Jeder Test, der an einer bestimmten Population durchgeführt wird, muss in der Lage sein, zu berechnen Empfindlichkeit, Spezifität, positiv vorhergesagter Wert, und negativer Vorhersagewert, um die Nützlichkeit von Tests zum Nachweis einer bestimmten Krankheit oder eines bestimmten Populationsmerkmals zu bestimmen. Wenn wir einen Test verwenden möchten, um bestimmte Merkmale in einer Stichprobenpopulation zu testen, müssen wir Folgendes wissen:
- Wie wahrscheinlich ist es, dass dieser Test erkannt wird? Existenz bestimmte Eigenschaften einer Person mit solche Eigenschaften (Empfindlichkeit)?
- Wie wahrscheinlich ist es, dass dieser Test erkannt wird? Abwesenheit bestimmte Eigenschaften einer Person die nicht haben diese Eigenschaften (Spezifität)?
- Wie wahrscheinlich ist es, dass jemand mit den gleichen Testergebnissen positiv wirklich verfügen über diese Eigenschaften (positiver Vorhersagewert)?
-
Wie wahrscheinlich ist es, dass eine Person, deren Testergebnisse Negativ wirklich habe nicht diese Merkmale (negativer Vorhersagewert)?
Diese Werte sind sehr wichtig für die Berechnung bestimmen, ob ein Test zum Messen bestimmter Merkmale in einer bestimmten Population nützlich ist.
In diesem Artikel erfahren Sie, wie Sie diese Werte berechnen.
Schritt
Methode 1 von 1: Sich selbst zählen
Schritt 1. Definieren Sie die zu beprobende Population, zum Beispiel 1000 Patienten in einer Klinik
Schritt 2. Bestimmen Sie die gewünschte Krankheit oder das gewünschte Merkmal, zB Syphilis
Schritt 3. Einen Standard-Goldstandard zur Bestimmung der Krankheitsprävalenz oder gewünschter Merkmale haben, zB dunkelfeldmikroskopische Dokumentation des Bakteriums Treponema pallidum aus syphilitischen Ulkusfragmenten in Zusammenarbeit mit klinischen Befunden
Verwenden Sie den Goldstandard-Test, um festzustellen, wer die Eigenschaften hat und wer nicht. Nehmen wir zur Veranschaulichung an, dass 100 Personen das Merkmal haben und 900 nicht.
Schritt 4. Führen Sie den Test durch, an dem Sie interessiert sind, um seine Sensitivität, Spezifität, positiven Vorhersagewert und negativen Vorhersagewert für diese Population zu bestimmen
Führen Sie als Nächstes den Test für jeden in der Stichprobenpopulation durch. Nehmen wir zum Beispiel an, dies ist ein schneller Plasma-Reagin-Test (RPR) zum Screening auf Syphilis. Verwenden Sie es, um 1000 Personen in einer Stichprobe zu testen.
Schritt 5. Für Personen, die die Merkmale (gemäß dem Goldstandard) aufweisen, notieren Sie die Anzahl der Personen, die positiv getestet wurden, und die Anzahl der Personen, die negativ getestet wurden
Machen Sie dasselbe für Personen, die nicht über die Merkmale (wie vom Goldstandard definiert) verfügen. Sie haben vier Zahlen. Personen mit den Merkmalen UND Testergebnissen sind positiv sind wahr positiv (wahr positiv oder TP). Personen, die die Merkmale aufweisen UND Testergebnisse negativ sind, sind falsch negativ (falsch negativ oder FN). Menschen, die nicht die Merkmale aufweisen UND Testergebnisse positiv sind, sind False Positives (False Positives oder FP). Personen, die nicht die Merkmale aufweisen UND Testergebnisse negativ sind, sind wahre Negative (wahre Negative oder TN). Angenommen, Sie haben an 1000 Patienten einen RPR-Test durchgeführt. Von den 100 Syphilis-Patienten wurden 95 positiv getestet, während die restlichen 5 negativ waren. Von den 900 Patienten, die keine Syphilis hatten, wurden 90 positiv getestet und die restlichen 810 waren negativ. In diesem Fall ist TP = 95, FN = 5, FP = 90 und TN = 810.
Schritt 6. Um die Empfindlichkeit zu berechnen, teilen Sie TP durch (TP+FN)
Im obigen Beispiel lautet die Berechnung 95/(95+5) = 95 %. Die Sensitivität sagt uns, wie wahrscheinlich es ist, dass der Test bei einer Person mit diesem Merkmal ein positives Ergebnis liefert. Welcher Anteil von allen Personen, die das Merkmal aufweisen, positiv getestet? Die Empfindlichkeit von 95 % ist gut genug.
Schritt 7. Um die Spezifität zu berechnen, teilen Sie TN durch (FP+TN)
Im obigen Beispiel lautet die Berechnung 810/(90+810)= 90%. Die Spezifität sagt uns über die Wahrscheinlichkeit, dass ein Test bei jemandem, der dieses Merkmal nicht hat, ein negatives Ergebnis liefert. Welcher Anteil von allen Personen, die dieses Merkmal nicht aufweisen, ist negativ? 90% Spezifität ist gut genug.
Schritt 8. Um den positiven Vorhersagewert (NPP) zu berechnen, dividiere TP durch (TP+FP)
Im obigen Kontext lautet die Berechnung 95/(95+90) = 51,4%. Ein positiver prädiktiver Wert gibt an, mit welcher Wahrscheinlichkeit eine Person das Merkmal besitzt, wenn das Testergebnis positiv ist. Welcher Anteil von allen positiv getesteten Personen weist das Merkmal tatsächlich auf? NPP 51,4 % bedeutet, dass bei einem positiven Testergebnis die Wahrscheinlichkeit, tatsächlich an der betreffenden Krankheit zu erkranken, bei 51,4 % liegt.
Schritt 9. Um den negativen Vorhersagewert (NPN) zu berechnen, dividiere TN durch (TN+FN)
Für das obige Beispiel lautet die Berechnung 810/(810+5) = 99,4%. Ein negativer prädiktiver Wert gibt an, wie wahrscheinlich es ist, dass eine Person ein Merkmal nicht hat, wenn das Testergebnis negativ ist. Welcher Anteil von allen negativ getesteten Personen fehlt tatsächlich an den betreffenden Merkmalen? NPN 99,4 % bedeutet, dass bei einem negativen Testergebnis einer Person die Wahrscheinlichkeit, die Krankheit bei dieser Person nicht zu haben, 99,4 % beträgt.
Tipps
- Genauigkeit, oder Effizienz, ist der Prozentsatz der Testergebnisse, die vom Test korrekt identifiziert wurden, d. h. (richtig positiv + richtig negativ)/Gesamttestergebnis = (TP+TN)/(TP+TN+FP+FN).
- Ein guter Screening-Test hat eine hohe Sensitivität, denn man möchte alles bekommen, was bestimmte Eigenschaften hat. Tests mit sehr hoher Sensitivität sind sinnvoll, um bei negativem Ergebnis eine Krankheit oder ein Merkmal auszuschließen. ("SNOUT": Empfindlichkeitsregel AUS)
- Versuchen Sie, einen 2x2-Tisch zu erstellen, um es einfacher zu machen.
- Verstehen Sie, dass Sensitivität und Spezifität intrinsische Eigenschaften des Tests sind, die Nein hängt von der vorhandenen Population ab, d. h. dass die beiden Werte gleich sein sollten, wenn derselbe Test an verschiedenen Populationen durchgeführt wird.
- Ein guter Verifizierbarkeitstest hat eine hohe Spezifität, weil Sie möchten, dass der Test spezifisch ist und Personen, die das Merkmal nicht haben, nicht falsch benennen, indem Sie annehmen, dass sie es haben. Tests mit einer sehr hohen Spezifität sind nützlich für beifügen bestimmte Krankheiten oder Merkmale, wenn das Ergebnis positiv ist. ("SPIN": Spezifitätsregel IN)
- Der positive Vorhersagewert und der negative Vorhersagewert hängen andererseits von der Prävalenz dieses Merkmals in einer bestimmten Population ab. Je seltener das gesuchte Merkmal ist, desto niedriger ist der positive Vorhersagewert und desto höher der negative Vorhersagewert (weil die Vortestwahrscheinlichkeit bei seltenen Merkmalen gering ist). Andererseits gilt: Je häufiger ein Merkmal ist, desto höher ist der positive Vorhersagewert und desto niedriger der negative Vorhersagewert (weil die Vortestwahrscheinlichkeit für das gemeinsame Merkmal hoch ist).
- Versuchen Sie, diese Konzepte gut zu verstehen.
