Każdy test przeprowadzony na określonej populacji musi być w stanie obliczyć wrażliwość, specyficzność, dodatnia wartość predykcyjna, oraz ujemna wartość predykcyjna, aby określić przydatność testów w wykrywaniu określonej choroby lub cechy populacji. Jeśli chcemy użyć testu do przetestowania pewnych cech w populacji próby, musimy wiedzieć:
- Jak prawdopodobne jest wykrycie tego testu istnienie pewne cechy osoby z takie cechy (czułość)?
- Jak prawdopodobne jest wykrycie tego testu brak pewne cechy osoby kto nie ma te cechy (specyficzność)?
- Jakie jest prawdopodobieństwo, że ktoś, kto ma takie same wyniki badań pozytywny naprawdę mieć te cechy (dodatnia wartość predykcyjna)?
-
Jakie jest prawdopodobieństwo, że osoba, której wyniki badań negatywny naprawdę nie mieć te cechy (ujemna wartość predykcyjna)?
Te wartości są bardzo ważne do obliczenia określić, czy test jest przydatny do pomiaru pewnych cech w danej populacji.
Z tego artykułu dowiesz się, jak obliczyć te wartości.
Krok
Metoda 1 z 1: Liczenie siebie
Krok 1. Zdefiniuj populację do pobrania próbki, na przykład 1000 pacjentów w klinice
Krok 2. Określ pożądaną chorobę lub cechę, np. kiłę
Krok 3. Posiadanie standardowego złotego standardu określania częstości występowania choroby lub pożądanych cech, np. dokumentacja mikroskopowa w ciemnym polu bakterii Treponema pallidum z fragmentów owrzodzenia syfilitycznego, we współpracy z wynikami klinicznymi
Użyj testu złotego standardu, aby określić, kto ma cechy, a kto nie. Jako ilustrację załóżmy, że 100 osób ma tę charakterystykę, a 900 nie.
Krok 4. Wykonaj test, który Cię interesuje, aby określić jego czułość, swoistość, dodatnią wartość predykcyjną i ujemną wartość predykcyjną dla tej populacji
Następnie wykonaj test dla wszystkich osób w populacji próby. Załóżmy na przykład, że jest to szybki test reaginy w osoczu (RPR) do badania przesiewowego w kierunku kiły. Użyj go, aby przetestować 1000 osób w próbce.
Krok 5. W przypadku osób, które mają cechy (określone przez złoty standard), zanotuj liczbę osób, które uzyskały wynik pozytywny i liczbę osób, które uzyskały wynik negatywny
Zrób to samo dla osób, które nie mają cech (zgodnie z definicją złotego standardu). Będziesz miał cztery liczby. Osoby, które mają cechy ORAZ wyniki testów są pozytywne są prawdziwe pozytywy (prawdziwe pozytywy lub TP). Osoby, które mają cechy ORAZ wyniki testów są negatywne są fałszywie negatywy (fałszywie negatywy lub FN). Osoby, które nie mają cech ORAZ wyniki testów są pozytywne są fałszywie pozytywne (fałszywie pozytywne lub FP). Osoby, które nie mają cech ORAZ wyniki testów są negatywne są prawdziwe negatywy (prawdziwe negatywy lub TN). Załóżmy na przykład, że wykonałeś test RPR na 1000 pacjentów. Spośród 100 pacjentów z kiłą 95 z nich miało wynik pozytywny, a pozostałych 5 było negatywnych. Spośród 900 pacjentów, którzy nie mieli kiły, 90 dało wynik pozytywny, a pozostałych 810 miało wynik negatywny. W tym przypadku TP=95, FN=5, FP=90 i TN=810.
Krok 6. Aby obliczyć czułość, podziel TP przez (TP+FN)
W powyższym przykładzie obliczenie wynosi 95/(95+5)= 95%. Czułość mówi nam, jak prawdopodobne jest, że test da pozytywny wynik dla osoby, która ma daną cechę. Spośród wszystkich osób, które mają tę cechę, jaka część daje wynik pozytywny? Czułość 95% jest wystarczająco dobra.
Krok 7. Aby obliczyć specyficzność, podziel TN przez (FP+TN)
W powyższym przykładzie obliczenie wynosi 810/(90+810)= 90%. Specyficzność mówi nam o prawdopodobieństwie, że test da wynik negatywny u kogoś, kto nie ma danej cechy. Spośród wszystkich osób, które nie mają cechy, jaka część testu jest negatywna? 90% specyficzność jest wystarczająca.
Krok 8. Aby obliczyć dodatnią wartość predykcyjną (NPP), podziel TP przez (TP+FP)
W powyższym kontekście kalkulacja wynosi 95/(95+90) = 51,4%. Dodatnia wartość predykcyjna mówi o prawdopodobieństwie posiadania danej cechy, jeśli wynik testu jest pozytywny. Wśród wszystkich osób, które uzyskały wynik pozytywny, jaka część faktycznie ma tę cechę? NPP 51,4% oznacza, że jeśli Twój wynik testu jest pozytywny, prawdopodobieństwo faktycznego zachorowania na daną chorobę wynosi 51,4%.
Krok 9. Aby obliczyć ujemną wartość predykcyjną (NPN), podziel TN przez (TN+FN)
W powyższym przykładzie obliczenie wynosi 810/(810+5)= 99,4%. Ujemna wartość predykcyjna mówi, jak prawdopodobne jest, że dana osoba nie będzie miała cechy, jeśli wynik testu jest negatywny. Jaka część spośród wszystkich osób, które uzyskały wynik negatywny, w rzeczywistości nie ma danych cech? NPN 99,4% oznacza, że jeśli wynik testu danej osoby jest ujemny, prawdopodobieństwo, że osoba ta nie ma choroby wynosi 99,4%.
Porady
- Precyzja, lub wydajność, to odsetek wyników poprawnie zidentyfikowanych przez test, tj. (prawdziwie dodatni + prawdziwie ujemny)/całkowity wynik testu = (TP+TN)/(TP+TN+FP+FN).
- Dobry test przesiewowy ma wysoką czułość, ponieważ chcesz mieć wszystko, co ma określone cechy. Testy o bardzo wysokiej czułości są przydatne do wykluczenia choroby lub cechy, jeśli wynik jest negatywny. („SNOUT”: reguła czułości OUT)
- Spróbuj zrobić stół 2x2, aby było łatwiej.
- Zrozum, że czułość i swoistość są nieodłącznymi właściwościami testu, które: nie zależy od istniejącej populacji, tzn. że obie wartości powinny być takie same, jeśli ten sam test jest wykonywany na różnych populacjach.
- Dobry test weryfikowalności ma wysoką specyficzność, ponieważ chcesz, aby test był specyficzny i nie błędnie określał osób, które nie mają danej cechy, zakładając, że ją posiadają. Testy o bardzo wysokiej swoistości są przydatne do ująć niektóre choroby lub cechy, jeśli wynik jest pozytywny. („SPIN”: reguła specyficzności W)
- Z drugiej strony, dodatnia wartość predykcyjna i ujemna wartość predykcyjna zależą od rozpowszechnienia tej cechy w danej populacji. Im rzadsza jest poszukiwana cecha, tym niższa dodatnia wartość predykcyjna i wyższa ujemna wartość predykcyjna (ponieważ prawdopodobieństwo wstępnego testu jest niskie dla rzadkich cech). Z drugiej strony, im bardziej powszechna jest cecha, tym wyższa dodatnia wartość predykcyjna i niższa ujemna wartość predykcyjna (ponieważ prawdopodobieństwo wstępnego testu jest wysokie dla wspólnej cechy).
- Postaraj się dobrze zrozumieć te pojęcia.
