Dit artikel is een Nederlandse samenvatting van een college van Philippe Tadger, oorspronkelijk in het Spaans (video onderaan ingesloten). Het beschrijft een probabilistische benadering van differentiële diagnose in de musculoskeletale kinesitherapie — hoe je het verhaal van een patiënt omzet in een gerangschikte lijst van hypothesen en hoe je die rangschikking bijwerkt zodra testresultaten binnenkomen.
Waarom in kansen denken?
Klinisch redeneren in de kinesitherapie is zelden zwart-wit. Een patiënt komt binnen met een verhaal, enkele symptomen en wat klinische tekens — en de clinicus moet meerdere mogelijke aandoeningen tegelijk afwegen. Een probabilistisch model maakt die afweging expliciet: elke hypothese heeft een voorafkans (pre-test probability), elk testresultaat schuift die kans op of neer, en de beslissing om te behandelen, door te verwijzen of gerust te stellen volgt logisch uit de bijgewerkte waarde.
Alle modellen zijn fout, maar sommige zijn nuttig.
George Box, Science and Statistics (1976)
Patient script vs disease script — de semipermeabele bakstenen muur
Het college vertrekt vanuit Maitlands semipermeabele bakstenen muur, die het klinisch redeneren in twee compartimenten splitst:
- De clinicus-kant — anatomie, fysiologie, biomechanica, kennis van dysfunctie en pathologie, metacognitie (nadenken over je eigen denken), klinische vaardigheden en de actuele wetenschappelijke evidentie. Hier ontstaan de diagnostische hypothesen.
- De patiënt-kant — anamnese, subjectief verhaal, overtuigingen en waarden, symptomen en tekens, tijdsverloop, comorbiditeiten, gedrag, uitlokkende en verzachtende factoren, eerdere behandelingen en voorkeuren. Dit is het ruwe materiaal dat de clinicus probeert te verklaren.
Diagnose wordt een oefening in overeenkomst: in welke mate overlapt het patient script (alles wat je van de persoon voor je weet) met het disease script (de typische presentatie van een aandoening)?
De body map: een verhaal omzetten in data
Een goede body map registreert elk symptoom afzonderlijk — locatie, kwaliteit (scherp, krampachtig, vermoeidheid), intensiteit (0–10), frequentie (0–10, met 10 = constant), uitlokkende en verzachtende factoren. In plaats van één ongedifferentieerde “lage rugpijn” krijg je Symptoom 1 = mechanische lumbale pijn, 6/10, het ergst bij lang zitten en Symptoom 2 = subcostaal visceraal ongemak na vette maaltijden. De twee patronen horen misschien helemaal niet bij dezelfde aandoening — en dat is precies het soort onderscheid dat een body map zichtbaar maakt.
Voorafkans: vier niveaus
Zodra patient script en disease script naast elkaar liggen, wordt elke hypothese in een van vier niveaus ingedeeld:
- Zeer waarschijnlijk (> 67 %) — de aandoening verklaart elk gegeven, en alle kenmerken van de aandoening zijn bij de patiënt aanwezig. Bijna perfecte overlap.
- Waarschijnlijk (34–66 %) — de aandoening verklaart een deel van de gegevens, geen sterke verwerpingskenmerken, gedeeltelijke overlap.
- Onwaarschijnlijk (< 33 %) — weinig gemeenschappelijke kenmerken plus één of meer bevindingen die de aandoening tegenspreken.
- Rode vlag — lage basiskans, maar de gevolgen van een gemiste diagnose te zwaar om te accepteren. Fracturen, occulte kanker, vasculaire pathologie, commotio: je zoekt er actief naar met gevoelige uitsluittests, ook wanneer ze onwaarschijnlijk lijken.
Kans bijwerken met het nomogram van Fagan
Tests geven zelden een zwart-wit antwoord. Wat ze wél geven — als een degelijke studie ze ondersteunt — is een likelihood ratio (LR+ voor een positief resultaat, LR– voor een negatief). Het nomogram van Fagan is een eenvoudig grafisch hulpmiddel dat een voorafkans plus een LR omzet in een nakans. Enkele uitgewerkte voorbeelden uit het college:
- Voorafkans 40 % + LR rond 1 → nakans nog steeds ~46 %. De test voegt niets toe en kan achterwege blijven.
- Voorafkans 20 % + LR+ van 10 → nakans ~70 %. Een “waarschijnlijk” wordt een “zeer waarschijnlijk”: je kunt de behandeling starten.
- Voorafkans 40 % + goede LR– → nakans ~7 %. De aandoening is effectief uitgesloten; ga door naar andere hypothesen.
Kernboodschap: een test met een sterke LR+ is er om een vermoeden te bevestigen, een test met een sterke LR– om een gevaarlijke aandoening uit te sluiten. Tests met LR’s rond 1 — waar veel tijd en geld aan wordt besteed — veranderen bijna niets en horen in vraag gesteld te worden.
Een uitgewerkt cervicaal geval
Het college werkt een casus uit: vrouw van 25, chronische cervicale pijn na whiplash, hoofdpijn en dysesthesieën in de bovenste ledematen. Vier hypothesen worden gerangschikt: mechanische cervicale dysfunctie, cervicale radiculopathie, cervicale myelopathie en — als rode vlag — odontoïdfractuur met ruptuur van het ligamentum alare. Voor elke hypothese worden de nuttigste tests aan hun gepubliceerde LR’s gekoppeld: Spurling en manuele tractie voor radiculopathie (hoge LR+, bevestigend), bovenste-ledemaat-spanningstests voor uitsluiten, en de Sharp-Purser-test (LR+ ≈ 17) voor het ligament. Een subtiel detail: dezelfde test kan niet legitiem dezelfde LR dragen voor twee verschillende aandoeningen — als je tabel dat toont, is de evidentie kritiekloos overgeschreven.
Kernpunten
- Schrijf het patient script uit en vergelijk het met meerdere disease scripts voordat je naar tests grijpt.
- Rangschik je hypothesen in vier niveaus en behoud de categorie “rode vlag” ook bij lage kans.
- Kies tests die de kans daadwerkelijk verschuiven — sterke LR+ om te bevestigen, sterke LR– om uit te sluiten.
- Gebruik een eenvoudig hulpmiddel (Fagan-nomogram) om het bijwerken expliciet te maken in plaats van impliciet.
- Wees sceptisch bij evidentie-tabellen waarin dezelfde test identieke LR’s heeft voor verschillende aandoeningen.
Bekijk het originele college (Spaans)
Originele titel: “Como hacer Diagnóstico Diferencial en Fisioterapia usando un Modelo Probabilístico” — Philippe Tadger, op YouTube.