CochraneUK
Denna blogg har skrivits av Saul Crandon, Academic Foundation Doctor vid Oxford University Hospitals NHS Foundation Trust och en av medlemmarna i Cochrane UK & Ireland Trainees Advisory Group (CUKI-TAG). Bloggen förklarar vad vi menar med – och hur man beräknar – ”sensitivitet”, ”specificitet”, ”positivt prediktivt värde” och ”negativt prediktivt värde” i samband med diagnostisering av sjukdomar.
Den diagnostiska processen är en viktig del av den medicinska praktiken. Vissa anser att diagnostiseringsprocessen är en konst, vilket beskrivs i Merriam Websters definition; ”the art or act of identifying a disease from its signs and symptoms” (1).
För att komma fram till en diagnos måste man ta hänsyn till en myriad av information, ofta i form av anamnesen (som beskriver de symtom som patienten upplever) och en klinisk undersökning (som framkallar de tecken som är relaterade till sjukdomsprocessen). Detta ger vanligtvis en förnuftig lista över differentialdiagnoser, som kan bekräftas eller vederläggas med hjälp av diagnostiska tester. Detta kan vara i form av ett blodprov, radiologisk avbildning, urinprov med mera.
Här är kruxet; tester är aldrig 100 procent exakta. Vi måste ta hänsyn till statistiken kring tester för att avgöra vad som är ett bra test och vad som är ett mindre bra test.
Tänk på följande exempel:
Ett företag skapar ett blodtest för sjukdom X.
| Har sjukdom X | Har inte sjukdom X | |
| Blodtest POSITIV | True Positives (TP) | Falsk. Positiva (FP) |
| Blodtest NEGATIV | Falskt negativa (FN) | Sanna negativa (TN) |
Nu tittar vi på samma tabell, och lägger in några värden att arbeta med.
| Har sjukdom X | Har inte sjukdom X | |
| Blodprov POSITIV | 134 | 7 |
| Blodprov. test NEGATIV | 11 | 245 |
Känslighet
Känslighet är andelen personer MED sjukdom X som har ett POSITIVT blodprov. Ett test som är 100 % känsligt innebär att alla sjuka individer identifieras korrekt som sjuka dvs. det finns inga falskt negativa resultat. Eftersom beräkningen omfattar alla patienter med sjukdomen påverkas den inte av sjukdomens förekomst, vilket är viktigt.
”Om jag har sjukdom X, hur stor är sannolikheten att jag testar positivt för den?”
Matematiskt sett uttrycks detta som:
Känslighet = Sann positiva testresultat / (Sann positiva testresultat + Falskt negativa testresultat)
Med andra ord identifierade företagets blodprov 92,4 % av dem MED sjukdom X.
Ett känsligt test används för att utesluta en sjukdom, eftersom det sällan felklassificerar dem MED en sjukdom som friska. Ett exempel på ett mycket känsligt test är D-dimer (mäts med hjälp av ett blodprov). Hos patienter med låg sannolikhet före testet kan ett negativt D-dimertest exakt utesluta en tromb (blodpropp).
Specificity
Specificity är andelen personer UTAN sjukdom X som har ett NEGATIVT blodtest. Ett test som är 100 % specifikt innebär att alla friska personer identifieras korrekt som friska, dvs. det finns inga falska positiva resultat.
”Om jag inte har sjukdom X, hur stor är sannolikheten att jag testar negativt för den?”
Matematiskt uttrycks detta som:
Specificity = True Negatives / (True Negatives + False Positives)
Med andra ord identifierade företagets blodprov 97,2 % av dem som INTE hade sjukdom X.
Ett specifikt test används för att avgöra om en sjukdom föreligger, eftersom det sällan felklassificerar dem som INTE har en sjukdom som sjuka. Ett perfekt specifikt test innebär därför att inga friska personer identifieras som sjuka.
Att vidta ytterligare åtgärder
Vi kan ta detta ett steg längre. Testens prediktiva värde kan beräknas med liknande statistiska begrepp. För enkelhetens skull fortsätter vi att använda exemplet ovan om ett blodprov för sjukdom X.
Positivt prediktivt värde
Positivt prediktivt värde (PPV) är andelen av dem med ett POSITIVT blodprov som har sjukdom X.
”Om jag har ett positivt prov, hur stor är sannolikheten att jag har sjukdom X?”
PPV = True Positives / (True Positives + False Positives)
Med andra ord identifierade blodprovet 95 % av dem som hade ett POSITIVT blodprov, som personer med sjukdom X.
Då beräkningen av PPV och NPV innefattar individer med och utan sjukdomen, påverkas den av prevalensen av sjukdomen i fråga. Därför måste du se till att samma population används (eller att förekomsten av sjukdomen är densamma mellan populationerna) när du jämför PPV och NPV för olika tester.
Negativt prediktivt värde
Negativt prediktivt värde (NPV) är andelen av dem med ett NEGATIVt blodprov som inte har sjukdom X.
”Om jag har ett negativt test, hur stor är sannolikheten att jag inte har sjukdom X”
NPV = True Negatives / (True Negatives + False Negatives)
Med andra ord identifierade blodprovet 95,7 % av dem som hade ett NEGATIVt blodprov, som att de inte hade sjukdom X.
Notis
Exemplet som används i den här artikeln skildrar ett fiktivt test med en mycket hög sensitivitet, specificitet, positivt och negativt prediktivt värde. I verkliga scenarier är det ofta en utmaning att skapa ett test med maximal precision inom alla fyra områdena och ofta innebär förbättringar inom ett område att man måste offra noggrannheten inom andra områden.
Sammanfattning
Diagnostiska tester är en grundläggande komponent i effektiv medicinsk praxis. Du bör nu känna dig bekväm med begreppen bakom binära kliniska tester. Både sensitivitet och specificitet samt positiva och negativa prediktiva värden är viktiga mått när man diskuterar tester. Om du vill läsa vidare om detta ämne rekommenderar vi att du börjar med ROC-kurvor (Receiver Operating Characteristic). Detta koncept ligger utanför den här artikelns räckvidd, men detaljerade förklaringar finns här (2).
Om du tyckte att den här artikeln var till hjälp, dela den gärna och håll utkik efter andra bloggar från Cochrane UK and Ireland Trainee Group (CUKI-TAG).
1. Merriam-Webster.com. Diagnos . Tillgänglig från: 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
Författaren: Saul Crandon
Saul är Academic Foundation Doctor vid Oxford University Hospitals NHS Foundation Trust. Han har ett starkt intresse för medicinsk avbildning och främjande av evidensbaserad medicin, särskilt bland studenter och andra yngre läkare. Han hoppas kunna öka detta intresse genom att sitta i kommittén för Cochrane UK & Ireland Trainees Advisory Group (CUKI-TAG). Läs hela biografin och biografierna för de andra medlemmarna i CUKI-TAG här.