Varje test som utförs på en viss population måste kunna beräkna känslighet, specificitet, positivt prediktivt värde, och negativt prediktivt värde, för att bestämma användbarheten av testning för att detektera en särskild sjukdom eller populationskarakteristik. Om vi vill använda ett test för att testa vissa egenskaper i en provpopulation, är det vi behöver veta:
- Hur troligt är detta test att upptäcka existens vissa egenskaper hos en person med sådana egenskaper (känslighet)?
- Hur troligt är detta test att upptäcka frånvaro vissa egenskaper hos en person som inte har dessa egenskaper (specificitet)?
- Hur troligt är det att någon som har samma testresultat positiv verkligt ha dessa egenskaper (positivt prediktivt värde)?
-
Hur troligt är det att en person vars testresultat negativ verkligt har inte dessa egenskaper (negativt prediktivt värde)?
Dessa värden är mycket viktiga att beräkna för avgöra om ett test är användbart för att mäta vissa egenskaper i en given population.
Den här artikeln visar hur du beräknar dessa värden.
Steg
Metod 1 av 1: Räkna dig själv
Steg 1. Definiera populationen som ska provtagas, till exempel 1000 patienter på en klinik
Steg 2. Bestäm önskad sjukdom eller egenskap, t.ex. syfilis
Steg 3. Ha en standardguldstandard för att bestämma sjukdomsprevalens eller önskade egenskaper, t.ex. mörkfältmikroskopisk dokumentation av bakterien Treponema pallidum från syfilitiska sårfragment, i samarbete med kliniska fynd
Använd guldstandardtestet för att avgöra vem som har egenskaperna och vem som inte har det. Som en illustration, låt oss säga att 100 personer har egenskapen och 900 inte.
Steg 4. Utför det test du är intresserad av för att bestämma dess känslighet, specificitet, positivt prediktivt värde och negativt prediktivt värde för denna population
Gör sedan testet för alla i urvalspopulationen. Till exempel, låt oss säga att detta är ett snabbt plasma reagin -test (RPR) för screening för syfilis. Använd den för att testa 1000 personer i ett prov.
Steg 5. För personer som har egenskaperna (enligt guldstandarden), registrera antalet personer som testade positivt och antalet personer som testade negativt
Gör samma sak för människor som inte har egenskaperna (enligt definitionen i guldstandarden). Du kommer att ha fyra nummer. Människor som har egenskaperna OCH testresultaten är positiva sanna positiva (sanna positiva eller TP). Människor som har egenskaperna OCH testresultaten är negativa falska negativ (falska negativ eller FN). Människor som inte har egenskaperna OCH testresultaten är positiva falska positiva (falska positiva eller FP). Människor som inte har egenskaperna OCH testresultaten är negativa sanna negativ (sanna negativ eller TN). Anta till exempel att du har utfört ett RPR -test på 1000 patienter. Bland de 100 patienterna med syfilis testade 95 av dem positiva, medan de återstående 5 var negativa. Bland de 900 patienter som inte hade syfilis testades 90 positiva och de återstående 810 var negativa. I detta fall är TP = 95, FN = 5, FP = 90 och TN = 810.
Steg 6. För att beräkna känsligheten dividerar du TP med (TP+FN)
I exemplet ovan är beräkningen 95/(95+5) = 95%. Känslighet berättar hur sannolikt testet är för att ge ett positivt resultat för en person som har egenskapen. Bland alla människor som har egenskapen, vilken andel testar positivt? Känsligheten på 95% är tillräckligt bra.
Steg 7. För att beräkna specificiteten, dividera TN med (FP+TN)
I exemplet ovan är beräkningen 810/(90+810) = 90%. Specificitet berättar om sannolikheten för att ett test ger ett negativt resultat i någon som inte har egenskapen. Bland alla människor som inte har egenskapen, vilken andel testar negativ? 90% specificitet är tillräckligt bra.
Steg 8. För att beräkna det positiva prediktiva värdet (NPP), dividera TP med (TP+FP)
I ovanstående sammanhang är beräkningen 95/(95+90) = 51,4%. Ett positivt prediktivt värde anger sannolikheten för att en person har egenskapen om testresultatet är positivt. Bland alla som testar positivt, vilken andel har egentligen egenskapen? NPP 51,4% betyder att om ditt testresultat är positivt är sannolikheten att faktiskt drabbas av sjukdomen i fråga 51,4%.
Steg 9. För att beräkna det negativa prediktiva värdet (NPN), dividera TN med (TN+FN)
För exemplet ovan är beräkningen 810/(810+5) = 99,4%. Ett negativt prediktivt värde anger hur troligt att en person inte har en egenskap om testresultatet är negativt. Bland alla dem som testar negativt, vilken andel saknar egentligen de aktuella egenskaperna? NPN 99,4% betyder att om en persons testresultat är negativt är sannolikheten att inte ha sjukdomen hos den personen 99,4%.
Tips
- Noggrannhet, eller effektivitet, är procentandelen testresultat korrekt identifierade av testet, dvs (sant positivt+sant negativt)/totalt testresultat = (TP+TN)/(TP+TN+FP+FN).
- Ett bra screeningtest har hög känslighet, eftersom du vill kunna få allt som har vissa egenskaper. Tester som har en mycket hög känslighet är användbara för att utesluta en sjukdom eller egenskap om resultatet är negativt. ("SNOUT": SeNsitivity-rule OUT)
- Försök att göra ett 2x2 -bord för att göra det enklare.
- Förstå att känslighet och specificitet är inneboende egenskaper hos testet som Nej beror på den befintliga populationen, det vill säga att de två värdena ska vara desamma om samma test utförs på olika populationer.
- Ett bra verifierbarhetstest har en hög specificitet, eftersom du vill att testet ska vara specifikt och inte felmärkta människor som inte har egenskapen genom att anta att de har det. Tester som har en mycket hög specificitet är användbara för bifoga vissa sjukdomar eller egenskaper om resultatet är positivt. ("SPIN": SPECIFICITY-REGEL IN)
- Det positiva prediktiva värdet och det negativa prediktiva värdet beror å andra sidan på förekomsten av denna egenskap hos en viss befolkning. Ju sällsyntare den sökande egenskapen är, desto lägre är det positiva prediktiva värdet och desto högre det negativa prediktiva värdet (eftersom sannolikheten för förprovning är låg för sällsynta egenskaper). Å andra sidan, ju vanligare en egenskap är, desto högre är det positiva prediktiva värdet och desto lägre är det negativa prediktiva värdet (eftersom sannolikheten för förhandsgranskning är hög för den gemensamma egenskapen).
- Försök att förstå dessa begrepp väl.
