Hur man beräknar känslighet, specificitet, positivt prediktivt värde och negativt prediktivt värde

För varje test som utförs på en referenspopulation är det viktigt att beräkna sensibilitet, den specificitet, den positivt prediktivt värde, och negativt prediktivt värde för att bestämma hur användbart testet är för detektering av en sjukdom eller en egenskap i referenspopulationen. Om vi vill använda ett test för att bestämma en specifik egenskap i ett populationprov behöver vi veta:

Hur sannolikt kan testet upptäcka närvaro av en egenskap hos någon har den här funktionen (sensibilitet)?
Hur sannolikt kan testet upptäcka frånvaro av en egenskap hos någon inte ha den här funktionen (specificitet)?
Hur sannolikt är en person som visar sig positiv vid provet kommer verkligen denna egenskap (positivt prediktivt värde)?
Hur sannolikt är en person som visar sig negativ vid provet det kommer inte ha verkligen denna egenskap (negativt prediktivt värde)?

Det är mycket viktigt att beräkna dessa värden för avgöra om ett test är användbart för mätning av en specifik egenskap i en referenspopulation. Denna artikel kommer att förklara hur man beräknar dessa värden.

Utför dina beräkningar

Välj och definiera en population som ska testas, till exempel 1 000 patienter i en medicinsk klinik.

Definiera sjukdomen eller egenskapen av intresse, till exempel syfilis.

Hämta det bästa exemplet på ett dokumenterat test för att bestämma förekomsten av sjukdomen eller egenskapen, till exempel en dokumentation genom mikroskopiska observationer i det mörka fältet på närvaron av bakterien "Treponema pallidum" i ett urval av ett syfilitiskt sår, i samarbete med de kliniska resultaten. Använd provtestet för att avgöra vem som äger funktionen och vem som inte gör det. Som en demonstration antar vi att 100 personer har karaktäristiken och 900 nr.

Hämta ett test på den egenskap som du är intresserad av att bestämma känsligheten, specificiteten, det positiva prediktiva värdet och det negativa prediktiva värdet för referenspopulationen och utföra detta test på alla komponenter i provet av den valda populationen. Låt oss anta att det här är ett RPR-test (akronym för Rapid Plasma Reagin) för bestämning av syfilis. Använd den för att testa 1000 personer i provet.

För att identifiera antalet personer som äger funktionen (som bestäms av provprovet) noterar du antalet personer som visade sig vara positiva och antalet personer som visade sig vara negativa. Fortsätt på samma sätt för personer som inte har funktionen (som bestäms av provprovet). Du kommer att ha fyra siffror som ett resultat. De personer som har karaktäristiken och som är positiva ska övervägas sanna positiva (VP). Människor som inte har karaktäristiken och är negativa ska övervägas falska negativ (FN). Människor som inte har karaktäristiken och är positiva ska övervägas falska positiva (FP). Människor som inte har karaktäristiken och är negativa ska övervägas sanna negativ (VN). Till exempel erkänner vi att du utförde RPR-testet på 1000 patienter. Bland de 100 patienterna med syfilis var 95 av dessa positiva och 5 var negativa. Av de 900 patienterna utan syfilis var 90 positiva och 810 negativa. I detta fall VP = 95, FN = 5, FP = 90 och VN = 810.

För att beräkna känsligheten dela VP av (VP + FN). I det ovanstående fallet skulle detta motsvara 95 / (95 + 5) = 95%. Känsligheten visar oss hur sannolikt testet kommer att ha positiva resultat för någon som äger karaktäristiken. Av alla personer som har karaktäristiken, vilken andel kommer att vara positiv? En känslighet på 95% är ett ganska bra resultat.

För att beräkna specificiteten, dela VN av (FP + VN). I det här fallet skulle detta motsvara 810 / (90 + 810) = 90%. Specificiteten visar hur sannolikt testet blir negativt för någon som inte äger funktionen. Av alla människor som inte har karaktäristiken, vilken andel kommer att vara negativ? En specificitet på 90% är ett ganska bra resultat.

För att beräkna det positiva prediktiva värdet (PPV) dela VP av (VP + FP). I det ovanstående fallet skulle detta motsvara 95 / (95 +90) = 51,4%. Det positiva prediktiva värdet indikerar för oss hur sannolikt någon kommer att ha karaktäristiken om testet är positivt. Av alla som testar positivt, vilken andel har funktionen verkligen? En 51,4% PPV betyder att om du är positiv har du 51,4% chans att bli påverkad av sjukdomen.

För att beräkna det negativa prediktiva värdet (VPN), dela VN av (VN + FN). I det ovanstående fallet skulle detta motsvara 810 / (810 + 5) = 99,4%. Det negativa prediktiva värdet indikerar för oss hur sannolikt någon inte kommer att ha karaktäristiken om testet är negativt. Av alla som är negativa, vilken andel äger egentligen inte funktionen? En 99,4% NPV innebär att om det är negativt har du en 99,4% chans att inte påverkas av sjukdomen.

tips

Goda detektionstester har hög känslighet, eftersom målet är att bestämma alla som äger funktionen. Tester med hög känslighet är användbara för utesluta sjukdomar eller egenskaper om de är negativa. ("NOS": akronym av SeNsitivity-rule OUT).
den precision, o effektivitet, representerar procentandelen av de resultat som korrekt identifierats av testet, dvs (sann positiv + sann negativ) / totalt testresultat = (VP + VN) / (VP + VN + FP + FN).
Försök att rita ett 2x2 bord för att göra sakerna enklare.
Goda bekräftelsestest har en hög specificitet, eftersom målet är att ha ett specifikt test, för att undvika att felaktigt märka de som är positiva till egenskapen men egentligen inte äger den. Tester med mycket hög specificitet är användbara för bekräfta sjukdomarna eller egenskaperna om de är positiva ("SNURRA": Specifikitetsregel IN).
Vet att känslighet och specificitet är inneboende egenskaper hos ett givet test, och det inte De är beroende av referenspopulationen, med andra ord dessa två värden bör förbli oförändrade när samma test tillämpas på olika populationer.
Försök att förstå dessa begrepp väl.
Det positiva prediktiva värdet och det negativa prediktiva värdet å andra sidan beror på prevalensen av karaktäristiken i en referenspopulation. Ju sällsynta egenskapen är, desto lägre är det positiva prediktiva värdet och desto större är det negativa prediktiva värdet (eftersom pre-test sannolikheten i förhållande till en sällsynt egenskap är lägre). Å andra sidan är ju mer vanliga karaktäristiken, desto högre är det positiva prediktiva värdet och det lägre det negativa prediktiva värdet (eftersom pre-test sannolikheten i förhållande till en gemensam egenskap är högre).