Wkodk

Hvordan man beregner sensitivitet, specificitet, positiv prædiktiv værdi og negativ prædiktiv værdi

For enhver given test administreres til en given befolkning, er det vigtigt at beregne sensitivitet, specificitet, positiv prædiktiv værdi og negativ prædiktiv værdi med henblik på at fastslå, hvor nyttig testen er at opdage en sygdom eller egenskab i den givne population. Hvis vi ønsker at bruge en test til at teste en bestemt egenskab i en stikprøve, vil vi gerne vide:

  • Hvor sandsynligt er testen til at påvise tilstedeværelsen af en egenskab i en person med den karakteristiske (følsomhed)?
  • Hvor sandsynligt er testen at påvise fraværet af en egenskab i en person uden fravær> den karakteristiske (specificitet)?
  • Hvor sandsynligt er en person med et positivt testresultat til rent faktisk at have en positiv> den karakteristiske (positiv prædiktiv værdi)?
  • Hvor sandsynligt er en person med et negativt testresultat til rent faktisk ikke har negativ> den karakteristiske (negativ prædiktiv værdi)?

Disse værdier er meget vigtigt at beregne for at afgøre, om en test er nyttig til at måle en bestemt egenskab i en given population. Denne artikel vil vise, hvordan man beregner disse værdier.

Steps

Hvordan man beregner sensitivitet, specificitet, positiv prædiktiv værdi og negativ prædiktiv værdi. sensitivitet, specificitet, positiv prædiktiv værdi.
Hvordan man beregner sensitivitet, specificitet, positiv prædiktiv værdi og negativ prædiktiv værdi. sensitivitet, specificitet, positiv prædiktiv værdi.

Laver din egen beregning

  1. 1
    Definer en befolkning på prøve, e. G. 1000 patienter i en klinik.
  2. 2
    Definer sygdommen eller egenskab af interesse, e. G..
  3. 3
    Har en veletableret gold standard test for at bestemme prævalensen af sygdom eller egenskab, e. G. Darkfield mikroskopisk dokumentation af tilstedeværelsen af Treponema pallidum bakterier skraber en syphilic øm i samarbejde med kliniske fund. Brug den gyldne standard test for at afgøre, hvem der har den karakteristiske, og hvem der ikke gør. Til illustration lad os sige 100 mennesker har det, og 900 ikke.
  4. 4
    Har en test, som du er interesseret i at bestemme dens følsomhed, specificitet, positiv prædiktiv værdi og negativ prædiktiv værdi for denne population, og køre denne test på alle inden for det valgte population prøven. For eksempel, lad denne test være en hurtige plasma reagin (RPR) test til at screene for syfilis. Brug den til at teste de 1000 mennesker i prøven.
  5. 5
    For mennesker, der har den karakteristiske (som bestemt af guldstandarden) registrere antallet af mennesker, der blev testet positive, og antallet af mennesker, der testede negativ. Gør det samme for folk, der ikke har den karakteristiske (som bestemt af guldstandarden). Du vil ende op med fire numre. Mennesker med den karakteristiske og testet positive er de sande positive (TP). Mennesker med den karakteristiske og testet negativ er de falsk negative (FN). Folk uden den karakteristiske og testet positive er de falske positiver (FP). Folk uden den karakteristiske og testet negativ er de sande negativer (TN) For eksempel, lad os antage, at du gjorde RPR test på de 1000 patienter. Blandt de 100 patienter med syfilis, 95 af dem testet positiv, og 5 testet negativ. Blandt de 900 patienter uden syfilis, testet 90 positive, og 810 blev testet negativ. I dette tilfælde, TP = 95, FN = 5, FP = 90, og TN = 810.
  6. 6
    For at beregne følsomheden, dividere TP af (tp + fn). I ovenstående tilfælde, ville det være 95 / (95 +5) = 95%. Følsomheden fortæller os, hvor sandsynligt testen er kommet tilbage positiv i en person, der har den egenskab. Blandt alle mennesker, der har den karakteristiske, hvad vil andelen teste positiv? 95% følsomhed er temmelig godt.
  7. 7
    For at beregne specificitet, dividere TN af (fp + tn). I ovenstående tilfælde ville det være 810 / (90 810) = 90%. Specificiteten fortæller os, hvor sandsynligt testen er at komme tilbage negativ i nogen, der ikke har den egenskab. Blandt alle mennesker uden den karakteristiske, hvad vil andelen teste negativ? 90% specificitet er temmelig godt.
  8. 8
    For at beregne den positive prædiktive værdi (PPV), dividere TP af (tp + fp). I ovenstående tilfælde, ville det være 95 / (95 +90) = 51,4%. Den positive prædiktive værdi fortæller os, hvor sandsynligt en person er at have den karakteristiske, hvis testen er positiv. Blandt alle mennesker, der testes positive,? Hvilken andel virkelig har den egenskab 51,4% PPV betyder, at hvis du tester positiv, har du en 51,4% chance for rent faktisk at have sygdommen.
  9. 9
    For at beregne den negative prædiktive værdi (NPV), dividere TN af (tn + fn). I ovenstående tilfælde ville det være 810 / (810 +5) = 99,4%. Den negative prædiktive værdi fortæller os, hvor sandsynligt en person er ikke at have den karakteristiske, hvis testen er negativ. Blandt alle mennesker, der tester negativ, virkelig, hvad andel ikke har den karakteristiske? 99,4% NPV betyder, at hvis du tester negativ, har du en 99,4% chance for ikke at have sygdommen.

Tips

  • Prøv at tegne en 2x2 tabel at gøre tingene lettere.
  • Nøjagtighed eller effektivitet, er den procentdel af testresultater korrekt identificeret af testen, dvs (sand positive + sand negative) / total testresultater = (TP + TN) / (TP + TN + FP + FN).
  • Prøv at forstå disse begreber godt.
  • Gode ​​bekræftende tests har høj specificitet, fordi du vil have din test for at være specifikke og ikke mislabel dem uden den karakteristiske som at have det. Forsøg med meget høj specificitet er nyttige til at regere ved sygdomme eller karakteristika, hvis de kommer tilbage positiv. ("SPIN": Specificitet-reglen IN)
  • Ved at sensitivitet og specificitet er iboende egenskaber af en given test, og ikke afhænger af den given befolkning, dvs disse to værdier bør være den samme, når den samme prøve anvendes på forskellige populationer.
  • Positiv prædiktiv værdi og negativ prædiktiv værdi, på den anden side, afhænger forekomsten af ​​kendetegnet i en given befolkning. Jo sjældnere egenskab, jo lavere positive prædiktive værdi og jo højere den negative prædiktive værdi (fordi præ-test sandsynlighed er lav for sjælden egenskab). Omvendt mere almindelige karakteristiske, jo højere positive prædiktive værdi og lavere negative prædiktive værdi (fordi præ-test sandsynlighed er høj for fælles kendetegn).
  • Gode ​​screeningstest har høj følsomhed, fordi du ønsker at være i stand til at opfange alle dem, der har den egenskab. Forsøg med meget høj følsomhed er nyttigt at udelukke sygdomme eller karakteristika, hvis de kommer tilbage negative. ("SNUDE": Følsomhed-reglen OUT)

Advarsler

  • Det er nemt at lave sjuskefejl i beregningen. Tjek din matematik omhyggeligt. Tegning en 2x2 tabel vil hjælpe.