Czułość vs Swoistość i wartość predykcyjna

Zawartość:

1. Co to jest Czułość (True Positive Rate)?
2. Co to jest Swoistość (True Negative Rate)?
3. Przewidywane wartości dodatnie
4. Przewidywane wartości ujemne

Co to jest czułość testu?

Czułość testu (zwana również wskaźnikiem prawdziwie dodatnim) jest definiowana jako odsetek osób z chorobą, u których wynik będzie dodatni. Innymi słowy, test o wysokiej czułości to taki, który prawidłowo identyfikuje pacjentów z daną chorobą. Test, który jest w 100% czuły, zidentyfikuje wszystkich pacjentów, którzy mają daną chorobę. Niezwykle rzadko zdarza się, aby jakikolwiek test kliniczny był w 100% czuły. Test o czułości 90% zidentyfikuje 90% pacjentów, którzy mają chorobę, ale przeoczy 10% pacjentów, którzy mają chorobę.

Test o wysokiej czułości może być przydatny do wykluczenia choroby, jeśli osoba ma wynik negatywny. Na przykład, negatywny wynik wymazu z papki prawdopodobnie oznacza, że dana osoba nie ma raka szyjki macicy. Powszechnie używanym akronimem jest SnNout (wysoka czułość, wynik negatywny = wykluczenie).
Back to Top

Co to jest specyficzny test?

Swoistość testu (zwana również współczynnikiem prawdziwych wyników negatywnych) to odsetek osób bez choroby, u których wynik będzie negatywny. Innymi słowy, swoistość testu odnosi się do tego, jak dobrze test identyfikuje pacjentów, którzy nie mają choroby. Test, który ma 100% specyficzności zidentyfikuje 100% pacjentów, którzy nie mają choroby. Test o swoistości 90% zidentyfikuje 90% pacjentów, którzy nie mają choroby.

Testy o wysokiej swoistości (wysoki wskaźnik prawdziwych wyników negatywnych) są najbardziej użyteczne, gdy wynik jest pozytywny. Test o wysokiej specyficzności może być przydatny do wykluczenia pacjentów, którzy mają określoną chorobę. Akronimem jest SPin (high Specificity, rule in).

Co to jest „Wysoki” Zakres?

To, co kwalifikuje się jako „wysoka” czułość lub specyficzność różni się w zależności od testu. Na przykład wartości graniczne dla testów na zakrzepicę żył głębokich i zatorowość płucną wynoszą od 200-500 ng/dL (Pregerson, 2016).
Back to Top

Przykład wysokiej czułości/niskiej swoistości

Mammografia jest testem o wysokiej czułości / niskiej swoistości.

Na ogół testy o wysokiej czułości mają niską swoistość. Innymi słowy, są one dobre do łapania rzeczywistych przypadków choroby, ale również pochodzą z dość wysokim wskaźnikiem fałszywych pozytywów. Mammogramy są przykładem testu, który generalnie ma wysoką czułość (około 70-80%) i niską specyficzność. Czułość zależy od wielkości guza, wieku pacjentki i innych czynników. Według Cancer.gov, test ten ma również dość wysoki wskaźnik wyników fałszywie dodatnich: połowa kobiet, które poddają się mammografii co roku przez 10 lat w Stanach Zjednoczonych, doświadczy wyniku fałszywie dodatniego.

Przykład niskiej czułości/wysokiej swoistości

Przykładem tego typu testu jest azotanowy test bagnetowy stosowany do badania zakażeń dróg moczowych u pacjentów hospitalizowanych (np.27% czułości, 94% specyficzności).
Back to Top

Co to jest pozytywna wartość predykcyjna?

Pozytywna wartość predykcyjna (PPV) to prawdopodobieństwo, że pozytywny wynik w teście hipotezy oznacza, że istnieje rzeczywisty efekt. Jest to prawdopodobieństwo, że pacjenci, którzy mają pozytywny wynik testu, rzeczywiście mają chorobę. Jest ona powszechnie stosowana w testach medycznych, gdzie „pozytywny” wynik oznacza, że pacjent rzeczywiście ma chorobę. Na przykład, załóżmy, że byłeś testowany na pewien rodzaj raka i test miał PPV na poziomie 15,2%. Oznacza to, że jeśli wynik testu byłby pozytywny, miałbyś 15,2% szans na to, że rzeczywiście masz raka. Innymi słowy, pozytywny wynik testu nie musi oznaczać, że masz daną chorobę. Na przykład, pozytywny wynik badania mammograficznego może oznaczać, że Twoje szanse na zachorowanie na raka piersi (tj. pozytywna wartość predykcyjna) wynoszą tylko dziesięć procent.

Pozytywna wartość predykcyjna jest jednym ze sposobów (wraz ze swoistością, czułością i negatywną wartością predykcyjną) oceny skuteczności testu przesiewowego.

Pozytywna wartość predykcyjna zależy od tego, jak powszechna jest choroba w testowanej populacji; jeśli choroba jest bardzo powszechna, osoba z pozytywnym wynikiem testu jest bardziej prawdopodobna, że rzeczywiście ma chorobę, niż jeśli osoba ma pozytywny test w populacji, gdzie choroba jest rzadka.

Obliczanie Pozytywnej Wartości Predykcyjnej

Pozytywne wartości predykcyjne mogą być obliczane na kilka sposobów. Dwa z najczęściej stosowanych to:

Pozytywna wartość predykcyjna = liczba wyników prawdziwie pozytywnych / liczba wyników prawdziwie pozytywnych + liczba wyników fałszywie pozytywnych
lub
Pozytywna wartość predykcyjna = czułość x częstość występowania / czułość x częstość występowania + (1- specyficzność) x (1-powszechność)

Czułość to odsetek osób z chorobą, u których wynik testu będzie pozytywny.

Wartość predykcyjną można obliczyć na podstawie tabeli kontyngencji 2×2, takiej jak ta:

Dwie informacje potrzebne do obliczenia pozytywnej wartości predykcyjnej są zakreślone: współczynnik prawdziwych wyników pozytywnych (komórka a) i współczynnik fałszywych wyników pozytywnych (komórka b).
Używając wzoru:
Pozytywna wartość predykcyjna = współczynnik prawdziwych wyników pozytywnych / (współczynnik prawdziwych wyników pozytywnych + współczynnik fałszywych wyników pozytywnych)*100
Dla tego konkretnego zestawu danych:
Pozytywna wartość predykcyjna = a / (a + b) = 99 / (99 + 901) * 100 = (99/1000)*100 = 9,9%. Oznacza to, że jeśli wykonał Pan ten konkretny test, prawdopodobieństwo, że rzeczywiście ma Pan chorobę wynosi 9,9%.

Dobry test będzie miał niższe liczby w komórkach b (fałszywie dodatnie) i c (fałszywie ujemne). Ma to sens, ponieważ doskonały test będzie miał tylko liczby w prawdziwie pozytywnych i prawdziwie negatywnych miejscach. W rzeczywistości jednak, idealne testy nie istnieją. Ponadto, na PPV ma wpływ częstość występowania choroby w populacji. Im więcej osób ma daną chorobę, tym lepsze PPV przy przewidywaniu szans.

Następujący obrazek (dzięki uprzejmości Wikipedii) pokazuje PPV wynoszące zaledwie 10%, uzyskane przez podzielenie prawdziwych wyników pozytywnych (20) przez prawdziwe wyniki pozytywne (20) i fałszywe wyniki pozytywne (180). Oznacza to, że test ten niesie ze sobą ryzyko wysokiego odsetka wyników fałszywie dodatnich.

Pozytywne wartości predykcyjne można obliczyć na podstawie dowolnej tabeli kontyngencji. Kalkulator Ważności Online na tej stronie BU.EDU (przewiń do dołu strony) obliczy pozytywne wartości predykcyjne używając tabeli kontyngencji.

Pozytywna Wartość Predykcyjna vs. Czułość Testu

Definicja Pozytywnej Wartości Predykcyjnej jest podobna do czułości testu i te dwie wartości są często mylone. Jednakże PPV jest użyteczna dla pacjenta, podczas gdy czułość jest bardziej użyteczna dla lekarza. Pozytywna wartość predykcyjna powie Ci, jakie są szanse na to, że będziesz miał chorobę, jeśli uzyskasz pozytywny wynik. Może to być przydatne w informowaniu pacjenta, czy powinien wpadać w panikę, czy nie. Z drugiej strony, czułość testu jest definiowana jako odsetek osób z chorobą, które będą miały pozytywny wynik. Fakt ten jest bardzo użyteczny dla lekarzy przy podejmowaniu decyzji, który test zastosować, ale jest mało wartościowy dla Ciebie, jeśli test jest pozytywny.
Back to Top

Negatywna wartość predykcyjna

Negatywna wartość predykcyjna to prawdopodobieństwo, że ludzie, którzy otrzymują negatywny wynik testu naprawdę nie mają choroby. Innymi słowy, jest to prawdopodobieństwo, że negatywny wynik testu jest dokładny.

Wzór na znalezienie ujemnej wartości predykcyjnej to:
Negatywna wartość predykcyjna = True Negative Rate / (true negative rate + false negative rate)*100

Dla powyższego zestawu danych:
Negatywna wartość predykcyjna = d / (c + d) = 43123 / (32 + 4323) * 100 = (43123/43155)*100 = 99.9%. Oznacza to, że jeśli wziąłeś ten konkretny test i otrzymałeś wynik negatywny, prawdopodobieństwo, że nie masz choroby wynosi 99,9%.

Beyer, W. H. CRC Standard Mathematical Tables, 31st ed. Boca Raton, FL: CRC Press, s. 536 i 571, 2002.
Dodge, Y. (2008). The Concise Encyclopedia of Statistics. Springer.
Everitt, B. S.; Skrondal, A. (2010), The Cambridge Dictionary of Statistics, Cambridge University Press.
Kotz, S.; et al., eds. (2006), Encyclopedia of Statistical Sciences, Wiley.

——————————————————————————

Potrzebujesz pomocy z zadaniem domowym lub pytaniem testowym? Dzięki Chegg Study możesz uzyskać rozwiązania swoich pytań krok po kroku od eksperta w danej dziedzinie. Pierwsze 30 minut z korepetytorem Chegg jest bezpłatne!