CochraneUK
Dieser Blog wurde von Saul Crandon geschrieben, einem akademischen Stiftungsarzt am Oxford University Hospitals NHS Foundation Trust und einem der Mitglieder der Cochrane UK & Ireland Trainees Advisory Group (CUKI-TAG). Der Blog erklärt, was wir unter „Sensitivität“, „Spezifität“, „positivem prädiktivem Wert“ und „negativem prädiktivem Wert“ im Zusammenhang mit der Diagnose von Krankheiten verstehen – und wie man sie berechnet.
Der Diagnoseprozess ist ein wichtiger Teil der medizinischen Praxis. Manche betrachten den Diagnoseprozess als eine Kunst, wie sie in der Definition von Merriam Webster beschrieben wird: „die Kunst oder der Akt der Identifizierung einer Krankheit anhand ihrer Anzeichen und Symptome“ (1).
Um zu einer Diagnose zu gelangen, muss man eine Vielzahl von Informationen berücksichtigen, oft in Form einer Anamnese (die die Symptome des Patienten beschreibt) und einer klinischen Untersuchung (die die mit dem Krankheitsprozess verbundenen Anzeichen aufzeigt). Daraus ergibt sich in der Regel eine sinnvolle Liste von Differentialdiagnosen, die mit Hilfe von diagnostischen Tests bestätigt oder widerlegt werden können. Dies kann in Form einer Blutentnahme, einer radiologischen Bildgebung, einer Urinuntersuchung und anderem geschehen.
Das ist der springende Punkt: Tests sind nie zu 100 % genau. Wir müssen die Statistiken rund um die Tests berücksichtigen, um zu bestimmen, was einen guten Test ausmacht und was einen nicht so guten Test ausmacht.
Betrachten Sie das folgende Beispiel:
Ein Unternehmen entwickelt einen Bluttest für Krankheit X.
| Hat Krankheit X | Hat Krankheit X nicht | |
| Bluttest POSITIV | True Positives (TP) | Falsches Positiv (FP) |
| Bluttest NEGATIV | Falsch Negativ (FN) | Wahr Negativ (TN) |
Nun schauen wir uns die gleiche Tabelle an, und fügen einige Werte ein, mit denen wir arbeiten können.
| Hat Krankheit X | Hat nicht Krankheit X | |
| Bluttest POSITIV | 134 | 7 |
| Bluttest Bluttest NEGATIV | 11 | 245 |
Sensitivität
Die Sensitivität ist der Anteil der Personen mit Krankheit X, die einen POSITIVEN Bluttest haben. Ein Test mit einer Empfindlichkeit von 100 % bedeutet, dass alle erkrankten Personen korrekt als erkrankt identifiziert werden, d. h. es gibt keine falsch-negativen Ergebnisse. Wichtig ist, dass die Berechnung, da sie alle Patienten mit der Krankheit einbezieht, nicht von der Prävalenz der Krankheit beeinflusst wird.
„Wenn ich die Krankheit X habe, wie hoch ist die Wahrscheinlichkeit, dass ich positiv auf diese Krankheit getestet werde?“
Mathematisch wird dies wie folgt ausgedrückt:
Sensitivität = Wahr Positive / (Wahr Positive + Falsch Negative)
Mit anderen Worten, der Bluttest des Unternehmens identifizierte 92,4 % der Personen MIT Krankheit X.
Ein empfindlicher Test wird verwendet, um eine Krankheit auszuschließen, da er selten diejenigen MIT einer Krankheit als gesund einstuft. Ein Beispiel für einen hochsensitiven Test ist der D-Dimer-Wert (gemessen mit einem Bluttest). Bei Patienten mit einer niedrigen Vortestwahrscheinlichkeit kann ein negativer D-Dimer-Test einen Thrombus (Blutgerinnsel) genau ausschließen.
Spezifität
Spezifität ist der Anteil der Personen OHNE Krankheit X, die einen NEGATIVEN Bluttest haben. Ein Test, der 100% spezifisch ist, bedeutet, dass alle gesunden Personen korrekt als gesund identifiziert werden, d.h. es gibt keine falsch-positiven Ergebnisse.
„Wenn ich die Krankheit X nicht habe, wie hoch ist dann die Wahrscheinlichkeit, dass ich negativ auf sie getestet werde?“
Mathematisch wird dies wie folgt ausgedrückt:
Spezifität = Wahre Negative / (Wahre Negative + Falsch Positive)
Mit anderen Worten, der Bluttest des Unternehmens identifizierte 97,2 % der Personen OHNE Krankheit X.
Ein spezifischer Test wird verwendet, um eine Krankheit auszuschließen, da er nur selten Personen OHNE eine Krankheit als krank einstuft. Ein perfekt spezifischer Test bedeutet also, dass keine gesunden Personen als krank identifiziert werden.
Zusätzliche Maßnahmen
Wir können einen Schritt weiter gehen. Der Vorhersagewert von Tests kann mit ähnlichen statistischen Konzepten berechnet werden. Der Einfachheit halber verwenden wir weiterhin das obige Beispiel eines Bluttests auf die Krankheit X.
Positiver Vorhersagewert
Der positive Vorhersagewert (PPV) ist der Anteil derjenigen mit einem POSITIVEN Bluttest, die die Krankheit X haben.
„Wenn ich einen positiven Test habe, wie groß ist die Wahrscheinlichkeit, dass ich die Krankheit X habe?“
PPV = True Positives / (True Positives + Falsch Positives)
Mit anderen Worten, der Bluttest identifiziert 95 % der Personen mit einem POSITIVEN Bluttest als an der Krankheit X erkrankt.
Da die Berechnung des PPV und NPV Personen mit und ohne die Krankheit einschließt, wird sie von der Prävalenz der betreffenden Krankheit beeinflusst. Daher muss sichergestellt werden, dass beim Vergleich von PPV und NPV für verschiedene Tests die gleiche Population verwendet wird (oder die Inzidenz der Krankheit in den verschiedenen Populationen gleich ist).
Negativer Vorhersagewert
Der negative Vorhersagewert (NPV) ist der Anteil derjenigen mit einem NEGATIVEN Bluttest, die nicht an der Krankheit X leiden.
„Wenn ich einen negativen Test habe, wie hoch ist die Wahrscheinlichkeit, dass ich nicht an der Krankheit X erkrankt bin“
NPV = Wahre Negative / (Wahre Negative + Falsche Negative)
Mit anderen Worten, der Bluttest identifizierte 95,7% der Personen mit einem NEGATIVEN Bluttest als nicht an der Krankheit X erkrankt.
Anmerkung
Das in diesem Artikel verwendete Beispiel stellt einen fiktiven Test mit einer sehr hohen Sensitivität, Spezifität, positiven und negativen Vorhersagewerten dar. In realen Szenarien ist es oft schwierig, einen Test mit maximaler Präzision in allen vier Bereichen zu entwickeln, und oft gehen Verbesserungen in einem Bereich zu Lasten der Genauigkeit in anderen Bereichen.
Zusammenfassung
Diagnostische Tests sind ein grundlegender Bestandteil einer effektiven medizinischen Praxis. Sie sollten nun mit den Konzepten hinter binären klinischen Tests vertraut sein. Sowohl Sensitivität und Spezifität als auch positiver und negativer Vorhersagewert sind wichtige Messgrößen bei der Diskussion von Tests. Wenn Sie sich eingehender mit diesem Thema befassen möchten, empfehlen wir Ihnen, mit Receiver Operating Characteristic (ROC)-Kurven zu beginnen. Dieses Konzept würde den Rahmen dieses Artikels sprengen, aber ausführliche Erklärungen finden Sie hier (2).
Wenn Sie diesen Artikel hilfreich fanden, können Sie ihn gerne weitergeben und nach weiteren Blogs der Cochrane UK and Ireland Trainee Group (CUKI-TAG) Ausschau halten.
1. Merriam-Webster.com. Diagnosis . Verfügbar unter: 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
Der Autor: Saul Crandon
Saul Crandon ist ein akademischer Stiftungsarzt am Oxford University Hospitals NHS Foundation Trust. Er hat ein starkes Interesse an medizinischer Bildgebung und an der Förderung der evidenzbasierten Medizin, insbesondere bei Studenten und anderen Ärzten in der Ausbildung. Er hofft, dieses Interesse durch seine Mitgliedschaft im Ausschuss der Cochrane UK & Ireland Trainees Advisory Group (CUKI-TAG) zu verstärken. Lesen Sie seine vollständige Biografie und die Biografien der anderen Mitglieder der CUKI-TAG hier.