CochraneUK
Denne blog er skrevet af Saul Crandon, Academic Foundation Doctor ved Oxford University Hospitals NHS Foundation Trust og et af medlemmerne af Cochrane UK & Ireland Trainees Advisory Group (CUKI-TAG). I bloggen forklares det, hvad vi mener med – og hvordan man beregner – “sensitivitet”, “specificitet”, “positiv prædiktiv værdi” og “negativ prædiktiv værdi” i forbindelse med diagnosticering af sygdomme.
Den diagnostiske proces er en afgørende del af den medicinske praksis. Nogle betragter diagnoseprocessen som en kunst, som beskrevet i Merriam Websters definition; “the art or act of identifying a disease from its signs and symptoms” (1).
For at nå frem til en diagnose skal man tage hensyn til et utal af oplysninger, ofte i form af anamnese (som beskriver de symptomer, som patienten oplever) og en klinisk undersøgelse (som fremkalder de tegn, der er relateret til sygdomsprocessen). Dette giver normalt en fornuftig liste over differentialdiagnoser, som kan bekræftes eller afkræftes ved hjælp af diagnostiske test. Dette kan være i form af en blodprøve, radiologisk billeddannelse, urinprøver og meget mere.
Her er det springende punkt; test er aldrig 100 % nøjagtige. Vi må overveje statistikken omkring testning for at afgøre, hvad der gør en god test og hvad der gør en ikke så god test.
Tænk på følgende eksempel:
En virksomhed skaber en blodprøve for sygdom X.
| Har sygdom X | Har ikke sygdom X | |
| Blodprøve POSITIV | True Positives (TP) | Falsk Positive (FP) |
| Blodprøve NEGATIV | Falsk Negative (FN) | Sande Negative (TN) |
Lad os nu se på den samme tabel, og indsætter nogle værdier, som vi kan arbejde med.
| Har sygdom X | Har ikke sygdom X | |
| Blodprøve POSITIV | 134 | 7 |
| Blodprøve POSITIV | 134 | 7 |
| Blodprøve test NEGATIV | 11 | 245 |
Sensitivitet
Sensitivitet er den andel af personer MED sygdom X, der har en POSITIV blodprøve. En test, der er 100 % følsom, betyder, at alle syge personer identificeres korrekt som syge, dvs. at der ikke er nogen falsk negative resultater. Da beregningen omfatter alle patienter med sygdommen, er det vigtigt at bemærke, at den ikke påvirkes af sygdommens prævalens.
“Hvis jeg har sygdom X, hvor stor er sandsynligheden for, at jeg vil blive testet positiv for den?”
Matematisk udtrykkes dette som:
Følsomhed = Sande Positive / (Sande Positive + Falsk Negative)
Med andre ord identificerede virksomhedens blodprøve 92,4% af dem MED sygdom X.
En sensitiv test bruges til at udelukke en sygdom, da den sjældent fejlklassificerer dem MED en sygdom som raske. Et eksempel på en meget følsom test er D-dimer (målt ved hjælp af en blodprøve). Hos patienter med en lav sandsynlighed før testen kan en negativ D-dimer-test præcist udelukke en trombe (blodprop).
Specificity
Specificity er den andel af personer UDEN sygdom X, der har en NEGATIV blodprøve. En test, der er 100 % specifik, betyder, at alle raske personer identificeres korrekt som raske, dvs. at der ikke er nogen falsk positive testresultater.
“Hvis jeg ikke har sygdom X, hvad er sandsynligheden for, at jeg vil blive testet negativ for den?”
Matematisk udtrykkes dette som:
Specificitet = sande negative / (sande negative + falske positive)
Med andre ord identificerede virksomhedens blodprøve 97,2% af dem UDEN sygdom X.
En specifik test bruges til at udelukke en sygdom, da den sjældent fejlklassificerer dem UDEN en sygdom som værende syge. En perfekt specifik test betyder derfor, at ingen raske personer identificeres som syge.
Supplerende foranstaltninger
Vi kan tage dette et skridt videre. Den prædiktive værdi af test kan beregnes med lignende statistiske begreber. For enkelhedens skyld fortsætter vi med at bruge ovenstående eksempel vedrørende en blodprøve for sygdom X.
Positiv prædiktiv værdi
Positiv prædiktiv værdi (PPV) er andelen af personer med en POSITIV blodprøve, der har sygdom X.
“Hvis jeg har en positiv test, hvor stor er sandsynligheden for, at jeg har sygdom X?”
PPV = True Positives / (True Positives + False Positives)
Med andre ord identificerede blodprøven 95% af dem med en POSITIV blodprøve, som havende sygdom X.
Da beregningen af PPV og NPV omfatter personer med og uden sygdommen, påvirkes den af prævalensen af den pågældende sygdom. Derfor skal man sikre, at der anvendes den samme population (eller at sygdommens forekomst er den samme mellem populationerne), når man sammenligner PPV og NPV for forskellige test.
Negativ prædiktiv værdi
Negativ prædiktiv værdi (NPV) er den andel af dem med en NEGATIV blodprøve, der ikke har sygdom X.
“Hvis jeg har en negativ test, hvad er sandsynligheden for, at jeg ikke har sygdom X”
NPV = True Negatives / (True Negatives + False Negatives)
Med andre ord identificerede blodprøven 95,7% af dem med en NEGATIV blodprøve, som ikke havde sygdom X.
Note
Det eksempel, der anvendes i denne artikel, skildrer en fiktiv test med en meget høj sensitivitet, specificitet, positiv og negativ prædiktiv værdi. I virkelige scenarier er det ofte en udfordring at skabe en test med maksimal præcision på alle fire områder, og ofte er forbedringer på ét område betinget af, at man ofrer nøjagtigheden på andre områder.
Summary
Diagnostisk testning er en grundlæggende komponent i effektiv medicinsk praksis. Du bør nu føle dig fortrolig med begreberne bag binære kliniske test. Både sensitivitet og specificitet samt positive og negative prædiktive værdier er vigtige målestokke, når man diskuterer test. Hvis du gerne vil læse mere om dette emne, anbefaler vi, at du begynder med ROC-kurver (Receiver Operating Characteristic). Dette koncept ligger uden for rammerne af denne artikel, men detaljerede forklaringer kan findes her (2).
Hvis du fandt denne artikel nyttig, er du velkommen til at dele den, og hold øje med andre blogs fra Cochrane UK and Ireland Trainee Group (CUKI-TAG).
1. Merriam-Webster.com. Diagnose . Tilgængelig fra: https://www.merriam-webster.com/dictionary/diagnosis
2. Abdul Ghaaliq Lalkhen, Anthony McCluskey, Clinical tests: sensitivity and specificity, Continuing Education in Anaesthesia Critical Care & Pain, Volume 8, Issue 6, December 2008, Pages 221-223. https://doi.org/10.1093/bjaceaccp/mkn041
Forfatteren: Saul Crandon
Saul er en akademisk Foundation Doctor ved Oxford University Hospitals NHS Foundation Trust. Han har en stærk interesse for medicinsk billeddannelse og for at fremme evidensbaseret medicin, især blandt studerende og andre yngre læger. Han håber at kunne udbygge denne interesse ved at sidde i udvalget for Cochrane UK & Ireland Trainees Advisory Group (CUKI-TAG). Læs hele denne biografi og biografierne for de andre medlemmer af CUKI-TAG her.