CochraneUK
Autorem tego bloga jest Saul Crandon, Academic Foundation Doctor w Oxford University Hospitals NHS Foundation Trust i jeden z członków Cochrane UK & Ireland Trainees Advisory Group (CUKI-TAG). Blog wyjaśnia, co rozumiemy przez – i jak obliczać – 'czułość’, 'swoistość’, 'pozytywną wartość predykcyjną’ i 'negatywną wartość predykcyjną’ w kontekście diagnozowania chorób.
Proces diagnostyczny jest istotną częścią praktyki medycznej. Niektórzy uważają proces diagnozowania za sztukę, jak opisuje to definicja Merriam Webster; „sztuka lub akt identyfikacji choroby na podstawie jej oznak i objawów” (1).
Aby postawić diagnozę, należy wziąć pod uwagę niezliczoną ilość informacji, często w formie wywiadu (który opisuje objawy, jakich doświadcza pacjent) i badania klinicznego (które wykazuje objawy związane z procesem chorobowym). W ten sposób powstaje zazwyczaj sensowna lista rozpoznań różnicowych, które można potwierdzić lub zweryfikować za pomocą badań diagnostycznych. Mogą one polegać na pobraniu próbki krwi, obrazowaniu radiologicznym, badaniu moczu i innych.
Here jest sedno; testy nigdy nie są w 100% dokładne. Musimy rozważyć statystyki wokół testowania, aby określić, co sprawia, że dobry test i co sprawia, że nie-so-good test.
Rozważmy następujący przykład:
Firma tworzy test krwi na chorobę X.
| Ma chorobę X | Nie ma choroby X | |
| Test krwi POZYTYWNY | True Positives (TP) | False Pozytywny (FP) |
| Badanie krwi NEGATYWNY | Fałszywy Negatywny (FN) | Prawdziwy Negatywny (TN) |
Przyjrzyjrzyjmy się teraz tej samej tabeli, wstawiając kilka wartości, z którymi będziemy pracować.
| Ma chorobę X | Nie ma choroby X | |
| Badanie krwi POZYTYWNE | 134 | 7 |
| Badanie krwi Test krwi NEGATYWNY | 11 | 245 |
Czułość
Czułość to odsetek osób z chorobą X, u których test krwi jest POZYTYWNY. Test, który jest w 100% czuły oznacza, że wszystkie chore osoby są prawidłowo zidentyfikowane jako chore, tzn. nie ma fałszywych wyników negatywnych. Co ważne, ponieważ obliczenia dotyczą wszystkich pacjentów z daną chorobą, nie ma na nie wpływu częstość występowania choroby.
„Jeśli mam chorobę X, jakie jest prawdopodobieństwo, że uzyskam pozytywny wynik testu na tę chorobę?”
Matematycznie, wyraża się to jako:
Czułość = True Positives / (True Positives + False Negatives)
Innymi słowy, test krwi firmy zidentyfikował 92,4% osób Z chorobą X.
Czuły test jest używany do wykluczenia choroby, ponieważ rzadko błędnie klasyfikuje osoby Z chorobą jako zdrowe. Przykładem testu o wysokiej czułości jest D-dimer (mierzony za pomocą badania krwi). U pacjentów z niskim prawdopodobieństwem przed testem, negatywny wynik testu D-dimer może dokładnie wykluczyć zakrzep (skrzep krwi).
Szczegółowość
Szczegółowość to odsetek osób BEZ choroby X, które mają NEGATYWNY wynik testu krwi. Test, który jest w 100% specyficzny oznacza, że wszystkie zdrowe osoby są prawidłowo zidentyfikowane jako zdrowe, tzn. nie ma fałszywych wyników pozytywnych.
„Jeśli nie mam choroby X, jakie jest prawdopodobieństwo, że mój test będzie negatywny na tę chorobę?”
Matematycznie, można to wyrazić jako:
Szczegółowość = Prawdziwe Ujemne / (Prawdziwe Ujemne + Fałszywe Pozytywne)
Innymi słowy, test krwi firmy zidentyfikował 97,2% osób BEZ choroby X.
Szczegółowy test jest używany do orzekania o chorobie, ponieważ rzadko błędnie klasyfikuje osoby BEZ choroby jako chore. Idealnie specyficzny test oznacza zatem, że żadne zdrowe osoby nie są identyfikowane jako chore.
Dodatkowe środki
Możemy pójść o krok dalej. Wartość predykcyjna testów może być obliczana za pomocą podobnych pojęć statystycznych. Dla uproszczenia, będziemy nadal używać powyższego przykładu dotyczącego testu krwi na chorobę X.
Pozytywna wartość predykcyjna
Pozytywna wartość predykcyjna (PPV) to odsetek osób z POZYTYWNYM testem krwi, które mają chorobę X.
„Jeśli mam pozytywny test, jakie jest prawdopodobieństwo, że mam chorobę X?”
PPV = Prawdziwe Pozytywne / (Prawdziwe Pozytywne + Fałszywe Pozytywne)
Innymi słowy, badanie krwi zidentyfikowało 95% osób z POZYTYWNYM wynikiem badania krwi jako chorych na chorobę X.
Jako że obliczenia PPV i NPV obejmują osoby z chorobą i bez choroby, ma na nie wpływ częstość występowania danej choroby. Dlatego należy upewnić się, że używana jest ta sama populacja (lub częstość występowania choroby jest taka sama między populacjami) przy porównywaniu PPV i NPV dla różnych testów.
Negatywna wartość predykcyjna
Negatywna wartość predykcyjna (NPV) to odsetek osób z NEGATYWNYM wynikiem badania krwi, które nie mają choroby X.
„Jeśli mam negatywny wynik testu, jakie jest prawdopodobieństwo, że nie mam choroby X”
NPV = True Negatives / (True Negatives + False Negatives)
Innymi słowy, badanie krwi zidentyfikowało 95,7% osób z NEGATYWNYM wynikiem badania krwi, jako nie chorujących na chorobę X.
Uwaga
Przykład użyty w tym artykule przedstawia fikcyjny test o bardzo wysokiej czułości, specyficzności, pozytywnej i negatywnej wartości predykcyjnej. W rzeczywistych scenariuszach, często wyzwaniem jest stworzenie testu z maksymalną precyzją we wszystkich czterech obszarach i często ulepszenia w jednym obszarze podlegają poświęceniu dokładności w innych obszarach.
Podsumowanie
Testy diagnostyczne są podstawowym składnikiem skutecznej praktyki medycznej. Powinieneś teraz czuć się komfortowo z koncepcjami stojącymi za binarnymi testami klinicznymi. Zarówno czułość i swoistość, jak i pozytywne i negatywne wartości predykcyjne są ważnymi wskaźnikami przy omawianiu testów. Jeśli chcieliby Państwo pogłębić ten temat, zalecamy rozpoczęcie od krzywych ROC (Receiver Operating Characteristic). Koncepcja ta wykracza poza zakres tego artykułu, ale szczegółowe wyjaśnienia można znaleźć tutaj (2).
Jeśli ten artykuł okazał się pomocny, zachęcamy do podzielenia się nim i zwracania uwagi na inne blogi Cochrane UK and Ireland Trainee Group (CUKI-TAG).
1. Merriam-Webster.com. Diagnoza . Available from: 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 jest Academic Foundation Doctor w Oxford University Hospitals NHS Foundation Trust. Ma silne zainteresowanie obrazowaniem medycznym i promowaniem medycyny opartej na dowodach, szczególnie wśród studentów i innych młodszych lekarzy. Ma nadzieję rozwijać to zainteresowanie, zasiadając w komitecie Cochrane UK & Ireland Trainees Advisory Group (CUKI-TAG). Przeczytaj tę pełną biografię oraz biografie innych członków CUKI-TAG tutaj.