Artikel 1: Waarom iedere psycholoog de regel van Bayes moet kennen.
Je hoeft de formule niet uit je hoofd te kennen, wel goed snappen wat de regel van Bayes inhoudt en
waarom deze regel van belang is.
Ook al denken veel behandelaren in de praktijk dat het niet veel met hen te maken heeft, heeft de
regel van Bayes juist alles met de praktijk te maken. Door deze regel te negeren kan je als clinicus
volledig de plank mis slaan, en het kan met name leiden tot overdiagnostiek.
- Sensitiviteit; Als een patiënt een depressie heeft, is de kans dat die patiënt positief scoort op
deze depressielijst 83% (sensitiviteit).
- Specificiteit; Bij een patiënt die geen depressie heeft, is de kans om negatief op de lijst te
scoren 80% (specificiteit).
- Prevalentie; Bij hoeveel personen in de populatie de aandoening voorkomt.
Doordat overdiagnostiek zelden wordt opgemerkt en geen ernstige gevolgen heeft zoals bij
onderdiagnostiek (dood bij het missen van een kankerdiagnose), zijn zorgprofessionals daarom
banger om een aandoening te missen dan dat zij vrezen voor overdiagnostiek.
De regel van Bayes; helpt ons om de kans op een aandoening te bepalen bij een individu;
- gegeven de prevalentie van die aandoening in de populatie waar dat individu deel van
uitmaakt,
- de uitkomst op een test van het individu,
- en de psychometrische kenmerken van die test.
De populatie is essentieel in de regel van Bayes, maar juist die wordt vaak vergeten. Als een
aandoening namelijk weinig voorkomt in een populatie (lage prevalentie), dan zal een positieve
testuitslag weliswaar uitwijzen dat bij het geteste individu sprake is van een verhoogde kans op de
aandoening, - hoger dan voor de testafname -, maar die kans is gezien de populatie dan toch nog
steeds heel laag. Met andere woorden: dezelfde testuitslag in verschillende populaties geeft een
andere kans op de geteste aandoening. Dit is intuïtief lastig te begrijpen, zelfs als je bekend bent
met de regel van Bayes.
- Denk bijvoorbeeld aan het testen op een tropische ziekte; in Nederland is de kans dat een
positieve testuitslag daarvan op puur toeval berust veel groter dan in de tropen, omdat de
prevalentie in Nederland veel lager is.
De prevalentie (hoe vaak een aandoening voorkomt in een populatie) is de base rate, bijvoorbeeld
11%. Dit is de kans op het hebben van de aandoening voordat er wordt getest. Dit zie je in Figuur 1.
Daaronder staat de kans dat een patiënt met een
depressie ook daadwerkelijk positief scoort op een
depressievragenlijst (sensitiviteit, 83%),
en de kans dat een patiënt zonder depressie daarop
negatief scoort (specificiteit, 80%)
Bayes formule: Dus P(D+|T+) betekent de kans (P) dat de patiënt een depressie heeft (D+), gegeven
(|) een positieve testuitslag (T+) op een depressievragenlijst.
Op deze wijze wordt in een oogopslag duidelijk hoeveel patiënten een positieve test hebben gescoord
(91 + 178), en hoeveel van hen daadwerkelijk een depressie hebben (91). De kans dat de patiënt
gegeven een positieve test een depressie heeft, is dus: 0,34.
, De kans dat de patiënt gegeven een negatieve test geen
depressie heeft, is: 0.97
Sensitiviteit en specificiteit
Hoewel de sensitiviteit van de BDI in het onderzoek van Cameron et al. 83% is en de specificiteit
80%, is de kans dat de patiënt bij een positieve testuitslag daadwerkelijk een depressie heeft veel
minder hoog, namelijk slechts eenderde; veel te laag voor een behandelindicatie. Een negatieve
testuitslag daarentegen geeft bij de test in deze populatie vrij veel zekerheid over de afwezigheid van
een depressie en is hoger dan de specificiteit. Deze test zou dus wel gebruikt kunnen worden om een
depressie uit te sluiten. Uit voorgaande blijkt dat er niet eenvoudigweg vertrouwd kan worden op
de testscore. Een positieve test wil niet per definitie zeggen dat de aandoening ook aanwezig
is, en een negatieve testuitslag betekent niet per definitie dat deze afwezig is. Ook kan niet
vertrouwd worden op de sensitiviteit of ‘pakkans’ en op de specificiteit van een instrument. Want bij
een hele lage prevalentie kunnen de sensitiviteit en specificiteit nog zo hoog zijn, maar ook dan is de
kans op de aandoening bij een positieve testuitslag nooit hoog.
We zouden de regel van Bayes altijd in het achterhoofd moeten houden op basis van deze informatie;
ook ziet de psycholoog alleen de positieve testuitslag. De regel van Bayes helpt ons om de
achterafkans op een aandoening te bepalen; gegeven de testuitslag, de voorafkans (de prevalentie),
de sensitiviteit en de specificiteit van het diagnostisch instrument. Als we vergeten om de voorafkans
mee te wegen, en er slechts wordt gekeken naar de sensitiviteit van een test, dan wordt een positieve
score geïnterpreteerd als de aanwezigheid van de aandoening. Hoe gemakkelijk maar ook onjuist
deze conclusie is, en hoezeer we patiënten hiermee tekortdoen, mag de lezer nu duidelijk zijn.
Wat betekent het in de praktijk als behandelaars zich bewust zijn van de regel van Bayes? Dit
betekent dat zij bij het beoordelen van een testuitslag altijd moeten vaststellen in welke setting de test
is afgenomen. Met andere woorden: de inschatting van de kans op de aanwezigheid van een
aandoening begint dus altijd bij het vaststellen of inschatten van de prevalentie in de populatie of
setting waarin de test is uitgevoerd.
Conclusie
Het negeren van de regel van Bayes leidt vooral bij aandoeningen die niet zoveel voorkomen
(aandoeningen met een lage voorafkans) tot overdiagnostiek. Dit is goed te begrijpen door naar de
stroomschema’s te kijken. Omdat het deel ‘geen aandoening’ dan heel groot wordt, zal zelfs bij een
zeer goede specificiteit de achterafkans nog steeds laag blijven. Dit kan grote gevolgen hebben voor
het behandelbeleid, en dus voor het beloop van de klachten van een cliënt. We adviseren daarom ten
zeerste om het principe van Bayes te onthouden, namelijk dat de kans op een aandoening bij een
positieve test afhankelijk is van de populatie en setting waarin daarop is getest.
Wat is de regel van Bayes? Waarom is de regel van Bayes van belang?
, Artikel 2: Psychologists’ Judgements of Diagnostic Activities: Deviations from a Theoretical
Model.
Abstract
In this article, we describe an investigation into the diagnostic activities of practicing clinical
psychologists. Two questionnaires were filled in by 313 psychologists. One group of psychologists (N
= 175) judged the necessity of diagnostic activities; the other group (N = 138) selected the activities
they would actually perform. Results showed that more participants thought that diagnostic activities
were necessary than there were participants who intended to actually perform those activities. Causal
analysis was judged as least neccesary, meaning that generating and testing diagnostic hypotheses
to form integrated client models with an explanation for the problem was judged as least necessary
and would not be performed. We conclude that a discrepancy exists between the number and types of
activities psychologists judged to be necessary and they intend to actually perform. The lack of
attention for causal analysis is remarkable as causal explanations are crucial to effective treatment
planning.
Introduction
In the psychodiagnostic process, information about the client’s complaints, problems and environment
is gathered in interviews and through tests, until a classifying and explanatory diagnosis is reached
and treatment decisions can be made. The goal of the psychodiagnostic process is to form an
integrated picture of the client, with a problem description and an explanation for the problem, and to
propose a possible treatment for the problem based on this integrated picture. This paper focuses on
the question of which diagnostic activities are considered theoretically necessary in diagnosing a
client and which would be actually used.
The central idea of prescriptive psychodiagnostic models such as the diagnostic cycle (DC) is
that psychodiagnosis should adhere to the scientific method of obtaining knowledge in psychology by
generating and testing hypotheses. The DC prescribes three phases: observations of the client,
formulation and testing of the hypotheses about the problem and the possible causes of the problem
based on these observations, and an evaluation of the outcomes of testing these hypotheses.
Identifying causal factors that affect the problem is necessary in planning effective treatment.
Although formulating an explanation for a problem is not always necessary to start treatment, it
provides much-needed insight to direct treatment if the problem is complex or the first-choice
treatment method is not working as expected and the intervention needs to be adjusted.
The problem with most prescriptive models, including the psychodiagnostic models, is that
they are rather time-consuming. Also, immediate feedback on the hypothesis-testing process
necessary to improve diagnostic performance is lacking. Psychologists receive minimal feedback on
the accuracy of their diagnoses or on the quality of the hypotheses they generate, and if they receive
feedback it is often too late to be effective. Psychologists often generate mental shortcuts
(heuristics) to quickly diagnose a client. Deviations from a theoretical model are related to clinical
experience. The reasoning strategies used by experienced professionals differ from those used by
novices. Reasoning strategies, thus, seem to change as clinical experience increases and new ways
to cope with time and cognitive limitations are created.
As experience increases, clinical psychologists approach the psychodiagnostic process in a
more flexible way, based on the clinical knowledge they have acquired in practice.
Conclusion and Discussion
With the current study, we aimed to investigate the diagnostic activities that psychologists in practice
judge necessary and would actually perform. Results show that activities considered necessary and to
be actually performed differ in number and kind. In general, activities are more often judged
necessary than that people would actually perform them.
Specifieke resultaten: the results show that activities from Registration, Complaint analysis
and Indication analysis were judged equally necessary, while activities from the Complaint analysis
Je hoeft de formule niet uit je hoofd te kennen, wel goed snappen wat de regel van Bayes inhoudt en
waarom deze regel van belang is.
Ook al denken veel behandelaren in de praktijk dat het niet veel met hen te maken heeft, heeft de
regel van Bayes juist alles met de praktijk te maken. Door deze regel te negeren kan je als clinicus
volledig de plank mis slaan, en het kan met name leiden tot overdiagnostiek.
- Sensitiviteit; Als een patiënt een depressie heeft, is de kans dat die patiënt positief scoort op
deze depressielijst 83% (sensitiviteit).
- Specificiteit; Bij een patiënt die geen depressie heeft, is de kans om negatief op de lijst te
scoren 80% (specificiteit).
- Prevalentie; Bij hoeveel personen in de populatie de aandoening voorkomt.
Doordat overdiagnostiek zelden wordt opgemerkt en geen ernstige gevolgen heeft zoals bij
onderdiagnostiek (dood bij het missen van een kankerdiagnose), zijn zorgprofessionals daarom
banger om een aandoening te missen dan dat zij vrezen voor overdiagnostiek.
De regel van Bayes; helpt ons om de kans op een aandoening te bepalen bij een individu;
- gegeven de prevalentie van die aandoening in de populatie waar dat individu deel van
uitmaakt,
- de uitkomst op een test van het individu,
- en de psychometrische kenmerken van die test.
De populatie is essentieel in de regel van Bayes, maar juist die wordt vaak vergeten. Als een
aandoening namelijk weinig voorkomt in een populatie (lage prevalentie), dan zal een positieve
testuitslag weliswaar uitwijzen dat bij het geteste individu sprake is van een verhoogde kans op de
aandoening, - hoger dan voor de testafname -, maar die kans is gezien de populatie dan toch nog
steeds heel laag. Met andere woorden: dezelfde testuitslag in verschillende populaties geeft een
andere kans op de geteste aandoening. Dit is intuïtief lastig te begrijpen, zelfs als je bekend bent
met de regel van Bayes.
- Denk bijvoorbeeld aan het testen op een tropische ziekte; in Nederland is de kans dat een
positieve testuitslag daarvan op puur toeval berust veel groter dan in de tropen, omdat de
prevalentie in Nederland veel lager is.
De prevalentie (hoe vaak een aandoening voorkomt in een populatie) is de base rate, bijvoorbeeld
11%. Dit is de kans op het hebben van de aandoening voordat er wordt getest. Dit zie je in Figuur 1.
Daaronder staat de kans dat een patiënt met een
depressie ook daadwerkelijk positief scoort op een
depressievragenlijst (sensitiviteit, 83%),
en de kans dat een patiënt zonder depressie daarop
negatief scoort (specificiteit, 80%)
Bayes formule: Dus P(D+|T+) betekent de kans (P) dat de patiënt een depressie heeft (D+), gegeven
(|) een positieve testuitslag (T+) op een depressievragenlijst.
Op deze wijze wordt in een oogopslag duidelijk hoeveel patiënten een positieve test hebben gescoord
(91 + 178), en hoeveel van hen daadwerkelijk een depressie hebben (91). De kans dat de patiënt
gegeven een positieve test een depressie heeft, is dus: 0,34.
, De kans dat de patiënt gegeven een negatieve test geen
depressie heeft, is: 0.97
Sensitiviteit en specificiteit
Hoewel de sensitiviteit van de BDI in het onderzoek van Cameron et al. 83% is en de specificiteit
80%, is de kans dat de patiënt bij een positieve testuitslag daadwerkelijk een depressie heeft veel
minder hoog, namelijk slechts eenderde; veel te laag voor een behandelindicatie. Een negatieve
testuitslag daarentegen geeft bij de test in deze populatie vrij veel zekerheid over de afwezigheid van
een depressie en is hoger dan de specificiteit. Deze test zou dus wel gebruikt kunnen worden om een
depressie uit te sluiten. Uit voorgaande blijkt dat er niet eenvoudigweg vertrouwd kan worden op
de testscore. Een positieve test wil niet per definitie zeggen dat de aandoening ook aanwezig
is, en een negatieve testuitslag betekent niet per definitie dat deze afwezig is. Ook kan niet
vertrouwd worden op de sensitiviteit of ‘pakkans’ en op de specificiteit van een instrument. Want bij
een hele lage prevalentie kunnen de sensitiviteit en specificiteit nog zo hoog zijn, maar ook dan is de
kans op de aandoening bij een positieve testuitslag nooit hoog.
We zouden de regel van Bayes altijd in het achterhoofd moeten houden op basis van deze informatie;
ook ziet de psycholoog alleen de positieve testuitslag. De regel van Bayes helpt ons om de
achterafkans op een aandoening te bepalen; gegeven de testuitslag, de voorafkans (de prevalentie),
de sensitiviteit en de specificiteit van het diagnostisch instrument. Als we vergeten om de voorafkans
mee te wegen, en er slechts wordt gekeken naar de sensitiviteit van een test, dan wordt een positieve
score geïnterpreteerd als de aanwezigheid van de aandoening. Hoe gemakkelijk maar ook onjuist
deze conclusie is, en hoezeer we patiënten hiermee tekortdoen, mag de lezer nu duidelijk zijn.
Wat betekent het in de praktijk als behandelaars zich bewust zijn van de regel van Bayes? Dit
betekent dat zij bij het beoordelen van een testuitslag altijd moeten vaststellen in welke setting de test
is afgenomen. Met andere woorden: de inschatting van de kans op de aanwezigheid van een
aandoening begint dus altijd bij het vaststellen of inschatten van de prevalentie in de populatie of
setting waarin de test is uitgevoerd.
Conclusie
Het negeren van de regel van Bayes leidt vooral bij aandoeningen die niet zoveel voorkomen
(aandoeningen met een lage voorafkans) tot overdiagnostiek. Dit is goed te begrijpen door naar de
stroomschema’s te kijken. Omdat het deel ‘geen aandoening’ dan heel groot wordt, zal zelfs bij een
zeer goede specificiteit de achterafkans nog steeds laag blijven. Dit kan grote gevolgen hebben voor
het behandelbeleid, en dus voor het beloop van de klachten van een cliënt. We adviseren daarom ten
zeerste om het principe van Bayes te onthouden, namelijk dat de kans op een aandoening bij een
positieve test afhankelijk is van de populatie en setting waarin daarop is getest.
Wat is de regel van Bayes? Waarom is de regel van Bayes van belang?
, Artikel 2: Psychologists’ Judgements of Diagnostic Activities: Deviations from a Theoretical
Model.
Abstract
In this article, we describe an investigation into the diagnostic activities of practicing clinical
psychologists. Two questionnaires were filled in by 313 psychologists. One group of psychologists (N
= 175) judged the necessity of diagnostic activities; the other group (N = 138) selected the activities
they would actually perform. Results showed that more participants thought that diagnostic activities
were necessary than there were participants who intended to actually perform those activities. Causal
analysis was judged as least neccesary, meaning that generating and testing diagnostic hypotheses
to form integrated client models with an explanation for the problem was judged as least necessary
and would not be performed. We conclude that a discrepancy exists between the number and types of
activities psychologists judged to be necessary and they intend to actually perform. The lack of
attention for causal analysis is remarkable as causal explanations are crucial to effective treatment
planning.
Introduction
In the psychodiagnostic process, information about the client’s complaints, problems and environment
is gathered in interviews and through tests, until a classifying and explanatory diagnosis is reached
and treatment decisions can be made. The goal of the psychodiagnostic process is to form an
integrated picture of the client, with a problem description and an explanation for the problem, and to
propose a possible treatment for the problem based on this integrated picture. This paper focuses on
the question of which diagnostic activities are considered theoretically necessary in diagnosing a
client and which would be actually used.
The central idea of prescriptive psychodiagnostic models such as the diagnostic cycle (DC) is
that psychodiagnosis should adhere to the scientific method of obtaining knowledge in psychology by
generating and testing hypotheses. The DC prescribes three phases: observations of the client,
formulation and testing of the hypotheses about the problem and the possible causes of the problem
based on these observations, and an evaluation of the outcomes of testing these hypotheses.
Identifying causal factors that affect the problem is necessary in planning effective treatment.
Although formulating an explanation for a problem is not always necessary to start treatment, it
provides much-needed insight to direct treatment if the problem is complex or the first-choice
treatment method is not working as expected and the intervention needs to be adjusted.
The problem with most prescriptive models, including the psychodiagnostic models, is that
they are rather time-consuming. Also, immediate feedback on the hypothesis-testing process
necessary to improve diagnostic performance is lacking. Psychologists receive minimal feedback on
the accuracy of their diagnoses or on the quality of the hypotheses they generate, and if they receive
feedback it is often too late to be effective. Psychologists often generate mental shortcuts
(heuristics) to quickly diagnose a client. Deviations from a theoretical model are related to clinical
experience. The reasoning strategies used by experienced professionals differ from those used by
novices. Reasoning strategies, thus, seem to change as clinical experience increases and new ways
to cope with time and cognitive limitations are created.
As experience increases, clinical psychologists approach the psychodiagnostic process in a
more flexible way, based on the clinical knowledge they have acquired in practice.
Conclusion and Discussion
With the current study, we aimed to investigate the diagnostic activities that psychologists in practice
judge necessary and would actually perform. Results show that activities considered necessary and to
be actually performed differ in number and kind. In general, activities are more often judged
necessary than that people would actually perform them.
Specifieke resultaten: the results show that activities from Registration, Complaint analysis
and Indication analysis were judged equally necessary, while activities from the Complaint analysis
