Instrucțiuni gratuite pas cu pas 
Beräkna sensitivitet och specificitet
För varje test som administreras till en viss population är det viktigt att känslighet, specificitet, positivt prediktivt värde, och negativt prediktivt värde för att bestämma hur användbart testet är för att fastställa spåren av en sjukdom eller egenskap hos den givna populationen. Om vi vill använda ett test för att bestämma en specifik egenskap hos ett prov, skulle vi vilja veta följande:
- Hur troligt är det att testet gör det närvaro indikerar en egenskap hos någon av attributet (känslighet)?
- Hur troligt är det att testet gör det frånvaro av en egenskap indikerar hos någon utan attributet (specificitet)?
- Hur troligt är det att någon med en positiv testresultat verkligen attributet (positivt prediktivt värde) har?
- Hur troligt är det att någon med en negativ testresultatet faktiskt attributet (negativt prediktivt värde) inte har?
Dessa värden är mycket viktiga att beräkna, för att avgöra om ett test är användbart för att mäta en specifik egenskap hos en viss population. Den här artikeln kommer att visa hur man beräknar dessa värden.
Steg
Metod 1 av 1: Utföra beräkningen
1. Definiera en population att testa, till exempel 1000 patienter på en klinik.
2. Definiera till exempel vilken sjukdom eller egenskap du är intresserad av syfilis.
3. Antag ett tillförlitligt "gold standard"-test för att fastställa förekomsten av sjukdomen eller egenskapen, t.ex. mörkfältsmikroskopidokumentation om närvaron av bakterien Treponema pallidum från syfilis sårskrapning, i samband med kliniska fynd. Använd guldstandarden för att avgöra vem som har attributen och vem som inte har det. Låt oss till exempel säga att detta är fallet för 100 personer och inte för 900.
4. Välj ett test som du är intresserad av att bestämma sensitivitet, specificitet, positivt prediktivt värde och negativt prediktivt värde för denna population, och testa alla i den valda populationen. Anta till exempel att det är ett snabbt plasmareagin-test (RPR) för att screena för närvaron av syfilis. Använd den för att testa 1000 personer i befolkningen.
5. För personer som har egenskapen (som bestäms av guldstandarden), registrera antalet personer som testade positivt och antalet personer som testade negativt. Gör samma sak för personer som inte har attributet (som bestäms av guldstandarden). Du kommer så småningom att ha fyra nummer. Människor med egenskapen OCH ett positivt test är sanna positiva (TP). Människor med egenskapen OCH ett negativt test är falska negativ (FN). Människor utan egenskapen OCH ett positivt test är falska positiva (FP). Människor utan egenskapen OCH ett negativt test är sanna negativa (TN). Anta att du har gjort ett RPR-test på 1000 patienter. Bland 100 patienter med syfilis testade 95 positiva och 5 negativa. Bland 900 patienter utan syfilis testade 90 positivt och 810 negativa. I detta fall är TP = 95, FN = 5, FP = 90 och TN = 810.
6. För att beräkna känslighet, dividera TP med (TP + FN). I fallet ovan blir det 95/(95+5) = 95 %. Känsligheten talar om för oss hur troligt det är att testet ger ett positivt resultat hos någon som uppvisar egenskapen. Vilken procentandel av personer med egenskapen kommer att testa positivt? 95% känslighet är ganska bra.
7. För att beräkna specificitet, dividera TN med (FP + TN). I ovanstående fall blir det 810/(90+810) = 90 %. Specificiteten säger oss hur troligt det är att testet ger ett negativt resultat om någon inte har egenskapen. Hur många procent av alla människor utan egenskapen kommer att testa negativt? 90% specificitet är ganska bra.
8. För att beräkna det positiva prediktiva värdet (PVW), dividera TP med (TP + FP). I fallet ovan blir det 95/(95+90) = 51,4 %. Det positiva prediktiva värdet talar om för oss hur troligt det är att någon med egenskapen kommer att bli positiv. Hur stor andel av alla positivt testade personer som faktiskt uppvisar egenskaperna? En PPV på 51,4% betyder att om du testar positivt har du 51,4% chans att du faktiskt har sjukdomen.
9. För att beräkna det negativa prediktiva värdet (NAV), dividera TN med (TN + FN). I fallet ovan blir det 810/(810+5) = 99,4 %. Det negativa prediktiva värdet talar om för oss hur troligt det är att någon inte kommer att ha egenskapen om testet är negativt. Hur stor andel av alla som testar negativt har verkligen inte egenskapen? Ett NAV på 99,4 % betyder att om ditt test är negativt har du 99,4 % chans att inte ha sjukdomen.
Tips
- Noggrannhet eller effektivitet, är den procentandel av testresultaten som identifieras korrekt av testet, dvs (sanna positiva + sanna negativa) / totala testresultaten = (TP+TN)/(TP+TN+FP+FN).
- Bra screeningtester har en hög känslighet, eftersom man vill kunna identifiera alla med egenskapen. Tester med mycket hög känslighet är användbara för att upptäcka sjukdomar eller egenskaper att utesluta om resultatet är negativt. ("TRYNE": Känslighetsregel OUT)
- Rita ett 2 x 2 bord för att göra det enklare.
- Vet att sensitivitet och specificitet är inneboende egenskaper hos ett visst test, och inte beror på den givna populationen, dvs dessa två värden bör vara desamma om samma test tillämpas på olika populationer.
- Bra bekräftelsetest har hög specificitet eftersom du vill att testet ska vara specifikt och inte misstolka någon utan egenskapen som positiv. Tester med mycket hög specificitet är användbara för att: att vara säker på sjukdomar eller egenskaper om de är positiva. ("SNURRA": Specifikitetsregel IN)
- Å andra sidan beror det positiva prediktiva värdet och det negativa prediktiva värdet på förekomsten av egenskapen i en viss population. Ju sällsyntare egenskapen är, desto lägre positiv och högre negativt prediktivt värde (eftersom sannolikheten för förtestet är låg för en sällsynt egenskap). Omvänt, ju oftare en egenskap förekommer, desto högre är det positiva prediktiva värdet och desto lägre blir det negativa prediktiva värdet (eftersom sannolikheten för förtestet är hög för en mer allmän egenskap).
- Försök att förstå dessa begrepp väl.
Varningar
- Det är lätt att göra slarviga misstag i uträkningen. Kontrollera din matematik. Ett 2 x 2 bord är användbart här.
"Beräkna sensitivitet och specificitet"
Оцените, пожалуйста статью
