CochraneUK

Ezt a blogot Saul Crandon, az Oxford University Hospitals NHS Foundation Trust akadémiai alapítványi orvosa és a Cochrane UK & Ireland Trainees Advisory Group (CUKI-TAG) egyik tagja írta. A blog elmagyarázza, hogy mit értünk “érzékenység”, “specificitás”, “pozitív prediktív érték” és “negatív prediktív érték” alatt – és hogyan kell kiszámítani – a betegségek diagnosztizálásával összefüggésben.

A diagnosztikai folyamat az orvosi gyakorlat alapvető fontosságú része. Egyesek a diagnosztikai folyamatot művészetnek tekintik, ahogyan azt a Merriam Webster definíciója leírja; “a betegség azonosításának művészete vagy művelete annak jeleiből és tüneteiből” (1).

A diagnózis felállításához számtalan információt kell figyelembe venni, gyakran a kórtörténet (amely leírja a beteg által tapasztalt tüneteket) és a klinikai vizsgálat (amely kiváltja a betegség folyamatával kapcsolatos jeleket) formájában. Ez általában a differenciáldiagnózisok ésszerű listáját adja, amelyet diagnosztikai vizsgálatokkal lehet megerősíteni vagy megcáfolni. Ez lehet vérvétel, radiológiai képalkotás, vizeletvizsgálat stb. formájában.

Ez a lényeg; a tesztek soha nem 100%-os pontosságúak. Figyelembe kell vennünk a tesztelés körüli statisztikákat, hogy meghatározzuk, mitől jó egy teszt, és mitől nem annyira jó egy teszt.

Gondoljunk a következő példára:

Egy vállalat vérvizsgálatot készít az X betegségre.

Megvan az X betegség Nincs meg az X betegség
Vérteszt pozitív igaz pozitív (TP) Hamis. Pozitív (FP)
Vérvizsgálat NEGATÍV Hamis negatív (FN) igaz negatív (TN)

Most nézzük meg ugyanezt a táblázatot, beszúrva néhány értéket, amelyekkel dolgozhatunk.

Betegség X Nincs betegség X
Vérvizsgálat POSITÍV 134 7
Vérv. teszt NEGATÍV 11 245

Szenzitivitás

Az érzékenység az X betegséggel rendelkező emberek azon aránya, akiknek a vérvizsgálata POSITÍV. A 100%-os érzékenységű teszt azt jelenti, hogy minden beteg személyt helyesen azonosítanak betegként, azaz nincsenek hamis negatív eredmények. Fontos, hogy mivel a számítás a betegségben szenvedő összes betegre vonatkozik, a betegség előfordulási gyakorisága nem befolyásolja.

“Ha X betegségben szenvedek, mekkora a valószínűsége, hogy pozitív lesz a tesztem erre a betegségre?”

Matematikailag ez a következőképpen fejezhető ki:

Szenzitivitás = Valódi pozitívok / (Valódi pozitívok + hamis negatívok)

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

Más szóval, a vállalat vérvizsgálata az X betegséggel rendelkezők 92,4%-át azonosította.

Az érzékeny tesztet egy betegség kizárására használják, mivel ritkán minősíti tévesen egészségesnek azokat, akiknek betegségük van. A nagy érzékenységű tesztre példa a D-dimer (vérvizsgálattal mérve). Az alacsony teszt előtti valószínűséggel rendelkező betegeknél a negatív D-dimer teszt pontosan kizárja a trombuszt (vérrögöt).

Specifikusság

A szpecifikusság az X betegséggel NEM rendelkező emberek aránya, akiknek a vérvizsgálata NEGATÍV. A 100%-os specificitású teszt azt jelenti, hogy minden egészséges személyt helyesen azonosítanak egészségesnek, azaz nincsenek téves pozitív eredmények.

“Ha nincs X betegségem, mekkora a valószínűsége, hogy a tesztem negatív lesz rá?”

Matematikailag ez a következőképpen fejezhető ki:

Specificitás = Igaz negatívok / (Igaz negatívok + Hamis pozitívok)

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

Más szóval, a vállalat vérvizsgálata az X betegség NÉLKÜL 97,2%-át azonosította.

A specifikus tesztet egy betegség kizárására használják, mivel ritkán minősíti tévesen betegnek azokat, akiknek NINCS betegségük. Egy tökéletesen specifikus teszt tehát azt jelenti, hogy egyetlen egészséges személyt sem azonosítanak betegként.

Kiegészítő intézkedések

Egy lépéssel tovább mehetünk. A tesztek prediktív értékét hasonló statisztikai fogalmakkal lehet kiszámítani. Az egyszerűség kedvéért továbbra is a fenti példát használjuk az X betegségre vonatkozó vérvizsgálatra vonatkozóan.

Pozitív prediktív érték

A pozitív prediktív érték (PPV) azoknak az aránya, akiknek a vérvizsgálata pozitív, és akiknek X betegségük van.

“Ha pozitív a tesztem, mekkora a valószínűsége, hogy X betegségem van?”

“Ha pozitív a tesztem, mekkora a valószínűsége, hogy X betegségem van?”

PPV = True Positives / (True Positives + False Positives)

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

Más szóval, a vérvizsgálat a POSITÍV vérvizsgálattal rendelkezők 95%-át azonosította X betegségben szenvedőként.

Mivel a PPV és NPV számítása magában foglalja a betegséggel rendelkező és nem rendelkező egyéneket, azt befolyásolja a kérdéses betegség gyakorisága. Ezért a különböző tesztek PPV-jének és NPV-jének összehasonlításakor biztosítani kell, hogy ugyanazt a populációt használják (vagy a betegség előfordulási gyakorisága azonos legyen a populációk között).

Negatív prediktív érték

A negatív prediktív érték (NPV) azoknak az aránya, akiknek a vérvizsgálata NEGATÍV, és nem szenvednek X betegségben.

“Ha negatív a tesztem, mekkora a valószínűsége annak, hogy nincs X betegségem”

NPV = Igaz Negatívok / (Igaz Negatívok + Hamis Negatívok)

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

Más szóval, a vérvizsgálat a NEGATÍV vérvizsgálattal rendelkezők 95,7%-át azonosította úgy, hogy nem szenved X betegségben.

Jegyzet

A cikkben használt példa egy fiktív tesztet ábrázol, amelynek nagyon magas az érzékenysége, specificitása, pozitív és negatív prediktív értéke. A valós forgatókönyvekben gyakran kihívást jelent mind a négy területen maximális pontosságú tesztet létrehozni, és gyakran az egyik területen elért javulás más területek pontosságának feláldozásával jár.

Összefoglaló

A diagnosztikai tesztelés a hatékony orvosi gyakorlat alapvető eleme. Most már jól kell éreznie magát a bináris klinikai tesztek mögötti fogalmakkal. Mind az érzékenység és a specificitás, mind a pozitív és negatív prediktív értékek fontos mérőszámok a tesztek megvitatásakor. Ha szeretne mélyebben beleolvasni ebbe a témába, javasoljuk, hogy kezdje a Receiver Operating Characteristic (ROC) görbékkel. Ez a fogalom meghaladja ennek a cikknek a kereteit, de részletes magyarázatot itt talál (2).

Ha hasznosnak találta ezt a cikket, ossza meg bátran, és tartsa nyitva a szemét a Cochrane UK and Ireland Trainee Group (CUKI-TAG) további blogjai előtt.

1. Merriam-Webster.com. Diagnózis . Elérhető: 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

A szerző: A szerző: Saul Crandon

Saul az Oxford University Hospitals NHS Foundation Trust tudományos alapító orvosa. Nagy érdeklődést mutat az orvosi képalkotás és a bizonyítékokon alapuló orvoslás népszerűsítése iránt, különösen a hallgatók és más kezdő orvosok körében. Reméli, hogy ezt az érdeklődést a Cochrane UK & Ireland Trainees Advisory Group (CUKI-TAG) bizottságában való részvétellel növelheti. A teljes életrajzot, valamint a CUKI-TAG többi tagjának életrajzát itt olvashatja el.

Vélemény, hozzászólás?

Az e-mail-címet nem tesszük közzé.