Beregning af følsomhed og specificitet: 9 trin (med billeder)

Indhold

Trin
- Metode 1 af 1: Udførelse af beregningen
Tips
Advarsler

For enhver test, der administreres til en bestemt population, er det vigtigt at følsomhed, specificitet, positiv prædiktiv værdi, og negativ forudsigelsesværdi at bestemme, hvor nyttig testen er til at bestemme sporene af en sygdom eller karakteristik af den givne population. Hvis vi vil bruge en test til at bestemme en specifik karakteristik af en prøve, vil vi gerne vide følgende:

Hvor sandsynligt er det, at testen vil tilstedeværelse angiver en egenskab hos nogen af attributten (følsomhed)?
Hvor sandsynligt er det, at testen vil fravær af en egenskab indikerer hos nogen uden attributten (specificitet)?
Hvor sandsynligt er det, at nogen med en positiv testresultat Ja attributten (positiv prædiktiv værdi) har?
Hvor sandsynligt er det, at nogen med en negativ testresultat faktisk attributten (negativ forudsigelsesværdi) ikke har?

Disse værdier er meget vigtige at beregne, for at afgøre, om en test er nyttig til at måle en specifik egenskab for en bestemt population. Denne artikel vil demonstrere, hvordan man beregner disse værdier.

Trin

Metode 1 af 1: Udførelse af beregningen

1. Definer en population, der skal testes, for eksempel 1000 patienter i en klinik.

Billede med titlen Beregn følsomhed, specificitet, positiv forudsigelsesværdi og negativ forudsigelig værdi Trin 2

2. Definer den sygdom eller egenskab, du er interesseret i, f.eks syfilis.

Billede med titlen Beregn følsomhed, specificitet, positiv forudsigelsesværdi og negativ forudsigelsesværdi Trin 3

3. Antag en pålidelig `goldstandard`-test for at bestemme forekomsten af sygdommen eller egenskaben, fx mørkfeltsmikroskopidokumentation om tilstedeværelsen af bakterien Treponema pallidum fra syfilis ulcus afskrabninger, i forbindelse med kliniske fund. Brug guldstandarden til at afgøre, hvem der har egenskaberne, og hvem der ikke har. Lad os for eksempel sige, at dette er tilfældet for 100 personer og ikke for 900.

Billede med titlen Beregn følsomhed, specificitet, positiv forudsigelsesværdi og negativ forudsigelsesværdi Trin 4

4. Vælg en test, du er interesseret i at bestemme sensitivitet, specificitet, positiv prædiktiv værdi og negativ prædiktiv værdi for denne population, og test alle i den valgte population. Antag for eksempel, at det er en hurtig plasma reagin (RPR) test for at screene for tilstedeværelsen af syfilis. Brug den til at teste 1000 mennesker i befolkningen.

Billede med titlen Beregn følsomhed, specificitet, positiv forudsigelsesværdi og negativ forudsigelsesværdi Trin 5

5. For personer, der har egenskaben (som bestemt af guldstandarden), skal du registrere antallet af personer, der testede positive og antallet af personer, der testede negative. Gør det samme for personer, der ikke har attributten (som bestemt af guldstandarden). Du vil til sidst have fire numre. Mennesker med karakteristikken OG en positiv test er sande positive (TP). Mennesker med karakteristikken OG en negativ test er falske negativer (FN). Mennesker uden egenskaben OG en positiv test er falske positiver (FP). Mennesker uden egenskaben OG en negativ test er sande negative (TN). Antag, at du har administreret en RPR-test på 1000 patienter. Blandt 100 patienter med syfilis testede 95 positive og 5 negative. Blandt 900 patienter uden syfilis testede 90 positive og 810 negative. I dette tilfælde er TP = 95, FN = 5, FP = 90 og TN = 810.

Billede med titlen Beregn følsomhed, specificitet, positiv forudsigelsesværdi og negativ forudsigelsesværdi Trin 6

6. For at beregne følsomhed skal du dividere TP med (TP + FN). I ovenstående tilfælde bliver det 95/(95+5) = 95 %. Følsomheden fortæller os, hvor sandsynligt det er, at testen vil give et positivt resultat hos en person, der udviser karakteristikken. Hvilken procentdel af mennesker med denne egenskab vil teste positive? 95% følsomhed er ret godt.

Billede med titlen Beregn følsomhed, specificitet, positiv forudsigelsesværdi og negativ forudsigelig værdi Trin 7

7. For at beregne specificitet skal du dividere TN med (FP + TN). I ovenstående tilfælde bliver det 810/(90+810) = 90 %. Specificiteten fortæller os, hvor sandsynligt det er, at testen vil give et negativt resultat, hvis nogen ikke har egenskaben. Hvilken procentdel af alle mennesker uden egenskaben vil teste negativ? 90% specificitet er ganske god.

Billede med titlen Beregn følsomhed, specificitet, positiv forudsigelsesværdi og negativ forudsigelsesværdi Trin 8

8. For at beregne den positive forudsigende værdi (PVW) skal du dividere TP med (TP + FP). I ovenstående tilfælde bliver det 95/(95+90) = 51,4 %. Den positive prædiktive værdi fortæller os, hvor sandsynligt det er, at en person med egenskaben vil komme positivt ud. Hvor stor en andel af alle positivt testede personer udviser faktisk egenskaberne? En PPV på 51,4 % betyder, at hvis du tester positiv, har du 51,4 % chance for, at du rent faktisk har sygdommen.

Billede med titlen Beregn følsomhed, specificitet, positiv forudsigelsesværdi og negativ forudsigelsesværdi Trin 9

9. For at beregne den negative forudsigelige værdi (NAV) skal du dividere TN med (TN + FN). I ovenstående tilfælde bliver det 810/(810+5) = 99,4 %. Den negative prædiktive værdi fortæller os, hvor sandsynligt det er, at nogen ikke vil have karakteristikken, hvis testen er negativ. Hvor stor en andel af alle mennesker, der tester negativt, har virkelig ikke denne egenskab? En NAV på 99,4 % betyder, at hvis din test er negativ, har du 99,4 % chance for ikke at have sygdommen.

Tips

Nøjagtighed eller effektivitet, er procentdelen af testresultater korrekt identificeret af testen, dvs. (sande positive + sande negative) / total af testresultater = (TP+TN)/(TP+TN+FP+FN).
Gode screeningstest har en høj sensitivitet, fordi man gerne vil kunne identificere alle med karakteristikken. Tests med en meget høj følsomhed er nyttige til at påvise sygdomme eller karakteristika at udelukke hvis resultatet er negativt. ("SNEDE": Følsomhed udelukker)
Tegn et 2 x 2 bord for at gøre tingene nemmere.
Vid, at sensitivitet og specificitet er iboende egenskaber ved en bestemt test, og ikke afhænger af den givne population, dvs. disse to værdier bør være ens, hvis den samme test anvendes på forskellige populationer.
Gode bekræftelsestests har høj specificitet, fordi du ønsker, at testen skal være specifik og ikke fejlfortolke nogen uden egenskaben som positiv. Tests med meget høj specificitet er nyttige til: at være sikker på sygdomme eller karakteristika, hvis de er positive. ("SPIN": Specifikitet-regel IN)
På den anden side afhænger den positive prædiktive værdi og den negative prædiktive værdi af prævalensen af træk i en bestemt population. Jo sjældnere karakteristikken er, jo lavere positiv og højere negativ prædiktiv værdi (fordi sandsynligheden for prætesten er lav for en sjælden karakteristik). Omvendt, jo hyppigere en egenskab forekommer, jo højere er den positive prædiktive værdi og jo lavere er den negative prædiktive værdi (fordi sandsynligheden for prætesten er høj for en mere generel egenskab).
Prøv at forstå disse begreber godt.