Enhver test udført på en bestemt population skal kunne beregnes følsomhed, specificitet, positiv forudsigelsesværdi, og negativ forudsigelsesværdi, for at bestemme nytten af testning til påvisning af en bestemt sygdom eller populationskarakteristik. Hvis vi vil bruge en test til at teste bestemte egenskaber i en prøvepopulation, skal vi vide:
- Hvor sandsynligt er denne test at opdage eksistens visse egenskaber ved en person med sådanne egenskaber (følsomhed)?
- Hvor sandsynligt er denne test at opdage fravær visse egenskaber ved en person som ikke har disse egenskaber (specificitet)?
- Hvor sandsynligt er det, at nogen, der har de samme testresultater positiv virkelig har disse egenskaber (positiv forudsigelsesværdi)?
-
Hvor sandsynligt er det, at en person, hvis testresultater negativ virkelig har ikke disse egenskaber (negativ forudsigelsesværdi)?
Disse værdier er meget vigtige at beregne for afgøre, om en test er nyttig til måling af bestemte karakteristika i en given population.
Denne artikel viser dig, hvordan du beregner disse værdier.
Trin
Metode 1 af 1: Tæl dig selv
Trin 1. Definer den population, der skal udtages, f.eks. 1000 patienter på en klinik
Trin 2. Bestem den ønskede sygdom eller karakteristik, f.eks. Syfilis
Trin 3. Hav en standardguldstandard til bestemmelse af sygdomsforekomst eller ønskede egenskaber, f.eks. Mikroskopisk mørkfeltdokumentation af bakterien Treponema pallidum fra syfilitiske sårfragmenter, i samarbejde med kliniske fund
Brug guldstandardtesten til at afgøre, hvem der har egenskaberne, og hvem der ikke har. Lad os sige, at 100 mennesker har karakteristikken og 900 ikke har det.
Trin 4. Udfør den test, du er interesseret i, for at bestemme dens følsomhed, specificitet, positive forudsigelsesværdi og negative forudsigelsesværdi for denne population
Udfør derefter testen for alle i prøvepopulationen. Lad os f.eks. Sige, at dette er en hurtig plasma -reagin -test (RPR) til screening for syfilis. Brug den til at teste 1000 mennesker i en prøve.
Trin 5. For personer, der har egenskaberne (som bestemt af guldstandarden), registreres antallet af mennesker, der testede positivt, og antallet af mennesker, der testede negative
Gør det samme for mennesker, der ikke har egenskaberne (som defineret af guldstandarden). Du vil have fire tal. Folk, der har egenskaberne OG testresultater, er positive sande positive (sande positive eller TP). Folk, der har egenskaberne OG testresultater, er negative falske negativer (falske negativer eller FN). Folk, der ikke har egenskaberne OG testresultater, er positive falske positive (falske positive eller FP). Folk, der ikke har egenskaberne OG testresultaterne er negative, er sande negativer (sande negativer eller TN). Antag f.eks., At du har udført en RPR -test på 1000 patienter. Blandt de 100 patienter med syfilis testede 95 af dem positive, mens de resterende 5 var negative. Blandt de 900 patienter, der ikke havde syfilis, testede 90 positive, og de resterende 810 var negative. I dette tilfælde er TP = 95, FN = 5, FP = 90 og TN = 810.
Trin 6. For at beregne følsomhed divideres TP med (TP+FN)
I eksemplet ovenfor er beregningen 95/(95+5) = 95%. Følsomhed fortæller os, hvor sandsynligt testen er for at give et positivt resultat for en person, der har karakteristikken. Hvilken andel tester positiv blandt alle mennesker, der har karakteristikken? Følsomheden på 95% er god nok.
Trin 7. For at beregne specificitet divideres TN med (FP+TN)
I eksemplet ovenfor er beregningen 810/(90+810) = 90%. Specificitet fortæller os om sandsynligheden for, at en test giver et negativt resultat i en person, der ikke har egenskaben. Blandt alle mennesker, der ikke har karakteristikken, hvilken andel tester negativ? 90% specificitet er godt nok.
Trin 8. For at beregne den positive forudsigelsesværdi (NPP) divideres TP med (TP+FP)
I ovenstående kontekst er beregningen 95/(95+90) = 51,4%. En positiv forudsigelsesværdi fortæller sandsynligheden for, at en person har karakteristikken, hvis testresultatet er positivt. Hvilken andel har egentlig karakteristikken blandt alle dem, der tester positivt? NPP 51,4% betyder, at hvis dit testresultat er positivt, er sandsynligheden for faktisk at lide af den pågældende sygdom 51,4%.
Trin 9. For at beregne den negative forudsigelsesværdi (NPN) divideres TN med (TN+FN)
For eksemplet ovenfor er beregningen 810/(810+5) = 99,4%. En negativ forudsigelsesværdi fortæller, hvor sandsynligt en person ikke har en egenskab, hvis testresultatet er negativt. Hvilken andel mangler egentlig de pågældende egenskaber blandt alle dem, der tester negativt? NPN 99,4% betyder, at hvis en persons testresultat er negativt, er sandsynligheden for ikke at have sygdommen hos denne person 99,4%.
Tips
- Nøjagtighedeller effektivitet, er procentdelen af testresultater korrekt identificeret ved testen, dvs. (sand positiv+sand negativ)/samlet testresultat = (TP+TN)/(TP+TN+FP+FN).
- En god screeningstest har høj følsomhed, fordi du gerne vil kunne få alt, der har visse egenskaber. Test, der har en meget høj følsomhed, er nyttig til at udelukke en sygdom eller karakteristik, hvis resultatet er negativt. ("SNOUT": SeNsitivity-rule OUT)
- Prøv at lave et 2x2 bord for at gøre det lettere.
- Forstå, at følsomhed og specificitet er iboende egenskaber ved testen, der ingen afhænger af den eksisterende population, dvs. at de to værdier skal være de samme, hvis den samme test udføres på forskellige populationer.
- En god verificerbarhedstest har en høj specificitet, fordi du vil have testen til at være specifik og ikke vildlærende mennesker, der ikke har karakteristikken ved at antage, at de har den. Test, der har en meget høj specificitet, er nyttig til vedlægge visse sygdomme eller egenskaber, hvis resultatet er positivt. ("SPIN": SPecificity-rule IN)
- Den positive forudsigelsesværdi og den negative forudsigelsesværdi afhænger derimod af prævalensen af denne egenskab i en bestemt population. Jo sjældnere karakteristikken søges, jo lavere er den positive forudsigelsesværdi og jo højere den negative forudsigelsesværdi (fordi sandsynligheden for for test er lav for sjældne egenskaber). På den anden side, jo mere almindelig en egenskab er, jo højere er den positive forudsigelsesværdi og den lavere forudsigelsesværdi (fordi sandsynligheden for forprøven er høj for den fælles egenskab).
- Prøv at forstå disse begreber godt.
