Beregne følsomhet og spesifisitet: 9 trinn (med bilder)

Innhold

Trinn
- Metode 1 av 1: Utføre beregningen
Tips
Advarsler

For enhver test som administreres til en bestemt populasjon, er det viktig å følsomhet, spesifisitet, positiv prediktiv verdi, og negativ prediktiv verdi for å bestemme hvor nyttig testen er for å bestemme spor av en sykdom eller karakteristikk for den gitte populasjonen. Hvis vi ønsker å bruke en test for å bestemme en spesifikk egenskap ved en prøve, vil vi gjerne vite følgende:

Hvor sannsynlig er det at testen gjør det tilstedeværelse indikerer en egenskap hos noen av attributtet (følsomhet)?
Hvor sannsynlig er det at testen gjør det fravær av en egenskap indikerer hos noen uten attributtet (spesifisitet)?
Hvor sannsynlig er det at noen med en positivt prøve resultater faktisk attributtet (positiv prediktiv verdi) har?
Hvor sannsynlig er det at noen med en negativ testresultatet faktisk attributtet (negativ prediktiv verdi) ikke har?

Disse verdiene er svært viktige å beregne, for å kunne avgjøre om en test er nyttig for å måle en spesifikk egenskap ved en bestemt populasjon. Denne artikkelen vil demonstrere hvordan du beregner disse verdiene.

Trinn

Metode 1 av 1: Utføre beregningen

1. Definer en populasjon som skal testes, for eksempel 1000 pasienter i en klinikk.

Bilde med tittelen Calculate Sensitivity, Specificity, Positive Predictive Value, and Negative Predictive Value Trinn 2

2. Definer sykdommen eller egenskapen du er interessert i, for eksempel syfilis.

Bilde med tittelen Calculate Sensitivity, Specificity, Positive Predictive Value, and Negative Predictive Value Trinn 3

3. Anta en pålitelig "gullstandard"-test for å bestemme utbredelsen av sykdommen eller egenskapen, for eksempel mørkfeltsmikroskopidokumentasjon på tilstedeværelsen av bakterien Treponema pallidum fra utskraping av syfilis sår, i forbindelse med kliniske funn. Bruk gullstandarden for å finne ut hvem som har attributtene og hvem som ikke har det. La oss for eksempel si at dette er tilfellet for 100 personer og ikke for 900.

Bilde med tittelen Calculate Sensitivity, Specificity, Positive Predictive Value, and Negative Predictive Value Trinn 4

4. Velg en test du er interessert i å bestemme sensitivitet, spesifisitet, positiv prediktiv verdi og negativ prediktiv verdi for denne populasjonen, og test alle i den valgte populasjonen. Anta for eksempel at det er en rask plasmareagin-test (RPR) for å screene for tilstedeværelse av syfilis. Bruk den til å teste 1000 mennesker i befolkningen.

Bilde med tittelen Calculate Sensitivity, Specificity, Positive Predictive Value, and Negative Predictive Value Trinn 5

5. For personer som har egenskapen (som bestemt av gullstandarden), registrer antall personer som testet positivt og antall personer som testet negativt. Gjør det samme for personer som ikke har attributtet (som bestemt av gullstandarden). Du vil til slutt ha fire tall. Personer med karakteristikken OG en positiv test er sanne positive (TP). Personer med karakteristikken OG en negativ test er falske negativer (FN). Mennesker uten egenskapen OG en positiv test er falske positive (FP). Mennesker uten egenskapen OG en negativ test er sanne negative (TN). Anta at du har administrert en RPR-test på 1000 pasienter. Blant 100 pasienter med syfilis testet 95 positive og 5 negative. Blant 900 pasienter uten syfilis testet 90 positive og 810 negative. I dette tilfellet er TP = 95, FN = 5, FP = 90 og TN = 810.

Bilde med tittelen Calculate Sensitivity, Specificity, Positive Predictive Value, and Negative Predictive Value Trinn 6

6. For å beregne følsomhet, del TP med (TP + FN). I tilfellet ovenfor blir det 95/(95+5) = 95 %. Sensitiviteten forteller oss hvor sannsynlig det er at testen vil gi et positivt resultat hos noen som viser karakteristikken. Hvor mange prosent av personer med egenskapen vil teste positivt? 95% følsomhet er ganske bra.

Bilde med tittelen Calculate Sensitivity, Specificity, Positive Predictive Value, and Negative Predictive Value Trinn 7

7. For å beregne spesifisitet, del TN med (FP + TN). I tilfellet ovenfor blir det 810/(90+810) = 90 %. Spesifisiteten forteller oss hvor sannsynlig det er at testen vil gi et negativt resultat dersom noen ikke har egenskapen. Hvor mange prosent av alle mennesker uten egenskapen vil teste negativt? 90% spesifisitet er ganske bra.

Bilde med tittelen Calculate Sensitivity, Specificity, Positive Predictive Value, and Negative Predictive Value Trinn 8

8. For å beregne den positive prediktive verdien (PVW), divider TP med (TP + FP). I tilfellet ovenfor blir det 95/(95+90) = 51,4 %. Den positive prediktive verdien forteller oss hvor sannsynlig det er at noen med egenskapen vil komme positivt ut. Hvor stor andel av alle positivt testede som faktisk viser egenskapene? En PPV på 51,4 % betyr at hvis du tester positivt, har du 51,4 % sjanse for at du faktisk har sykdommen.

Bilde med tittelen Calculate Sensitivity, Specificity, Positive Predictive Value, and Negative Predictive Value Trinn 9

9. For å beregne den negative prediktive verdien (NAV), divider TN med (TN + FN). I tilfellet ovenfor blir det 810/(810+5) = 99,4 %. Den negative prediktive verdien forteller oss hvor sannsynlig det er at noen ikke vil ha karakteristikken hvis testen er negativ. Hvor stor andel av alle som tester negativt har egentlig ikke egenskapen? En NAV på 99,4 % betyr at hvis testen din er negativ, har du 99,4 % sjanse for ikke å ha sykdommen.

Tips

Nøyaktighet eller effektivitet, er prosentandelen av testresultatene korrekt identifisert av testen, dvs. (sanne positive + sanne negative) / total av testresultater = (TP+TN)/(TP+TN+FP+FN).
Gode screeningtester har høy sensitivitet, fordi man ønsker å kunne identifisere alle med karakteristikken. Tester med svært høy sensitivitet er nyttige for å oppdage sykdommer eller egenskaper å ekskludere hvis resultatet er negativt. ("SNUTE": Følsomhetsregel UTE)
Tegn en 2 x 2 tabell for å gjøre ting enklere.
Vet at sensitivitet og spesifisitet er iboende egenskaper ved en bestemt test, og ikke avhenger av den gitte populasjonen, det vil si at disse to verdiene bør være de samme hvis den samme testen brukes på forskjellige populasjoner.
Gode bekreftelsestester har høy spesifisitet fordi du vil at testen skal være spesifikk og ikke feiltolke noen uten egenskapen som positiv. Tester med svært høy spesifisitet er nyttige for: å være sikker på sykdommer eller egenskaper hvis de er positive. ("SNURRE RUNDT": Spesifisitet-regel IN)
På den annen side avhenger den positive prediktive verdien og den negative prediktive verdien av utbredelsen av egenskapen i en bestemt populasjon. Jo sjeldnere karakteristikken er, jo lavere positiv og høyere negativ prediktiv verdi (fordi sannsynligheten for pretesten er lav for en sjelden karakteristikk). Omvendt, jo oftere en egenskap forekommer, jo høyere er den positive prediktive verdien og desto lavere er den negative prediktive verdien (fordi sannsynligheten for pretesten er høy for en mer generell egenskap).
Prøv å forstå disse konseptene godt.