Early Cardiac Testing after Emergency-Department ECG: An Observational Target-Trial Emulation

في غرف الطوارئ حول العالم، يواجه الأطباء لغزاً مستمراً وعالي المخاطر: تحديد أي المرضى الذين يعانون من آلام في الصدر يصابون بنوبة قلبية وأيهم لا يصاب بها. ولحل هذه المعضلة، يعتمدون على أدوات مثل تخطيط كهرباء القلب، الذي يسجل النشاط الكهربائي للقلب، وفحوصات الدم التي تكتشف بروتينات محددة تُفرز عند تضرر عضلة القلب. وبناءً على هذه القرائن الأولية، يقرر الأطباء ما إذا كان المريض يحتاج إلى مزيد من الاختبارات الأكثر توغلاً، مثل اختبار الجهد أو عملية القسطرة للنظر داخل الشرايين. إن عملية اتخاذ القرار هذه ليست عشوائية؛ فالأطباء يختارون بطبيعتهم فحص المرضى الذين يبدون أكثر مرضاً أو خطورة. وهذا يخلق وضعاً شائكاً للباحثين الذين يحاولون فهم القيمة الحقيقية لهذه الاختبارات. فإذا قمت ببساطة بمقارنة النتائج الصحية للمرضى الذين خضعوا للاختبار مقابل أولئك الذين لم يخضعوا له، فستكون النتائج مضللة. ستبدو المجموعة التي خضعت للاختبار أسوأ حالاً، ليس لأن الاختبارات أضرتهم، بل لأنهم كانوا بالفعل الأكثر مرضاً في الغرفة منذ البالب. هذه الظاهرة، حيث يختلط السبب بالعلاج نفسه، تجعل من الصعب للغاية معرفة ما إذا كان التدخل الطبي يساعد حقاً أم يضر.

ولإزالة هذا الارتباك، أجرى باحث يُدعى بيورن-يوستين سينغستاد دراسة أعادت تصور كيفية نظرنا إلى البيانات الطبية الواقعية. فبدلاً من محاولة إثبات أن اختبارات القلب تسبب نتائج أفضل أو أسوأ، طرحت الدراسة سؤالاً أكثر تحديداً: إذا كان بإمكاننا سحرياً مقارنة المرضى الذين خضعوا للاختبار خلال عشرة أيام من زيارة الطوارئ مقابل أولئك الذين لم يخضعوا له، مع مراعاة مدى شدة مرضهم في البداية بدقة، فما هو الفرق في حالتهم الصحية؟ استخدم الباحث طريقة تسمى "محاكاة التجارب المستهدفة" (target-trial emulation)، وهي طريقة لتصميم دراسة رصدية تحاكي هيكل تجربة عشوائية مثالية. ومن خلال ربط البيانات من أكثر من 71,000 زيارة لغرف الطوارئ في مستشفى رئيسي بين عامي 2010 و2015، ركزت الدراسة على 51,158 حالة كان للمرضى فيها تخطيط لكهرباء القلب وسجلات طبية مرتبطة به. وكان الهدف هو قياس خطر حدوث نتيجة سيئة - والتي عُرِّفت بأنها إما نتيجة إيجابية لفحص بروتين القلب أو الوفاة في غضون ثلاثين يوماً - من خلال مقارنة أولئك الذين خضعوا لاختبارات الإجهاد أو القسطرة خلال عشرة أيام بأولئك الذين لم يخضعوا لها.

أظهرت النظرة الأولية للبيانات فرقاً صارخاً ومتوقعاً. فقد سجل المرضى الذين خضعوا لاختبارات القلب معدلاً أعلى بكثير من النتائج السيئة، حيث عانى ما يقرب من 29 بالمائة منهم من نتيجة إيجابية أو وفاة، مقارنة بـ 7 بالمائة فقط من أولئك الذين لم يخضعوا للاختبار. هذه الفجوة البالغة 22 نقطة مئوية هي بالضبط ما يتوقعه المرء عندما يتم اختيار المرضى الأكثر مرضاً لإجراء الاختبار. ومع ذلك، تعمقت الدراسة في أكثر من هذه المقارنة السطحية. فباستخدام تقنيات إحصائية متقدمة تعمل كمرشح (فلتر) متطور، قام الباحث بتعديل العشرات من العوامل، بما في ذلك العمر، والجنس، والعرق، والأنماط المحددة الظاهرة في تخطيط كهرباء القلب الأولي للمرضى. صُممت هذه التعديلات لتهيئة ساحة متكافئة، مما يخلق مقارنة عادلة بين المجموعتين كما لو أنهما بدأتا بنفس مستوى الخطر.

وبعد تطبيق هذه التعديلات، تقلصت الفجوة الهائلة في النتائج بشكل كبير. فقد انخفض فرق الخطر من 22 نقطة مئوية إلى حوالي 6 نقاط مئوية فقط. وهذا يعني أنه حتى بعد مراعاة حقيقة أن المرضى الذين خضعوا للاختبار كانوا أكثر مرضاً، ظل هناك فرق صغير وإيجابي في الخطر يميل لصالح المجموعة التي لم تخضع للاختبار، مما يشير إلى أن استراتيجية الاختبار نفسها قد تكون مرتبطة بنتائج أسوأ قليلاً. ومع ذلك، لم تتوقف الدراسة عند هذا الحد، لأن الباحث كان يعلم أن الطريقة التي نُظمت بها البيانات قد لا تزال تخفي مشا-كل خفية. إحدى المشكلات الرئيسية هي ما يسمى "تحيز الوقت الخالد" (immortal time bias)، والذي يحدث عندما يتطلب تعريف مجموعة ما بقاء المريض على قيد الحياة لفترة كافية ليتم تصنيفه ضمنها. في هذه الدراسة، كان على المريض البقاء في المستشفى أو البقاء على قيد الحياة لمدة تصل إلى عشرة أيام ليُحتسب ضمن مجموعة "الاختبار". فإذا توفي المريض في اليوم الثاني، فلن يمكن إدراجه في مجموعة الاختبار، مما يجعل مجموعة الاختبار تبدو أكثر صحة بشكل مصطنع في الأيام الأولى.

ولاختبار مدى تأثير مسألة التوقيت هذه، قام الباحث بتغيير قواعد اللعبة. فعندما تم تقليص النافذة الزمنية لتعريف "الاختبار" من عشرة أيام إلى يوم واحد فقط، انهارت الفجوة في تقدير الخطر تماماً لتصل إلى الصفر تقريباً. ويشير هذا إلى أن فرق الخطر الصغير الذي لوحظ في نافذة العشرة أيام قد لا يكون تأثيراً حقيقياً للاختبار، بل هو مجرد نتاج لطريقة تعريف المجموعات بمرور الوقت. علاوة على ذلك، فحصت الدراسة معلومة محددة: ما إذا كان قد تم تشخيص المريض بنوبة قلبية في نفس يوم زيارته. ظهر هذا التشخيص في 43 بالمائة من المرضى الذين خضعوا للاختبار ولكن في صفر بالمائة من المرضى الذين لم يخضعوا له. وعندما أزال الباحث هذه المعلومة المحددة من التحليل، تضاعف فرق الخطر المقدر تقريباً، حيث قفز من حوالي 6 نقاط مئوية إلى 11 نقطة مئوية. تسلط هذه النتيجة الضوء على مدى هشاشة النتائج عندما تتعامل مع بيانات يكون فيها توقيت التشخيص والقرار بالاختبار متشابكين بعمق.

كما حسبت الدراسة قيمة لقياس مدى قوة العامل غير المقاس الذي قد يفسر النتائج بالكامل. وجاء الرقم 2.66، مما يعني أنه إذا كان هناك عامل خفي، مثل شدة أعراض المريض التي لا يستطيع الأطباء تسجيلها، وكان هذا العامل أكثر احتمالاً بمرتين من أن يسبب كلاً من الاختبار والنتائج السيئة، فإنه يمكنه محو الفرق الصغير الذي وجد في التحليل. وبالنظر إلى أن الأطباء يتخذون قرارات الاختبار بناءً على إشارات سريرية دقيقة غالباً لا تُسجل في قواعد البيانات، فإن وجود عامل خفي كهذا أمر وارد تماماً. وخلص الباحث إلى أنه بينما نجحت الأساليب الإحصائية في تقليل التحيز الواضح الناتج عن اختيار المرضى الأكثر مرضاً للاختبار، إلا أنها لم تستطع القضاء على عدم اليقين الناتج عن المعلومات المفقودة والتعقيد الزمني للقرارات الطبية في العالم الحقيقي.

في النهاية، يعد هذا العمل نموذجاً قوياً يوضح حدود البيانات الرصدية. فهو يظهر أنه حتى مع استخدام أكثر الأدوات الرياضية تطوراً وأفضل السجلات المتاحة، لا يمكننا محاكاة اليقين الذي توفره التجربة المنضبطة عندما تأتي البيانات من الواقع الفوضوي لطب الطوارئ. لم تثبت الدراسة أن اختبارات القلب ضارة، ولم تثبت أيضاً أنها عديمة الفائدة. بدلاً من ذلك، كشفت أن الاختلافات الصغيرة التي تظهر في البيانات حساسة للغاية لكيفية طرح السؤال ولأي قطع من المعلومات يتم تضمينها. الدرس المستفاد هو درس في الحذر: فبينما يمكن للطرق الحديثة أن تساعدنا في الرؤية من خلال ضباب العوامل المربكة، إلا أنها لا تستطيع إزالة ظلال الأحكام السريرية غير المسجلة أو التوقيت المعقد للقرارات المصيرية بين الحياة والموت. وتشير النتائج إلى أن الارتباط الظاهري بين الاختبار والنتائج السيئة هو على الأرجح انعكاس لشدة حالة المرضى وتعقيدات البيانات، وليس علاقة سبب ونتيجة بسيطة يمكن إصلاحها بسهل عبر تعديل بعض الأرقام.