وبائيات الأمراض النادرة: كيف نحسب الانتشار وحجم السكان الحقيقي دون تضليل؟

1. لماذا يبدو سؤال «كم عدد المرضى؟» بسيطًا وهو ليس كذلك؟

قد تجد prevalence في Orphanet أو دراسة ثم تضربها في عدد سكان بلد وتخرج برقم يبدو علميًا. المشكلة أن prevalence قد تكون point أو birth أو lifetime، وقد تأتي من منطقة ذات جينات وتشخيص مختلفين، وقد تستثني غير المشخّصين. كذلك بعض الأمراض النادرة أكثر شيوعًا في تجمعات معينة بسبب founder effect أو القرابة. لذلك أي تقدير وطني يجب أن يبدأ بتعريف المقياس والسكان والفترة ومصدر البيانات، ثم يعرض نطاق عدم اليقين بدل رقم وحيد.

2. ما هي prevalence؟

Prevalence هي نسبة الأشخاص الموجود لديهم المرض في سكان محددين. point prevalence تقيس الحالة في لحظة أو تاريخ، وperiod prevalence خلال فترة، وlifetime prevalence مفهوم آخر. في الأمراض الوراثية المزمنة غالبًا نستخدم point prevalence للتخطيط، لكن الأمراض ذات الوفاة المبكرة أو التشخيص المتأخر تحتاج تفسيرًا أدق. لا تحول reported cases إلى prevalence من دون denominator مناسب.

3. incidence ليست prevalence

Incidence تقيس الحالات الجديدة في فترة بين أشخاص معرضين. قد يكون المرض نادر الحدوث سنويًا لكنه ذو prevalence أعلى إذا عاش المرضى سنوات طويلة، وقد يكون incidence أعلى من المتوقع لكن prevalence منخفضة بسبب وفاة مبكرة. عند تخطيط newborn screening أو عدد الحالات الجديدة للعلاج نحتاج incidence/birth prevalence، بينما تخطيط مراكز الرعاية يحتاج عدد الأشخاص الحاليين.

Birth prevalence في الأمراض الخلقية والجينية

بعض المصادر تعرض عدد الحالات لكل ولادة حية. هذا يفيد في تقدير المواليد الجدد لكنه لا يساوي prevalence بين كل الأعمار. يجب مراعاة prenatal diagnosis، pregnancy loss، migration والبقاء. لا تستخدم birth prevalence مباشرة لحساب عدد البالغين.

4. تعريف «rare» نفسه يختلف

لا يوجد threshold قانوني عالمي واحد. Orphanet توضح أن أوروبا تستخدم نحو 1 لكل 2,000، بينما الولايات المتحدة تعتمد عددًا مطلقًا أقل من 200,000. Rare Diseases International قدمت في 2024 وصفًا تشغيليًا عالميًا يعتمد ألا يتجاوز المرض 1 في 2,000 داخل أي منطقة WHO. لذلك عدد الأمراض التي تدخل تحت سياسة وطنية قد يختلف حسب التعريف، ويجب أن تذكر الدراسة threshold المستخدم.

5. ما العدد العالمي الحالي؟

Factsheet Orphanet فبراير 2026 يذكر 6,528 distinct rare diseases وفق nomenclature المستخدمة ويقدّر أن rare diseases مجتمعة تؤثر في نحو 4–7.6% من الناس عالميًا، أي نطاق كبير من مئات الملايين. هذه ليست prevalence لمرض واحد ولا قاعدة لضربها مباشرة في سكان دولة. هي تقدير جماعي يعتمد منهجًا ومصادر محددة ويذكّر بأن الأمراض النادرة فرديًا نادرة لكنها مجتمعة عبء كبير.

6. لماذا تغيرت تقديرات 3.5–5.9% إلى نطاقات أحدث؟

تحليل Orphanet المنشور 2019 قدّر 3.5–5.9% بناء على subset من الأمراض prevalent وبشروط استبعاد محددة. تقارير Orphanet الأحدث توسّع وتحدّث nomenclature والبيانات والمنهج، لذلك قد تعرض نطاقًا 4–7.6%. لا نقول إن الدراسة القديمة «خاطئة»؛ بل نذكر سنة ومنهج كل تقدير. تحديث الأرقام جزء طبيعي من علم الوبائيات عندما تتحسن nomenclature والمصادر.

7. معظم الأمراض شديدة الندرة لكن معظم المرضى يتركزون في عدد أقل من الأمراض

التحليل الكلاسيكي لقاعدة Orphanet وجد أن نسبة كبيرة جدًا من rare diseases تقع تحت 1 لكل مليون، بينما معظم العبء السكاني يأتي من نسبة صغيرة من الأمراض الأقرب إلى حد الندرة. هذا مهم للتخطيط: لا يمكن تصميم السياسة على «متوسط مرض نادر». بعض الأمراض تحتاج شبكة وطنية كبيرة، وأخرى قد يكون في البلد كله أسرة أو أسرتان فقط.

8. لا تجمع prevalence للأمراض من دون حل التداخل

إذا جمعت prevalence لكل subtype وgroup وdisorder قد تعد نفس المريض أكثر من مرة. Orphanet تميز بين group of disorders وdisorder وsubtype. عند حساب burden الجماعي يجب اختيار level متسق وتجنب inclusion مزدوج. هذا أحد أسباب اختلاف بعض الأرقام التي تجمع قواعد متعددة بلا تنقية granularity.

9. diagnostic ascertainment هو أكبر مصدر خفي للانحياز

Registry يعتمد على حالات مشخّصة فقط يلتقط ما يستطيع النظام اكتشافه، لا ما هو موجود بيولوجيًا. إذا كانت genetic testing محدودة، سترتفع prevalence بعد توسيع التشخيص حتى لو لم يتغير المرض الحقيقي. لذلك trend في registered cases يحتاج تفسيرًا مع تغير access والفحص والوعي. زيادة العدد قد تكون نجاحًا في الاكتشاف لا وباء جديدًا.

10. referral bias في مراكز الخبرة

مركز جينات مرجعي قد يرى حالات أشد أو أعقد من المجتمع. حساب prevalence من مرضاه وحدهم يبالغ أو يقلل بحسب referral catchment. نحتاج denominator لسكان المنطقة ومسارات الإحالة ومصادر متعددة. الدراسات المستشفوية ممتازة لوصف phenotype لكنها ليست تلقائيًا population-based.

11. founder effect يمكن أن يقلب ترتيب الأمراض محليًا

Variant موروث من سلف مشترك قد يصبح أكثر شيوعًا في قبيلة أو جزيرة أو مجتمع جغرافي. عندها مرض عالميًا ultra-rare قد يكون محليًا أقل ندرة. لا تُلغِ البيانات المحلية لأن Orphanet العالمي يعطي رقمًا أقل. استخدم allele frequency المحلية، newborn screening، family pedigrees أو registries لتقدير خاص بالمنطقة.

12. القرابة ليست prevalence multiplier ثابتًا

ارتفاع زواج الأقارب قد يزيد احتمال بعض الأمراض autosomal recessive، لكنه لا يعني ضرب prevalence لكل rare genetic disease بنسبة واحدة. التأثير يعتمد على carrier frequency والبنية السكانية وfounder variants. يجب تجنب اللغة الوصمية واستخدام بيانات جينية/وبائية فعلية. في MENA هذه نقطة منهجية مهمة لأن نمط الأمراض قد يختلف عن أوروبا، وليس فقط العدد الإجمالي.

13. migration قد يغير denominator والnumerator

دول ذات هجرة عالية قد تعالج مرضى غير مقيمين أو تفقد متابعة أشخاص غادروا. حدد هل prevalence تخص residents أم citizens أم service users. في budget planning قد تحتاج الاثنين: عدد المقيمين المؤهلين للتمويل وعدد الحالات التي يخدمها المركز فعليًا.

14. mortality والبقاء يغيران prevalence عبر الزمن

إذا تحسن العلاج وبقي المرضى أحياء مدة أطول، prevalence ترتفع حتى لو incidence ثابتة. هذا نجاح علاجي لكنه يزيد طلب الرعاية طويلة المدى. لذلك projection لعشر سنوات يحتاج survival assumptions والعلاجات الجديدة، لا incidence وحدها.

15. delayed diagnosis يشوه توزيع العمر

مرض يبدأ بالطفولة قد يظهر في registry عند عمر 12 لأن التشخيص تأخر. إذا استخدمت age at diagnosis كage at onset ستستنتج خطأ أن المرض يبدأ متأخرًا. يجب فصل onset، first symptom، first referral وconfirmed diagnosis. هذه الفواصل نفسها مؤشرات أداء للنظام.

16. كيف نستخدم Orphanet epidemiological data؟

ابدأ بصفحة المرض وتقارير prevalence/incidence ومصدر الدراسات، ثم سجل geographic area وtype of epidemiological measure وinterval. Orphanet Reports تنشر قوائم سنوية وOrphadata يوفر datasets. لا تنقل قيمة بلا الوحدة والتاريخ والمنطقة. إذا وجدت عدة estimates، استخدم range وقيّم جودة المصادر بدل اختيار الرقم الأوسط تلقائيًا.

17. سجل المرضى ليس census

حتى registry وطني قد يفقد مرضى لم يوافقوا أو لم يصلوا لمركز أو ماتوا قبل التسجيل. احسب completeness إن أمكن بمقارنة EHR/claims/lab/newborn screening ومصادر أخرى. لا تسمِّ عدد registry «عدد المرضى في الدولة» إلا إذا كانت التغطية معروفة.

18. Capture–recapture: متى يفيد؟

إذا لديك قائمتان أو أكثر من مصادر مستقلة نسبيًا—مثل registry ومستشفيات ومختبرات—يمكن استخدام capture–recapture لتقدير الحالات غير المرصودة من pattern overlap. لكن الافتراضات قوية: استقلال المصادر، تعريف حالة ثابت، matching صحيح واحتمال capture مناسب. إذا كانت المراكز تحيل لبعضها بشدة قد ينتهك الاستقلال. استخدمه بتحليل sensitivity وليس معادلة سحرية.

19. Claims data: واسعة لكن diagnosis قد يكون غير دقيق

بيانات المطالبات تغطي سكانًا كبيرين لكنها تعتمد codes المستخدمين للفوترة. في rare diseases قد تكون codes عامة، أو يدخل code rule-out أثناء الفحص. نحتاج algorithm يتطلب أكثر من claim أو specialist confirmation أو procedure/genetic evidence حسب المرض. validation على sample chart review مهم قبل نشر prevalence.

20. Genetic laboratory data: قوية للتشخيص الجزيئي لكن denominator صعب

مختبر مركزي قد يعرف عدد positive tests، لكنه لا يعرف كل population tested في البلد أو من فُحص بالخارج، وقد تتكرر الاختبارات للشخص نفسه. كذلك variant positivity لا يساوي clinical disease في penetrance غير كاملة. استخدم lab data كمصدر case ascertainment مع deduplication وclinical linkage.

21. Newborn screening يعطي denominator ممتازًا لبعض الأمراض

برامج الفحص الشامل تعرف عدد المواليد المفحوصين وحالات confirmatory diagnosis، ما يسمح بتقدير birth prevalence جيد عندما test performance والمتابعة واضحة. لكنه يطبق فقط على panel محدد، وقد تتغير cutoffs والمنهج عبر السنوات. احتفظ بالبرنامج والإصدار والتغطية.

22. كيف نبني estimate وطنيًا عندما لا يوجد registry؟

23. مثال مفاهيمي: لماذا ثلاثة أرقام أفضل من رقم واحد؟

إذا كانت prevalence العالمية 1 لكل 50 ألف وسكان البلد 10 ملايين، naive estimate يعطي 200. لكن إذا المرض founder-enriched محليًا قد يكون العدد أعلى، وإذا diagnostic capacity ضعيفة قد يكون المسجل 40 فقط. تقرير جيد يقول: 40 confirmed، 120–300 expected under scenarios، مع سبب النطاق وخطة لتحسينه. هذا أكثر صدقًا من تقديم «200 مريض» كحقيقة.

24. confidence interval لا يحل systematic bias

يمكن حساب CI ضيق حول estimate من sample كبير لكنه يظل خاطئًا إذا definition أو ascertainment منحاز. فرّق statistical uncertainty عن structural uncertainty. في rare disease غالبًا structural uncertainty أكبر: من لم يُشخّص؟ هل mapping صحيح؟ هل denominator residents؟ لذلك sensitivity scenarios ضرورية بجانب interval.

25. لماذا MENA تحتاج بياناتها الخاصة؟

دراسة 2025 عن Middle East أبرزت نقص الوعي والسياسات والتحديات في الوصول والعلاجات. وللمنطقة خصائص سكانية وتشخيصية مختلفة بين دولها. لا يوجد «MENA prevalence» واحد لكل مرض. نحتاج national data infrastructure مشتركة المعايير، مع ORPHAcode، وربط المختبرات ومراكز الخبرة، ثم تجميع إقليمي de-identified عندما يفيد.

لا تعمم نتائج السعودية أو الإمارات أو مصر على كل المنطقة

السكان، screening، migration، التأمين والمراكز تختلف. استخدم كل دراسة داخل سياقها. يمكن مشاركة المنهج والمصطلحات، لكن estimate يتطلب denominator وcase ascertainment محليين.

26. كيف ترتبط prevalence بالـHTA؟

Budget impact يعتمد مباشرة على عدد eligible patients، وأحيانًا uncertainty في population أكبر من uncertainty في drug effect. لذلك health economics يجب أن تستورد epidemiology model versioned، لا رقمًا من brochure. اختبر backlog عند launch وincident cases والdiagnosed gap. coding/registry improvements قد تكشف patients إضافيين بعد التغطية، فيرتفع budget عن التوقع.

27. كيف ترتبط prevalence بالتجارب السريرية؟

Trial feasibility يحتاج عدد المرضى، مواقعهم، stage وeligibility، لا prevalence الإجمالية. مرض لديه 500 شخص في المنطقة قد لا يملك إلا 40 ضمن عمر/genotype المطلوب. Registry structured يساعد في pre-screening مع قواعد privacy. لا تستخدم epidemiological estimate كقائمة تجنيد.

28. Dashboard وطني يجب أن يعرض ما لا نعرفه أيضًا

29. تحديث التقدير عند تغير nomenclature

إذا split disease أو أُعيد تعريف subtype، قد تتغير denominator disease count دون تغير المرضى. لذلك prevalence series تحتاج version of nomenclature. عند reclassification أعد حساب السنوات السابقة إن كان ذلك ممكنًا أو ضع break in series. لا تقارن 2024 و2027 إذا تغير entity definition وتقول إن prevalence ارتفعت بيولوجيًا.

30. جودة الدراسة أهم من كونها «محلية» فقط

دراسة single-center صغيرة محلية قد تكون أقل صلاحية من registry أوروبي كبير لparameter معين، والعكس عندما توجد founder population. قيّم case definition، denominator، coverage، dates، diagnostic method، missing data وconfidence. استخدم hierarchy مرنة: local population-based > local registry validated > regional > global adjusted، لكن الجودة قد تغير الترتيب.

31. دور منظمات المرضى في epidemiology

Patient organizations قد تساعد في الوصول إلى حالات غير ممثلة وتحديد burden وأسئلة البحث، لكنها لا تملك بالضرورة denominator يسمح بحساب prevalence. قائمة أعضاء الجمعية لا تساوي السكان المرضى. يمكنها المساهمة في registry recruitment والتحقق من feasibility مع فصل بيانات العضوية عن البحث. Global Genes Rare Research Roadmap مفيدة في بناء قدرات البحث، لكن التقدير الوبائي يحتاج منهج population واضح.

32. متى نقول «لا نعرف»؟

إذا كانت البيانات لا تسمح بتقدير مسؤول، اذكر confirmed count والنطاق من الأدبيات ودرجة عدم اليقين. عدم إعطاء رقم أفضل من رقم زائف يستخدم لاحقًا في ميزانية أو قرار مركز. ثم حوّل الفجوة إلى data plan: coding، lab linkage، registry، screening أو study.

33. خلاصة تنفيذية

وبائيات المرض النادر ليست عملية ضرب بسيطة. ابدأ بتعريف المرض ومقياس prevalence، استخدم Orphanet ومصادر دولية كنقطة مرجعية، ثم صحح بالبيانات المحلية والتشخيص والسكان والوراثة والبقاء. افصل confirmed عن expected، واعرض uncertainty، واربط كل estimate بإصدار nomenclature وتاريخ. عندما يتحسن ORPHAcoding والregistry يصبح التقدير أدق سنة بعد سنة. الهدف ليس إنتاج أكبر رقم، بل رقم يمكن لصانع القرار والباحث والمريض الوثوق في طريقة بنائه.

34. الأعداد الصغيرة تحتاج إحصاءً يناسبها

عندما يكون لدينا 3 أو 7 حالات، فإن نسبة بسيطة قد تتغير كثيرًا بإضافة حالة واحدة. لذلك يجب عرض العدد الخام مع المعدل وفترة الثقة، واستخدام نماذج مناسبة للأحداث النادرة مثل Poisson عندما تلائم assumptions. لا تقارن منطقتين بناء على فرق صغير بلا uncertainty. وفي الجداول السنوية، تجنب استنتاج trend من تذبذب عشوائي. إذا كان العدد شديد الصغر، قد يكون تجميع عدة سنوات أكثر ثباتًا مع توضيح أن المقياس أصبح period estimate.

Bayesian estimates قد تساعد لكن prior يجب أن يكون معلنًا

في مرض ultra-rare يمكن للنماذج Bayesian دمج بيانات محلية قليلة مع معلومات سابقة من دراسات خارجية، فتنتج posterior distribution بدل نقطة واحدة. هذه المرونة مفيدة عندما تكون البيانات قليلة، لكنها قد تجعل prior الخارجي يهيمن على النتيجة إذا كانت العينة المحلية صغيرة جدًا. لذلك يجب عرض prior ومصدره واختبار priors بديلة، خصوصًا إذا كنا نتوقع founder effect أو اختلافًا سكانيًا يجعل البيانات الخارجية أقل قابلية للنقل.

35. التوحيد العمري والجنسي قبل مقارنة البلدان

دولة شابة سكانيًا ودولة مسنة قد تظهران prevalence مختلفة لمرض late-onset حتى لو كانت المخاطر العمرية متشابهة. عند المقارنة الدولية يمكن استخدام age-standardized rates وفق standard population مناسب، أو على الأقل stratify النتائج حسب العمر والجنس. هذا مهم أيضًا للأمراض المرتبطة بالكروموسوم X أو التي تختلف survival فيها بين الجنسين. لا تعالج standardization نقص التشخيص، لكنها تمنع جزءًا من الاختلاف الديموغرافي من الظهور كاختلاف مرضي.

36. denominator يجب أن يطابق السؤال

عدد سكان census في منتصف السنة مناسب لبعض معدلات prevalence العامة، لكنه ليس دائمًا denominator الصحيح. Birth prevalence تستخدم live births، incidence لمرض عمره محدد قد تحتاج person-time أو population at risk، ومركز إقليمي يخدم دولًا عدة يحتاج catchment لا سكان مدينة المستشفى. عند وجود لاجئين أو سكان متنقلين، يجب توضيح من يدخل denominator ومن يدخل numerator. mismatch بينهما قد ينتج معدلًا خاطئًا أكثر من أي خطأ إحصائي آخر.

اللاجئون والنازحون والسكان غير المؤمن عليهم قد يصبحون غير مرئيين

إذا استمد registry الحالات من التأمين فقط فسيفقد غير المؤمن عليهم أو من يستخدمون خدمات إنسانية منفصلة. وإذا كان denominator يشملهم بينما numerator لا يلتقطهم، ستبدو prevalence منخفضة. في MENA تحتاج الدراسات إلى وصف مصادر الرعاية وتغطية السكان بوضوح، وربط آمن مع القطاعات الإنسانية أو المختبرات عند الإمكان، دون جمع بيانات تعريفية غير ضرورية.

37. سجلات الوفاة مصدر ناقص لكنه قد يكشف حالات مفقودة

Death certificates يمكن أن تكشف مرضى لم يظهروا في registry، خصوصًا الأمراض ذات الوفاة المبكرة، لكن accuracy تعتمد على coding ومعرفة الطبيب وقد يُكتب سبب قريب بدل المرض النادر الأساسي. استخدمها كمصدر ascertainment إضافي لا gold standard. الربط مع ORPHA/ICD والجينات والتقارير السريرية يمكن أن يحسن الفهم، مع احترام قوانين البيانات.

38. المختبرات الوطنية قد تكون أفضل نقطة لاكتشاف بعض الأمراض

إذا كان فحص معين لا يُجرى إلا في مختبر أو اثنين، فإن laboratory information system يمكن أن يكون مصدرًا قويًا للحالات المؤكدة. لكن يجب deduplicate الأشخاص، استبعاد quality-control samples، التفريق بين diagnostic وcarrier testing، ومراجعة variants التي تغير تصنيفها. كما يجب حساب من فُحص خارج البلد أو في private labs حتى لا يتحول المركز الوطني إلى illusion of complete coverage.

39. direct standardization وindirect standardization: متى نستخدم كلًا؟

Direct standardization يحتاج age-specific rates مستقرة في السكان المدروسين؛ في ultra-rare disease قد تكون الخلايا فارغة أو صغيرة جدًا. عندها قد يكون indirect standardization وStandardized Morbidity Ratio أنسب: نطبق rates مرجعية على البنية السكانية المحلية ثم نقارن observed/expected. لكن المرجع نفسه يجب أن يكون قابلًا للنقل. إذا كانت genetics أو diagnostic access مختلفة، SMR قد يعكس اختلاف ascertainment لا biology فقط.

40. privacy: small-cell suppression جزء من نشر الوبائيات

في rare disease قد يكون نشر «أنثى عمرها 13 سنة في محافظة صغيرة» كافيًا للتعرف على الشخص. لذلك dashboards العامة يجب أن تطبق small-cell suppression أو aggregation، وتمنع استنتاج القيمة المخفية من المجاميع. يمكن نشر نطاق أو تجميع محافظات/سنوات، بينما يحصل الباحث المعتمد على بيانات أدق داخل بيئة آمنة. الخصوصية لا تعني حذف كل فائدة من البيانات، بل تصميم طبقات وصول متناسبة مع خطر إعادة التعرف.

41. كيف نقيس completeness للسجل؟

لا يوجد اختبار واحد. قارِن registry بمصادر مستقلة: claims، genetics labs، specialist clinics، newborn screening، death records. احسب نسبة الحالات الموجودة في أكثر من مصدر، وراجع عينة من missing links. يمكن أيضًا قياس completeness جغرافيًا: هل مناطق بعيدة تكاد تخلو من الحالات رغم سكانها؟ قد يكون ذلك access gap. والأفضل تكرار القياس سنويًا لأن registry يتحسن أو يتدهور مع تغير الإحالة والأنظمة.

42. Projection عند إطلاق علاج جديد

Budget planning يحتاج أكثر من prevalence الحالية. ابن cohort model يبدأ بالمرضى المعروفين، ثم يضيف expected undiagnosed الذين قد يظهرون بعد حملة فحص أو علاج جديد، والحالات incident سنويًا، ويطرح الوفاة والهجرة وعدم الأهلية. افصل prevalent backlog في السنة الأولى عن steady-state لاحقًا. إذا كان العلاج gene-specific، استخدم genotype distribution لا disease prevalence العامة. واعرض low/base/high لأن إطلاق علاج نفسه قد يرفع diagnostic ascertainment.

43. كيف نتحقق من estimate قبل استخدامه في قرار مالي؟

اطلب triangulation: هل estimate من literature قريب من lab counts وregistry وexpert catchment؟ إذا اختلفت المصادر بعامل عشرة، لا تأخذ المتوسط؛ ابحث عن السبب. راجع disease definition، العمر، الإقامة، diagnostic method، السنوات. ثم وثّق assumptions في versioned epidemiology memo يمكن تحديثه. يجب أن يعرف HTA أي رقم استخدم ولماذا، لا أن يستورد spreadsheet بلا provenance.

44. prevalence ratio قد يكشف عدم مساواة لا اختلافًا وراثيًا

إذا كانت منطقة حضرية تسجل ضعف الحالات عن الريفية، قد يكون السبب access to genetics أو referral لا risk حقيقيًا. قارن diagnostic testing rates وtime-to-diagnosis وcoverage. كذلك ارتفاع prevalence بعد افتتاح مركز خبرة قد يعكس discovery. لا تحول كل geographic cluster إلى founder effect قبل استبعاد surveillance bias.

45. قائمة تحقق قبل نشر أي رقم وطني

• ما ORPHA entity وإصدار nomenclature؟
• هل المقياس prevalence أم incidence أم birth prevalence؟
• ما numerator وما diagnosis status؟
• ما denominator والفترة؟
• هل السكان residents أم citizens أم service users؟
• كيف عولجت duplicates والهجرة والوفيات؟
• ما مصادر underdiagnosis؟
• هل توجد age/sex standardization عند المقارنة؟
• ما interval أو uncertainty range؟
• كيف حُميت الخلايا الصغيرة؟
• ما تاريخ آخر تحديث وخطة المراجعة؟

46. من البيانات الضعيفة إلى نظام تعلم وبائي

لا تنتظر registry مثاليًا. ابدأ confirmed minimum count مع coding موحد، ثم أضف source linkage وcompleteness metrics وestimated range. كل سنة قارن estimate السابق بما اكتُشف فعليًا، وعدّل assumptions. بهذه الدورة تتحول uncertainty إلى معلومة قابلة للقياس، وتصبح الدولة أقدر على تخطيط الفحوص والعلاجات ومراكز الخبرة. نجاح النظام ليس الوصول إلى رقم ثابت، بل القدرة على تفسير لماذا تغير الرقم.

47. Sensitivity analysis لنقص التشخيص: لا تخفِ الافتراض داخل رقم واحد

إذا كان لدينا 80 حالة مؤكدة لكننا نعتقد أن التشخيص يلتقط 40–70% من الحالات، لا نختار نسبة 55% ونقدّم الناتج كحقيقة. ابن سيناريوهات معلنة: observed minimum، ثم estimates عند ascertainment منخفض ومتوسط وعالٍ. ويمكن أن تختلف النسبة حسب العمر أو المنطقة؛ فالأطفال قد يصلون إلى genetics أسرع من البالغين، والمدن قد تمتلك وصولًا أفضل. إذا أمكن، اربط assumptions ببيانات فعلية مثل diagnostic yield، نسبة الإحالات، أو مقارنة registry بمختبرات. مع تحسن النظام، حدّث السيناريو ولا تستمر في استخدام correction factor قديم.

48. افصل أنواع عدم اليقين بدل جمعها في هامش غامض

عدم اليقين الوبائي له مصادر مختلفة: sampling uncertainty بسبب العدد الصغير؛ ascertainment uncertainty بسبب الحالات غير المشخّصة؛ classification uncertainty بسبب mapping أو تغير nomenclature؛ denominator uncertainty بسبب الهجرة أو السكان غير المسجلين؛ وparameter uncertainty في survival أو incidence. يجب أن يوضح التقرير أيها يقود النطاق. إذا كان السبب الأساسي underdiagnosis فلن يحله CI إحصائي أضيق، وإذا كان السبب denominator فلا يفيد sequencing أكثر. هذه الخريطة تحول «لدينا عدم يقين» إلى خطة تحسين بيانات محددة.