CochraneUK

Tento blog napsal Saul Crandon, akademický lékař z Oxford University Hospitals NHS Foundation Trust a jeden z členů Cochrane UK & Ireland Trainees Advisory Group (CUKI-TAG). Blog vysvětluje, co rozumíme pod pojmy „citlivost“, „specifičnost“, „pozitivní prediktivní hodnota“ a „negativní prediktivní hodnota“ v kontextu diagnostiky onemocnění a jak je vypočítat.

Diagnostický proces je zásadní součástí lékařské praxe. Někteří považují diagnostický proces za umění, jak to popisuje jeho definice podle Merriama Webstera; „umění nebo úkon identifikace nemoci z jejích příznaků a symptomů“ (1).

K tomu, abychom dospěli k diagnóze, musíme vzít v úvahu nesčetné množství informací, často v podobě anamnézy (která popisuje příznaky, které pacient pociťuje) a klinického vyšetření (které vyvolává příznaky související s chorobným procesem). To obvykle poskytuje rozumný seznam diferenciálních diagnóz, které mohou být potvrzeny nebo domnělé pomocí diagnostických testů. To může mít podobu odběru krve, radiologického zobrazení, vyšetření moči a dalších.

Tady je jádro věci; testy nejsou nikdy stoprocentně přesné. Musíme vzít v úvahu statistiky kolem testování, abychom určili, co dělá dobrý test a co ne tak dobrý test.

Uvažujte o následujícím příkladu:

Společnost vytvoří krevní test na nemoc X. V něm je uvedeno, že se jedná o krevní test.

Má nemoc X Nemá nemoc X
Krevní test POZITIVNÍ Pravdivě pozitivní (TP) Nepravdivý. Pozitivní (FP)
Krevní test NEGATIVNÍ Falešně negativní (FN) Pravdivě negativní (TN)

Nyní se podíváme na stejnou tabulku, vložíme některé hodnoty, se kterými budeme pracovat.

Má nemoc X Nemá nemoc X
Krvní test POZITIVNÍ 134 7
Krvní test POZITIVNÍ . test NEGATIVNÍ 11 245

Citlivost

Citlivost je podíl osob S nemocí X, které mají POZITIVNÍ krevní test. Test, který je 100% citlivý, znamená, že všichni nemocní jedinci jsou správně identifikováni jako nemocní, tj. nedochází k falešně negativním výsledkům. Důležité je, že jelikož výpočet zahrnuje všechny pacienty s daným onemocněním, není ovlivněn prevalencí onemocnění.

„Pokud mám nemoc X, jaká je pravděpodobnost, že budu mít pozitivní test na tuto nemoc?“.

Matematicky se to vyjadřuje takto:

Citlivost = Pravdivě pozitivní výsledky / (Pravdivě pozitivní výsledky + Falešně negativní výsledky)

= TP / (TP + FN)
= 134 / (134 + 11)
= 134 / 145
= 0.924 x 100
Citlivost = 92,4 %

Jinými slovy, krevní test společnosti identifikoval 92,4 % osob S nemocí X.

Citlivý test se používá pro vyloučení nemoci, protože zřídkakdy chybně klasifikuje osoby S nemocí jako zdravé. Příkladem vysoce citlivého testu je D-dimer (měří se pomocí krevního testu). U pacientů s nízkou předtestovou pravděpodobností může negativní test na D-dimery přesně vyloučit trombus (krevní sraženinu).

Specifičnost

Specifičnost je podíl osob BEZ onemocnění X, které mají NEGATIVNÍ krevní test. Test, který je 100% specifický, znamená, že všichni zdraví jedinci jsou správně identifikováni jako zdraví, tj. nedochází k falešně pozitivním výsledkům.

„Pokud nemám nemoc X, jaká je pravděpodobnost, že budu mít negativní test na tuto nemoc?“

Matematicky se to vyjadřuje takto:

Specifita = Pravdivě negativní / (Pravdivě negativní + Falešně pozitivní)

= TN / (TN + FP)
= 245 / (245 + 7)
= 245 / 252
= 0.972 x 100
Specifičnost = 97,2 %

Jinými slovy, krevní test společnosti identifikoval 97,2 % osob BEZ nemoci X.

Specifický test se používá pro vyloučení nemoci, protože zřídkakdy chybně klasifikuje osoby BEZ nemoci jako nemocné. Dokonale specifický test tedy znamená, že žádný zdravý jedinec není označen za nemocného.

Další opatření

Můžeme jít ještě o krok dál. Prediktivní hodnotu testů lze vypočítat pomocí podobných statistických konceptů. Pro zjednodušení budeme nadále používat výše uvedený příklad týkající se krevního testu na nemoc X.

Pozitivní prediktivní hodnota

Pozitivní prediktivní hodnota (PPV) je podíl osob s POZITIVNÍM krevním testem, které mají nemoc X.

„Pokud mám pozitivní test, jaká je pravděpodobnost, že mám nemoc X?“

PPV = Pravdivě pozitivní výsledky / (Pravdivě pozitivní výsledky + Falešně pozitivní výsledky)

= TP / (TP + FP)
= 134 / (134 + 7)
= 134 / 141
= 0.950 x 100
PPV = 95 %

Jinými slovy, krevní test identifikoval 95 % osob s POZITIVNÍM krevním testem jako osoby s onemocněním X.

Jelikož výpočet PPV a NPV zahrnuje osoby s onemocněním i bez něj, je ovlivněn prevalencí daného onemocnění. Při porovnávání PPV a NPV pro různé testy proto musíte zajistit, aby byla použita stejná populace (nebo aby byl výskyt onemocnění v populaci stejný).

Negativní prediktivní hodnota

Negativní prediktivní hodnota (NPV) je podíl osob s NEGATIVNÍM krevním testem, které nemají onemocnění X. Je to podíl osob s negativním krevním testem.

„Pokud mám negativní test, jaká je pravděpodobnost, že nemám nemoc X“

NPV = True Negatives / (True Negatives + False Negatives)

= TN / (TN + FN)
= 245 / (245 + 11)
= 245 / 256
= 0.957
NPV = 95,7 %

Jinými slovy, krevní test identifikoval 95,7 % osob s NEGATIVNÍM krevním testem, že nemají nemoc X.

Poznámka

Příklad použitý v tomto článku znázorňuje fiktivní test s velmi vysokou citlivostí, specificitou, pozitivní a negativní prediktivní hodnotou. V reálných scénářích je často náročné vytvořit test s maximální přesností ve všech čtyřech oblastech a často je zlepšení v jedné oblasti podmíněno obětováním přesnosti v jiných oblastech.

Shrnutí

Diagnostické testování je základní součástí efektivní lékařské praxe. Nyní byste se měli dobře orientovat v pojmech, které stojí za binárními klinickými testy. Jak citlivost a specifičnost, tak pozitivní a negativní prediktivní hodnoty jsou důležitými ukazateli při diskusi o testech. Pokud byste se chtěli tomuto tématu věnovat hlouběji, doporučujeme začít s křivkami ROC (Receiver Operating Characteristic). Tento koncept přesahuje rámec tohoto článku, ale podrobné vysvětlení najdete zde (2).

Pokud vám tento článek pomohl, neváhejte jej sdílet a sledujte další blogy skupiny Cochrane UK and Ireland Trainee Group (CUKI-TAG).

1. Merriam-Webster.com. Diagnóza . Dostupné z: 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

Autor: Saul Crandon

Saul je akademickým doktorem nadace Oxford University Hospitals NHS Foundation Trust. Má velký zájem o lékařské zobrazování a propagaci medicíny založené na důkazech, zejména mezi studenty a dalšími mladými lékaři. Doufá, že se mu podaří tento zájem rozšířit tím, že bude členem výboru Cochrane UK & Ireland Trainees Advisory Group (CUKI-TAG). Celý životopis a životopisy dalších členů skupiny CUKI-TAG si můžete přečíst zde.

.

Napsat komentář

Vaše e-mailová adresa nebude zveřejněna.