Sådan beregnes følsomhed, specificitet, positiv prædiktiv værdi og negativ forudsigelsesværdi

I en given test indgivet til en given population er det vigtigt at beregne sensibilitet

indhold

Trin
Tips
Advarsler
Kilder og citater

, den specificitet, den positiv forudsigelsesværdi og negativ forudsigelsesværdi, at bestemme, hvor nyttige testen er for at opdage sygdomme eller egenskaber hos en bestemt befolkning. Hvis du vil bruge en test for specifikke egenskaber i en befolkningsprøve, er det vigtigt at kende:

Hvor sandsynligt er testen at opdage tilstedeværelse af et træk i nogen med den karakteristiske (sensibilitet)?
Hvor sandsynligt er testen at opdage fravær af et træk i nogen uden den karakteristiske (specificitet)?
Hvor sandsynligt er der nogen med et resultat positiv på den virkelige test har den karakteristiske (positiv forudsigelsesværdi)?
Hvor sandsynligt er der nogen med et resultat negativ på den virkelige test har ikke den karakteristiske (negativ forudsigelsesværdi)?

Det er meget vigtigt at beregne disse værdier for at bestemme, om en test er nyttig til måling af en specifik karakteristik i en given population. Denne artikel viser dig, hvordan du beregner disse værdier.

trin

Definer en stikprøve af befolkningen. Ex: 1000 patienter fra en klinik.

Billedbetegnelse Beregn følsomhed, specificitet, positiv prædiktiv værdi og negativ forudsigelsesværdi Trin 2

Definer sygdommen eller karakteristikken af interesse. Eks: syfilis.

Billedbetegnelse Beregn følsomhed, specificitet, positiv prædiktiv værdi og negativ forudsigelsesværdi Trin 3

Har et veletableret guldmønster for at bestemme forekomsten af sygdommen eller karakteristikken. Eks: mikroskopisk dokumentation af mørke felt af tilstedeværelsen af bakterier Treponema pallidum af syfilis sårprøver i samarbejde med kliniske fund. Brug guldmønsteret til at bestemme hvem der har funktionen og hvem der ikke gør det. Til illustration, lad os sige 100 mennesker har og 900 gør det ikke.

Billedbetegnelse Beregn følsomhed, specificitet, positiv prædiktiv værdi og negativ forudsigelsesværdi Trin 4

Har en test for at bestemme sensitivitet, specificitet, positiv prædiktiv værdi og negativ prædiktiv værdi for denne population, og gøre det på alle inden prøven af befolkningen. F.eks. Hvis det er en Rapid Plasma Reagin (RPR) test for syfilis, skal du bruge den til de 1000 samplede personer.

Billedbetegnelse Beregn følsomhed, specificitet, positiv prædiktiv værdi og negativ forudsigelsesværdi Trin 5

For personer, der har karakteristika (som bestemt af guldstandarden), registrerer antallet af personer, der testede positivt, og antallet af personer, der testede negativt. Gør det samme med personer, der ikke har funktionen (som bestemt af guldstandarden). Du vil ende med fire tal. Personer med det karakteristiske OG positive resultat er sande positive (TP). Personer med det karakteristiske OG negative resultat er falsk negative (FN). Mennesker uden det karakteristiske OG positive resultat er falsk positive (FP). Folk uden det karakteristiske OG negative resultat er sande negative (TN). Eks: Antag at du har taget RPR testen på de 1000 patienter. Blandt de 100 med syfilis var 95 positive og 5 negative. Af de 900 patienter uden syfilis blev 90 testet positive og 810 testede negative. I dette tilfælde: TP = 95, FN = 5, FP = 90 og TN = 810.

Billedbetegnelse Beregn følsomhed, specificitet, positiv prædiktiv værdi og negativ forudsigelsesværdi Trin 6

For at beregne følsomheden, divider TP med (TP + FN). I det ovennævnte tilfælde ville det være 95 / (95 + 5) = 95%. Følsomhed fortæller os, hvor sandsynligt det er, at testen er positiv for en person med karakteristikken. Af alle de mennesker, der har karakteristikken, hvilken andel vil være positiv? 95% følsomhed er meget god.

Billedbetegnelse Beregn følsomhed, specificitet, positiv prædiktiv værdi og negativ forudsigelsesværdi Trin 7

For at beregne specificiteten, divider TN ved (FP + TN). I ovenstående tilfælde ville det være 810 / (90 + 810) = 90%. Specificitet fortæller os, hvor sandsynligt det er, at testen vil give negativ til en person, der ikke har karakteristikken. Af alle mennesker uden karakteristikken, hvilken andel vil være negativ? 90% specificitet er meget god.

Billedbetegnelse Beregn følsomhed, specificitet, positiv prædiktiv værdi og negativ forudsigelsesværdi Trin 8

For at beregne den positive forudsigelsesværdi (PPV), divider TP med (TP + FP). I ovenstående tilfælde ville det være 95 / (95 +90) = 51,4%. Den positive prædiktive værdi fortæller os, hvor sandsynligt det er for personen at have karakteristikken, hvis testen er positiv. Af alle positive forsøgspersoner, hvilken andel har faktisk karakteristika? 51,4% af PPV betyder, at hvis dit resultat er positivt, har du 51,4% chance for faktisk at have sygdommen.

Billedbetegnelse Beregn følsomhed, specificitet, positiv prædiktiv værdi og negativ forudsigelsesværdi Trin 9

For at beregne den negative forudsigelsesværdi (NPV), divider TN med (TN + FN). I det ovennævnte tilfælde ville det være 810 / (810 + 5) = 99,4%. Den negative forudsigelsesværdi fortæller os, hvor sandsynligt det er, at nogen ikke har karakteristikken, hvis testen er negativ. Af alle mennesker, der har haft et negativt resultat, hvilken andel har egentlig ikke karakteristikken? 99,4% af NPV betyder, at hvis din test er negativ, har du en 99,4% chance for ikke at have sygdommen.

tips

Gode screeningstest har høj følsomhed, fordi du vil kunne omfatte alle, der har karakteristika. Test med høj følsomhed er nyttige, er nyttige til at udelukke sygdomme eller egenskaber, hvis de er negative.
præcision, eller effektivitet er procentdelen af korrekt af testresultaterne, dvs. (sand positiv + sand negativ) / total testresultater = (TP + TN) / (TP + TN + FP + FN).
Prøv at lave et 2x2 bord for at gøre tingene lettere.
Gode bekræftende tests har høj specificitet, fordi du vil have din test til at være specifik og ikke forveksle dem uden det karakteristiske, at de har det. Tester med temmelig høj specificitet er nyttige til at bekræfte tilstedeværelsen af sygdom eller karakteristika, hvis de er positive.
Kender sensitivitet og specificitet er iboende egenskaber af en given test og afhang ikke bestemt population, dvs., bør disse to værdier være den samme, når den samme test anvendes på forskellige populationer.
Prøv at forstå begreberne godt.
De positive og negative forudsigelsesværdier er tværtimod afhængige af forekomsten af karakteristikken i en given population. Jo sjældnere karakteristikken er, desto lavere er den positive forudsigelsesværdi og jo højere er den negative forudsigelsesværdi (da præ-test sandsynligheden er lav for sjældne egenskaber). I modsætning hertil mere almindelige karakteristikken, jo større positive prædiktive værdi og lavere negativ prædiktiv værdi (fordi prætest sandsynlighed er høj for fælles træk).

advarsler

Det er nemt at gøre uforsigtige fejl i beregninger. Tjek dine konti omhyggeligt. Tegning af et 2x2 bord hjælper.

Kilder og citater

Vis mere ... (4)

Del på sociale netværk:

Relaterede