the tools frequently used for decision-making based on a probabilistic approach.
Aim: To systematize the methodology for BMF application in clinical practice; to demonstrate calculation algorithms using model examples and substantiate the potential of the tool for objectifying diagnostic test assesment.
Material and methods. Six clinical scenarios were analyzed, covering genetic diagnostics, prenatal screening, therapy, and infectious pathology. Mathematically, BMF was defined as the likelihood ratio, calculated using sensitivity (Se) and specificity (Sp): for a positive test result, BMF– = Se / (1-Sp), for a negative test result, BMF+ = (1-Se)/ Sp. The strength of evidence was interpreted using the verified Jeffreys scale. The posterior probability of pathology was calculated using Bayes' theorem, using the prior risk as the baseline propensity.
Results. A wide range of BMF values was recorded: from 0.101 (ruling out celiac disease) to 950 (verifying malaria). With a prior risk of Down syndrome of 0.5% and a BMF of 21.25, the posterior probability was 9.6%. For familial hypercholesterolemia, with a baseline risk of 40% and a BMF of 90, the resulting risk reached 97.8%. A negative test for celiac disease (BMF of 0.10) reduced the probability of pathology from 20% to 2.1%. The birth of a healthy boy to a hemophilia carrier (BMF of 0.5) reduced the risk from 50% to 33.3%.
Conclusion. The application of BMF ensures a transition from intuitive judgment to the quantitative assessment of diagnostic information. BMF values > 1 support a diagnosis, while BMF values < 1 support it. The effectiveness of the tool is modulated by prior probability: the diagnostic value of a test varies depending on the underlying risk. Implementation of the algorithm minimizes cognitive biases; online calculators or the Fagan nomogram are recommended for clinical use.
The authors declare that there are no conflicts of interest present.