ENT: Evidence Based Neurofysiologische Testontwikkeling: praktische richtlijnen

gebaseerd op princiepes van evidence based medicine om een klinische test te

ontwerpen.

Samenvatting

De klinische neurofysiologie heeft als doel de verworvenheden van het basis

wetenschappelijk onderzoek naar de hogere corticale functies door middel van
electrofysiologische technieken om te vormen tot een set van testen die nuttig kunnen
zijn in de dagdagelijkse psychiatrische neurocognitieve kliniek. Wij geven een methodiek
aan , genoemd 4 stappenplan volgens Nash Boutros, om dit proces op valiede (EBM)
wijze in goede banen te leiden. Tevens laat de eenvoudige methode aan de lezer toe een
betere greep te krijgen op de groeiende literatuurberg en zeer snel lacunes te ontwaren.
Voor wie actief is op dit veld wordt het dan snel een onmisbaar werkinstrument op
toegepast onderzoek op te zetten op een wijze die gans de gemeenschap ten goede komt.

Inleiding

Neuropsychologische research en neurocognitieve kliniek zijn uiteraard twee

interactieve, deels overlappende of toch sterk geaffilieerde gebieden waarbij nochtans elk
ook gehoorzaamt aan specifieke vereisten en begrenzingen. Waar de eersten vooral de
onderzoeksgebonden neurowetenschappelijke exploratie van hogere corticale functies
beogen, proberen de neuropsychiaters op het klinisch veld deze inzichten en
verworvenheden te vertalen naar een klinisch instrumentarium dat nuttig kan en moet zijn
om zowel diagnose als therapie op gevalideerde wijze te ondersteunen. Het is uiterst
belangrijk dat dergelijke translatie oefening gebeurt op een methodologisch gezonde
wijze (lees: conform onderzoeksmethodieken van evidence besed medicine) om zowel
over- als ondergebruik van de klinische neurofysiologie te vermijden. Het hoeft geen
betoog dat de cognitieve neuropsychiatrie in zijn geheel en de cognitieve neurofysiologie
in het bijzonder gebieden zijn in volle ontwikkeling en dus snel evolueren. De neiging
om bepaalde technieken prematuur op de kliniek “los te laten” zonder voorafgaande
validering of standaardisatie is dan ook reden geweest van veel wildgroei, hype en
ontgoocheling (vb neurofeedback) met als gevaar toch ook een zich instillerend
scepticisme dat kan resulteren negatieve vooroordelen en premature rejectie van
potentieel waardevolle technieken. Anderzijds gaat een ongebreideld gebruik of
wildgroei aan testonderzoek zonder relatie tot de kliniek zelf, snel zorgen voor een
stijgend kostenplaatje dat niet altijd in relatie staat tot klinisch nut in de zin van meetbare
verbetering van de kwaliteit in diagnostiek en behandeling.

EBM en Psychiatrie

Hoewel dit niet als valide excuus te gebruiken is moet gezegd worden dat er in de
psychiatrie helaas weinig traditie bestaat in het werken met principes van evidence based
medicine zoals bij gebruik van labo testologisch onderzoek in de somatische
geneeskunde. Daar is men stilaan gewoon geraakt om testen te evalueren op basis van
hun ROC curven, specificiteit en sensitiviteit, size effectt, predictieve waarde,
gebruikswaarde in functie van prior probabiliteiten etc.
Als men weet dat er wel degelijk guidelines bestaan om te kunnen oordelen over het nut
van een bepaalde test en om ons te helpen een gevalideerde beslissing te nemen
betreffende de klinische bruikbaarheid ervan, is er geen excuus om deze methodologie
die zo waardevol gebleken is in de andere domeinen van de geneeskunde, niet aan te
wenden op vlak van cognitieve neuropsychiatrie die toch als primair doel heeft de
psychiatrie op stevige wijze in de neurowetenschap te verankeren.

Een vier stappenplan

Deze methodologie die de klinisch werkzame neurowetenschapper kan gebruiken is

gebaseerd op het seminale werk van Sackett en volgt de criteria van STARD (Standard
for reporting diagnostic tests). Het werd zeer gedetailleerd , operationeel praktisch en met
duidelijke werkvoorbeelden geillustreerd beschreven door Nash Boutros et al..
De auteurs brengen een eenvoudig en duidelijk vier stappenplan naar voor, als een
“roadmap en kompas” voor elkeen die een valide test wil ontwikkelen zonder daarbij het
evidentie noorden kwijt te geraken wat, gezien de massale literatuurstroom van de laatste
jaren betreffende ERP, geen denkbeeldig gevaar is. Zelfs voor de lezer die niet deze
ambitie heeft is het toch belangrijk vertrouwd te zijn met deze 4 staps princiepes daar ze
hem/haar toelaten literatuurgegevens veel correcter te evalueren en dit zonder al te veel
noodzaak aan hogere mathematische statistiek. Enkel de kennis en de eenvoudige
berekening zal al snel een stevige basis kunnen bezorgen. In deze tekst worden de
belangrijkste princiepes uiteengezet en praktische links worden anagereikt waarmee de
lezer direkt aan de slag kan.

Het vier stappen plan van Nash Boutros

Stap 1

Men denkt , via observatie , een bepaalde electrofysiologische afwijking te hebben

vastgesteld bij een bepaalde aandoening (vb gedaalde amplitudo van de P300 bij
schizofrenie). Om uit te maken of dit effect werkelijkheid is dan wel op louter toeval
berust gaat men een kliene studie opzetten waarbij men een zorgvuldig geselecteerde
groep patienten met die bepaalde aandoening vergelijkt met de resultaten van dezelfde
test bij een controle groep patienten met zelfde karakteristieken die enkel van de
patientgroep verschillen door het feit dat ze de ziekte niet hebben. Men tracht dus zoveel
mogelijk andere variabelen die invloed zouden kunnen hebben op de test uit te sluiten (vb
sex, leeftijd, opleiding, voorgeschiedenis opdat het vastgestelde effect wel degelijk zou
kunnen toegeschreven worden aan d epathologie en niet aan een andere ongeziene
variabele. Elementen van selectie, randomisatie etc komen hier aan bod. Zoals steeds gaat
men uit van een statistische nul hypothese nl dat het vastgesteld verschil louter toeval is
en tracht men met een bepaalde zekerheid (95%), de beroemde significantie “p” waarde,
deze hypothese te verwerpen. Dergelijke studies noemt men dus type 1a studies. Zij zijn
dus bedoeld om uit te maken of het vastgestelde effect echt in relatie staat tot de
bestudeerde pathologie of niet. Een totaal van 95% zekerheid is OK maar dat betekent
nog steeds dat er 5% kans bestaat dat het toch om een toevalsvondst gaat. Het zal dus
eveneens belangrijk zijn deze studies te herhalen liefst ook (met identieke techniek) door
andere niet geaffilieerde groepen van klinische onderzoekers. Studies die dergelijke test-
hertest effect beorgen noemt men Type 1b studies. Type 1b studies zijn dus belangrijk
omdat ze de aandacht vestigen op de robuustheid en de reproduceerbaarheid (test-hertest
stabiliteit) van deze vondst. Belangrijk hierbij is dat niet alleen de eigen groep er in slaagt
deze bevindingen te reproduceren maar dat ook andere (liefst) niet verbonden groepen de
bevindingen kunnen reproduceren of te bevestigen liefst al via een geblindeerde
benadering.

Stap 2

In deze stap zal men de nadruk leggen op het aantonen van het klinische nut van de test.
Vergelijking tussen patiënten en normalen is niet langer voldoende, men moet ook bij de
patiëntgroep vergelijkbare condities zoals deze in de lijst van differentiaal diagnose van
de aandoening voorkomen includeren.
Het gaat hier dus om een onderzoek naar de klinische specificiteit waarbij men het gedrag
van de test evalueert over gekende diagnostische entiteiten rekening houdend met de
mogelijkheden ervan om endofenotypes te identificeren. In deze fase is het belangrijk de
diagnostische categorisatie van de DSM-IV, hoe nuttig ook binnen een klinische realiteit
van overlap en co-morbiditeit naar waarde te schatten en waar nodig te relativeren.
Afwijkingen met duidelijke specificiteit dwz duidelijk verschillende prevalentie in
klinische condities die vaak dicht bij elkaar aanleunen in de differentiaaldiagnostische
lijsten zullen dus vroeger kunnen overgaan naar stap 3 ook al kunnen andere minder
specifieke bevindingen wel grote wetenschappelijke waarde vertonen. Een test die toelaat
een eerste opstoot van schizofrenie geprecipiteerd door cannabisgebruik te onderscheiden
van een zuivere drugpsychose beantwoordt bvb aan dergelijk profiel. Globaal kan men
stellen dat de overgang van stap 2 naar stap 3 gedetermineerd wordt door de klinische
waarden van de specificiteit. Schatten van het “effect size” is een goede maatstaf voor
deze beslissing.

Stap 3:

Hier is het moment aangebroken om de karakteristieken van de test numeriek te bepalen:

ROC curve, sensitiviteit, specificiteit, positief en negatief predictieve waarde die ons
toelaten om de waarde van de test te bepalen zo we hem toevoegen in het diagnostisch
bilan en dat ten opzichte van een bestaande gouden standaard. In de psychiatrie is deze
vaak de meest waarschijnlijke consensus diagnose van een groep experten.
Wat is de geëvalueerde accuraatheid in de keuze van het optimaal antidepressivum voor
de behandeling van een patiënt: ? 50% dus (helaas) random. Als we een test kunnen
ontwikkelen die deze predictieaccuraatheid verbeterd hebben we ongewtijfeld een
belangrijke stap voorwaarts gezet in een kwalitetaief betere behandeling van depressie in
het algemeen. In deze fase zal men ook bepalen of de test toelaat bepaalde subgroepen te
specificeren of de test kan differentiëren naar duur van aandoening, lopende behandeling
etc. Studies die dit beogen catalogeert om als studie Type 3.
Stap 4

In deze finale stap 4 gaat het om grote multicenter studies (studies Type 4) om de test op
degelijke wijze te valideren en de optimale standaardisatie uit te werken. Dit gaat niet
meer om beperkte pilootstudies met monsters van 10 tot 15 patiënten maar om grote en
genormaliseerde databases met referentiele capaciteit in functie oa van geslacht, leeftijd
of andere belangrijke co-varianten. Kost benefiet analyses op korte en lange termijn en
outcome studies horen hier thuis.Dit laatste is zeker in d epsychiatrie geen eenvoudige
zaak en zal vaak individueel in functie van aard, stadium en type van pathologie dienen
bepaald te wordenj.

Overzicht van de 4 stadia

Stap Studie ontwerp Doel Gewenste outcome

1 Target groep 1/ Demonstratie Aantonen van een consistente
versus van een significant biologische abnormaliteit in de target
normalen verschil in d target groep
groep
2/ Demonstratie
van test – retest
betrouwbaarheid
2 Target groep Aantonen van een Demonstratie van potentieel klinische
versus significant bruikbaarheid
gezonden en prevalentieverschil
andere patiënt in specifieke
groepen met groepen of
differentiaal subgroepen
diagnostisch
belang
3 Target versus Definitie van Definitie van klinisch nut
aangepaste numerieke
controle testkarakteristieken
groepen of
subpopulaties
van d target
groep
4 Idem als drie Demonstratie en Opstellen van standaarden naar
maar grote standaardisatie van klinisch gebruik
groepen en klinische test
multicentrische
studies
Deze vier stap methodologie zoals vooropgesteld door de auteurs (Boutros et al) geven
ons een bijzonder solide methodologie om ter attentie van een bepaalde test of meting de
al bestaande literatuur te evalueren en er de gepaste besluiten uit te halen.

Studies: STAP 1 Studies STAP 2 Studies STAP 3 Studies STAP 4

Type 1a: Studies die Idem als type 1a Sudies die de Grote
een effect evalueren maar met statististische multicentrische
bij een bepaalde inclusie van karakteristieken studies op grote
patienten populatie patientgroepen van een test aantallen
ten opzichte van de met condities die bepalen Standaardisatiestudi
groep normalen differentieel (sensitiviteit, es en studies die de
diagnostisch specificiteit Database en
belangrijk zijn etc.;) referentiele data
collectie studies
Type 2b
Studies die de
reproduceerbaarheid
van een effect type
1a proberen aan te
tonen

Statistiek en besliskunde

Statistiek doet reeds zijn intrede vanaf type 1 studies. Stel dat we geinteresseerd geraakt
zijn in de waarde van de MMN amplitudo (Mismatch negativiteit) bij patienten met
chronisch ethylisme. (MMN is Een ERP die optreedt tussen 200 a 250 msec bij deviantie
van een stimulus in een overigens regulaire reeks). In werkelijkheid willen we komen tot
een uitspraak die handelt over de ganse populatie van chronische ethylikers. Gezien
niemand de tijd noch de middelen heeft om gans de populatie effectief te onderzoeken
moet men zich noodgedwongen beperken tot wat men als een representatief staal uit deze
populatie betitelt. Echte representativiteit is van essentieel belang want selectiebias is
soms zeer subtiel. Als ons sample niet echt representatief is dan zullen veel uitspraken
over de populatie uiteraard totaal foutief zijn ook al lijken alle berekeningen correct. Een
(karikaturaal) voorbeeld: in een studie over het druggebruik bij jonge mensen doet men
een bevraging bij studenten geneeskudne aan de deuren van het auditorium
anatomopathologie. Men krijgt antwoorden van 500 studenten en noteert een gemiddleld
cannabis gebruik van slechts 2%. De onderzoekers besluiten dat het nogal mee zit met het
cannabisgebruik bij onze jeugd … akoord ? :-)

Als men een representatief staal van de populatie heeft gaat men het gemeten gemiddelde
in dit staal gebruiken om het populatiegemiddelde in te schatten. Hoe meer samples van
dit type (representtaief) des te nauwkeuriger zal deze schatting zijn. Men spreekt van
standard error of the mean; namelijk SEM: standaard deviatie/vkw van samplegrotte. Dat
is dus de gemiddelde afwijking van de sample means tov het “echte” gemiddelde dwz
van het populatie gemiddelde. Aan de hand van die waarde kunnen we gemakkelijk een
confidentie interval berekenen dat ons aangeeft hoe ver we met onze sample van het
echte (populatie) gemiddelde afzitten: het confidentieinterval is het sample gemiddelde
plus min 2 SEM waarde.

Maar eigenlijk gaat het hier niet over een enkel gemiddelde maar wel over twee daar we
willen uitvissen of in een staal van patienten ten opzichte van een staal van normalen een
verschil in een bepaalde meting betekent dat er in werkelijkheid (dwz tussen de beide
populaties een essentieel verschil bestaat. Wie een dergelijke studie type n1 opzet wil
inderdaad aan de hand van zijn metingen weten of het vastgestelde effect berust op
werkelijkheid dan wel of het een loutere toevalsassociatie betreft. Hier komt de beroemde
student “t” test op de proppen. De t test of t statistiek laat ons toe met een bepaalde
waarschijnlijkheid te besluiten of een gemeten effect inderdaad wijst op een
populatieverschil dan wel of het gewoon kan verklaard worden door toevallige factoren
(sample bias) . De berekening is vrij eenvoudig: men deelt het verschil van de gemidelde
waarde in patient en controlegroep door de gepoolde varianties:

Een praktisch voorbeeld:

Stel dat men vanuit klinische observatie de indruk heeft dat bij patienten met chronisch
ethylisme de amplitudo van de mismatch nagetiviteit zoals gemeten over Fz verschilt van
die waarde bij normalen. Men kan deze indruk krijgen door de opeenvolging van enkele
flagrante voorbeelden of door iets dat men gelezen heeft en waarbij men d eidnruk krijgt
dat er “iets aan de hand is”.
Men kan uiterard niet zomaar op een subjectieve indruk afgaan (hoe sterk men er ook wil
in geloven) en moet dus een objectieve bewijsvoering zien aan te brengen. Hier komt
onze studie type 1 op de proppen.
Men doet dus een vergelijkende studie met een totaal van 30 personen waarvan 15
ethyliekers en 15 perfect gematchte controles. Men vindt in de patientgroep over de
frontale electrode Fz een gemiddelde amplitudo op MMN van 1.35 µV en variantie 0.25
terwijl in de groep normalen een gemiddelde amplitudo van 1.71 µV bedraagt en een
variantie 0.71 wordt opgetekend. .Het ziet er – op het eerste zicht althans- naar uit dat de
onze aanvankelijke indruk bevestigd wordt (1.75 is toch groter dan 1.35 nietwaar) maar d
evraag stelt zich “hoe beduidend is dit verschil” ? mag ik uit dit verschil besluiten dat alle
chronische ethyliekers met d ekarakteristieken van d epatienten die ik geselecteerd heb
een lagere MMN amplitudo vertonen over Fz ?Met andere wooden : is dat verschil nu
ook statistisch significant ? We berekenen onze “t” statistiek volgens de gekende formule
Hier formule

De waarde bedraagt 1.42. Als vuistregel kan men stellen dat om significant te zijn deze
waarde groter moet zijn dan 2.

Deze t waarde hangt af van de (totale) sample grootte en vinden we terug in berekende
tabellen

Sample size T waarde

4 4.30
20 2.10
30 2.05
60 2.00
100 1.99
oneindig 1.96

Dus voor onze groep van 30 deelnemers aan de studie is deze waarde veel te laag.

Dus in tegenstelling met onze aanvankelijke klinische indruk blijkt dat het gemeten effect
in deze studie niet significant is om een dergelijke uitspraak over de populatie te kunnen
doejn. We kunnen natuurlijk d estudie hernemen met een veel grootere sample grootte en
zien waar we dan uitkomen. Als we bvb op 20000 subjecten meten en we vinden een t
van 1.74 dan kunnen we al vrij zeker zijn dat het vastgestelde varband een fata morgana
was. Mensen zijn gevoelige patroonontdekkers maar zijn ook gemakkelijk te misleiden
ompatronen te zien waar er geen zijn. Dat is uiteraard geen schande maar het illustreert
de noodzaak om een goede statistische onderbouwing van onze besluitvorming te doen.

De statistische significantie voorbij: enters “effect size” of de weg van “t” over “p” naar
“d”

Stel dat we wel een goede t resultaat krijgen en dus een p waarde die statistische
significantie reflecteert: mogen nu onder het salken van triomfreten ene gat in de lucht
springen ? Ja en neen. Hoewel in veel studies de p waarde wordt aangegeven als graad
van statistische significantie en dus ook wel belangrijk is geeft het ons echter slechts een
eerste aspect van gans het verhaal. Statistische significantie is OK maar hoe belangrijk is
het waargenomen effect ?. Niet alleen of een verband statistisch significant is maar ook
de grootte van dit verband moet ons immers bezig houden en dat leren we niet uit de p
waarde.

Om het wat karikaturaal te stellen het volgende voorbeeld. Als miljoenen mensen een
lottobiljetje insturen en we vergelijken de gemiddelde winst tov een evengrote groep die
dat niet doen dan is de kans van winst in de lottospellers uiteraard statistisch significant
hoger dan in de groep van diegenen die dat niet doen.
Een wat meer klinisch voorbeeld. In een dubbel blind placebo gecontroleerde studie over
5 jaar betreffende eventuele beschermende effecten van aspirine ter preventie van
coronaire aandoeningen, participeren 22.074 artsen. Zij worden random in twee groepen
opgedeeld: de eerste helft (de behandelde groep) neemt elke morgen een pilletje dat 100
mg salicilaat bevat terwijl in de pil van de controlegroep enkel placebo bevat. Op het
einde van de studie ziet men hartinfarct bij 1.7% van de placebogroep tov 0.94% in de
behandelde groep. Dit resultaat is statistisch zeer significant. Men zou dus kunnen
besluiten dat het nemen van aspirine het risico op hartinfarct halveert. Dat is wel correct
maar over welke grootteorde van effect gaat het hier ?. Die grootteorde is de effect size
aangegeven als Cohen “d”. De berekende d waarde (Cohen d) in deze studie bedraagt
0.06 wat zeer klein is. Met andere woorden men gaat het risico op harinfarct door
innemen van aspirine wel degelijk verlagen maar dan verlagen van “zeer klein” naar een
nog ietsje meer “zeer klein”. Inderdaad zonder al te veel wiskunde ziet men toch dat 98%
van alle deelnemers geen infarct doormaakt ongeacht of ze nu aspirine nemen of niet.
Men spreekt van een zeer kleine effect size. Effect size is een belangrijke parameter
waarvan men natuurlijk gebruik zal maken om zinvolle beslissingen te nemen. Vindt ik
het de moeite om dagelijks een aspirientje in te nemen om dat reeds kliene risico nog te
verder te halveren ? daarbij zal ook andere elementen in beeld komen zoals effect size
van nevenwerkingen vb maagbloeding ? Dezelfde vraag stelt zich voor de lottospeler: ga
ik elke week een biljetje invullen omwille van ene kansje van een cent op die
gfelbegeerde prijs. Mij niet gezien maar gelukkig voor de belgische Lotto dat miljoenen
mensen geen kaas geeten hebben van t testen en effect size.

Het is dus pas als men de effect size van een relatie in overwegeing neemt dat men ten
gronde kan evalueren of het sop de kool wel waard is. Bemerk dat effect size sterk
gerelateerd is aan de grootteorde van het aantal deelnemers (sample grootte) in een
studie. Een fenomeen met grote effect size zal snel duidelijk worden maar om een klein
effectsize aan te tonen zal een studie met vele deelnemers nodig zijn.

Hoe kunnen we deze effect size berekenen ? . Hier wordt het pas echt interessant. Er zijn
diverse mogelijkheden om vanuit gepubliceerde studies (of ze nu t testen aangeven dan
wel F statistiek) de waarde van Cohen “d” te achterhalen. Zijn ze door de auteurs zelf
berekend dan is het uiteraard nog gemakkelijker maar ze zelf berekenen geeft soms de
voldoening dat je nog beter kijk hebt op de echte waarde van een effect dan de autuer(s)
zelf.

Een leuke formule is deze

D: is gelijk aan t maal wortel… cfr blz. 38

Gekwadrateerd spreekt men van yte: de proportie van variantie in de dependente
variabele die kan verklaard worden door de independente.

Belangrijk is echter te weten wat groot of klein is in effect size

Tabel
Cohen's Standard Effect Size
2.0
1.9
1.8
1.7
1.6
1.5
1.4
1.3
1.2
1.1
1.0
0.9
GROOT 0.8
0.7
0.6
MEDIUM 0.5
0.4
0.3
KLEIN 0.2
0.1
0.0

Indicator Klein Medium Groot

d 0.2 0.5 0.8

Enkele praktische voorbeelden:

Aan de hand van een voorbeeld (ADHD en betekenis van theta toename op qEEG) tonen
de auteurs aan hoe zoiets in de praktijk kan toegepast worden. (J. Neuropsychiatry Clin
Neurosci 17:4 , Fall 2005 pp 455 - 464). We raden iedereen die een test verder wil
uitwerken ten sterkste aan grondig kennis te nemen van de door deze auteurs gebruikte
methodiek. Het is als het ware een blauwdruk waarop de eigen procedure naadloos kan
ingepast worden en dat de wetenschappelijkheid van de verdere ontplooiing van de
klinische neurofysiologie enkel ten goede kan komen.
De auteurs komen bovendien vanuit de literatuurstudie van deze applicatie (ADHD) tot
een aantal interessante algemene vaststellingen:

1/ Er bestaat een neiging om vele testen en procedures voorbarig in de kliniek te

gebruiken alvorens alle noodzakelijke 4 stap stadia doorlopen zijn. Dit is niet enkel het
geval voor de psychofysiologie. Zo is ook de dexamethasone suppressietest daarvan ene
voorbeeld. Het gevaar bestaat dan dat potentieel waardevolle testen door onvoldoende
standaardisatie of onvoldoende selectie van subgroepen valse verwachtingen induceren
wat resulteert in verwerping van een potentieel waardevolle test.

2/ En gouden standaard zoals de anatomopathologie kan bieden voor de somatische

geneeskunde is helaas een utopie inde psychiatrie waar de expert consensus tot op heden
dit betekent hoewel zelfs in de meest ideale gevallen deze consensus zelden een kappa
waarde van 0.69 overtreft. Wil een test aanvaardbaar worden dan zal er moeten
aangetoond wordend at hij de clinicus hierbij kan verbeteren.

3/ Elementen van kost efficiëntie zijn steeds moeilijk absoluut te standaardiseren gezien
ze dependent zijn van veel variabelen oa klinische.

4/ Wil men testen invoeren om de accuraatheid van de klinische diagnostiek te verbeteren

dan is het essentieel dat er kan aangetoond worden dat bij de methodologie om deze
testen te ontwikkelen de STARD richtlijnen nauwgezet werden gevolgd opdat alle
vormen van design gerelateerde bias kunnen uitgesloten worden.

Deze guidelines en 4 stappenplan zoals door de auteurs uitgetekend vormen ene perfecte
interface om het dynamische werk van de cognitieve neuropsychologische reserach op
valide wijze te kunnen vertalen naar het klinische domein. Het zal garant staan om
vroegtijdige “release” en hype te vermijden en anderzijds toelaten dat testen robuust en
gestandaardiseerd in multicenter studies gevalideerd zijn alvorens in het arsenaal van de
klinische neuropsychiater opgenomen te worden.

Evaluatie van de gekende literatuur over spectrale analyse bij ADHD toont aan dat effect
size van deze methodologie van dien aard en grootteorde is dat de test zich leent tot
stadium 3 en Vier van het 4 stappenplan. Hierbij is het belangrijk zich te realiseren dat
DSLM-IV categorieën vaak multicausaal zijn. Indien een test erin slaagt om alle gevallen
in de target groep (vb psychose) te identificeren dan betreft het vermoedelijk een test die
gevoelig is aan de “final common pathway”. Is hij echter specifieker vb wel
drugpsychose en niet eerste schizofrenie opstoot dan meet hij een meer pathogeen
gebonden procesfactor.

Een ander praktisch voorbeeld aan de hand van literatuurstudie

Reserach heeft aangetoond dat bij schizofrenie er al zeer vroeg in de sensoriele

informatieverwerking belangrijke stoornissen kunnen optreden die dan misschien
stroomopwaarts aan de basis kunnen liggen van bepaalde denk- of
waarnemingsstoornissen. Op optisch vlak bestaan er duidelijke afwijkingen van de
dorsale visuele stroom op zijn beurt veroorzaakt door gestoorde functie van de
magnocellulaire banen (retina, V1, pars dorsalis van corpus geniculatum laterale). Deze
M functie zijn cellen die vooral reageren op grof contrast en die overeenkomen met de P1
piek in de visueel geëvokeerde potentiaal. Het parvocellulaire systeem reageert op kleur
en zal dus best gestimuleerd worden met chromatisch contrast bij isoluminantie. Een
hoog achromatisch contrast stimuleert dus beide systemen (Mixed M en P)
In een studie om deze effecten te bestuderen bij schizofreniepatiënten ten opzichte van
controles (een type 1 studie dus) gebruikten Schechter et al (Clin. Neurophysiology, 200(;
116 (2204-2215) deze drie stimulatietypes. Zij noteren statistisch significante significante
(p<0.05) resultaten op vlak van P1 amplitudo bij laag contrast (M ), C1 latentie bij
chromatisch contrast en C1 amplitudo, C1 en P1 latentie bij hoog contrast.
Als we het effect size van deze zaken berekenen dan krijgen we voor enkele van deze
parameters zeer hoge waarden gaande van 1.02 (C1 latentie bij chromatisch contrast), 0.8
(P1 amplitudo bij laag contrast) en C1 en P1 latentie bij hoog contrast. Vooral de P1
amplitudo en latentie bij laag en hoog contrast lijken dus de moeite waard om verder
onderzocht te worden temeer daar deze (in contrast met C1 en N1) niet dependent zijn
van de gezichtsscherpte.
Op deze wijze kan men via een eenvoudige berekening van effect size snel die
parameters kerkennen die beloftevol genoeg zijn om door te groeien naar hogere stadia
van studieontwerp.
Al deze berekeningen hoeven niet uit het hoofd geleerd te worden. Op de website van
psychofysiologie.be (hoofdstuk EBM) worden gratis exell tools ter beschikkinge gesteld
voor de geinteresseerde lezer.

==============================================================