Sensitivität und Spezifität berechnen: 9 Schritte (mit Bildern)

Schritte
- Methode 1 von 1: Berechnung durchführen
Tipps
Warnungen

Für jeden Test, der einer bestimmten Population verabreicht wird, ist es wichtig, Empfindlichkeit, Spezifität, positiv vorhergesagter Wert, und negativer Vorhersagewert um festzustellen, wie nützlich der Test bei der Bestimmung der Spuren einer Krankheit oder eines Merkmals der gegebenen Bevölkerung ist. Wenn wir mit einem Test ein bestimmtes Merkmal einer Probe ermitteln wollen, möchten wir folgendes wissen:

Wie wahrscheinlich ist es, dass der Test durchgeführt wird? Gegenwart weist auf eine Eigenschaft bei jemandem hin von das Attribut (Empfindlichkeit)?
Wie wahrscheinlich ist es, dass der Test durchgeführt wird? Abwesenheit eines Merkmals weist auf jemanden hin ohne das Attribut (Spezifität)?
Wie wahrscheinlich ist es, dass jemand mit a positiv Testergebnis in der Tat das Attribut (positiv vorhergesagter Wert) hat?
Wie wahrscheinlich ist es, dass jemand mit a Negativ Testergebnis eigentlich das Attribut (negativer Vorhersagewert) nicht hat?

Diese Werte sind sehr wichtig zu berechnen, um bestimmen, ob ein Test nützlich ist, um ein bestimmtes Merkmal einer bestimmten Population zu messen. Dieser Artikel zeigt, wie man diese Werte berechnet.

Schritte

Methode 1 von 1: Berechnung durchführen

Bildtitel Berechnen Sie Sensitivität, Spezifität, positiven Vorhersagewert und negativen Vorhersagewert Schritt 1

1. Definieren Sie eine zu testende Population, zum Beispiel 1000 Patienten in einer Klinik.

Bildtitel Berechnen Sensitivität, Spezifität, positiver Vorhersagewert und negativer Vorhersagewert Schritt 2

2. Definieren Sie zum Beispiel die Krankheit oder das Merkmal, an dem Sie interessiert sind Syphilis.

Bildtitel Berechnen Sensitivität, Spezifität, positiver Vorhersagewert und negativer Vorhersagewert Schritt 3

3. Gehen Sie von einem zuverlässigen „Goldstandard“-Test aus, um die Prävalenz der Krankheit oder des Merkmals zu bestimmen, z Treponema pallidum von Syphilis-Ulkusabschabungen, in Verbindung mit klinischen Befunden. Verwenden Sie den Goldstandard, um zu bestimmen, wer die Attribute hat und wer nicht. Nehmen wir zum Beispiel an, dass dies bei 100 Personen der Fall ist und nicht bei 900.

Bildtitel Berechnen Sensitivität, Spezifität, positiver Vorhersagewert und negativer Vorhersagewert Schritt 4

4. Wählen Sie einen Test aus, an dem Sie interessiert sind, um die Sensitivität, Spezifität, den positiven Vorhersagewert und den negativen Vorhersagewert für diese Population zu bestimmen, und testen Sie jeden in der ausgewählten Population. Angenommen, es handelt sich beispielsweise um einen Plasma-Reagin-Schnelltest (RPR) zum Screening auf das Vorhandensein von Syphilis. Verwenden Sie es, um 1000 Personen in der Bevölkerung zu testen.

Bildtitel Berechnen Sie Sensitivität, Spezifität, positiven Vorhersagewert und negativen Vorhersagewert Schritt 5

5. Für Personen, die das Merkmal aufweisen (gemäß Goldstandard), 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 das Attribut nicht haben (gemäß dem Goldstandard). Du wirst schließlich vier Zahlen haben. Menschen mit dem Merkmal UND einem positiven Test sind die wahr positiv (TP). Menschen mit dem Merkmal UND einem negativen Test sind die falsch negative (FN). Menschen ohne das Merkmal UND einen positiven Test sind die Falschmeldungen (FP). Menschen ohne das Merkmal UND einen negativen Test sind die wahre Negative (TN). Angenommen, Sie haben bei 1000 Patienten einen RPR-Test durchgeführt. Von 100 Patienten mit Syphilis wurden 95 positiv und 5 negativ getestet. Von 900 Patienten ohne Syphilis wurden 90 positiv und 810 negativ getestet. In diesem Fall TP = 95, FN = 5, FP = 90 und TN = 810.

Bildtitel Berechnen Sensitivität, Spezifität, positiver Vorhersagewert und negativer Vorhersagewert Schritt 6

6. Um die Empfindlichkeit zu berechnen, dividiere TP durch (TP + FN). Im obigen Fall wird das 95/(95+5) = 95%. Die Sensitivität sagt uns, wie wahrscheinlich es ist, dass der Test bei jemandem, der das Merkmal aufweist, ein positives Ergebnis liefert. Wie viel Prozent der Personen mit diesem Merkmal werden positiv getestet?? 95% Sensitivität ist ziemlich gut.

Bildtitel Berechnen Sensitivität, Spezifität, positiver Vorhersagewert und negativer Vorhersagewert Schritt 7

7. Um die Spezifität zu berechnen, dividiere TN durch (FP + TN). Im obigen Fall wird das zu 810/(90+810) = 90%. Die Spezifität sagt uns, wie wahrscheinlich es ist, dass der Test ein negatives Ergebnis liefert, wenn jemand das Merkmal nicht hat. Wie viel Prozent aller Menschen ohne dieses Merkmal werden negativ getestet?? 90% Spezifität ist ziemlich gut.

Bildtitel Berechnen Sensitivität, Spezifität, positiver Vorhersagewert und negativer Vorhersagewert Schritt 8

8. Um den positiven Vorhersagewert (PVW) zu berechnen, dividiere TP durch (TP + FP). Im obigen Fall wird das 95/(95+90) = 51,4%. Der positive Vorhersagewert sagt uns, wie wahrscheinlich es ist, dass jemand mit dieser Eigenschaft positiv ausfällt. Welcher Anteil aller positiv getesteten Personen weist tatsächlich die Merkmale auf? Ein PPV von 51,4 % bedeutet, dass Sie bei einem positiven Test mit einer Wahrscheinlichkeit von 51,4 % tatsächlich an der Krankheit leiden.

Bildtitel Berechnen Sensitivität, Spezifität, positiver Vorhersagewert und negativer Vorhersagewert Schritt 9

9. Um den negativen Vorhersagewert (NAV) zu berechnen, dividiere TN durch (TN + FN). Im obigen Fall wird das zu 810/(810+5) = 99,4%. Der negative Vorhersagewert sagt uns, wie wahrscheinlich es ist, dass jemand das Merkmal nicht hat, wenn der Test negativ ist. Welcher Anteil aller negativ getesteten Personen hat das Merkmal wirklich nicht?? Ein NAV von 99,4 % bedeutet, dass Sie bei einem negativen Test mit einer Wahrscheinlichkeit von 99,4 % nicht an der Krankheit leiden.

Tipps

Genauigkeit oder Effizienz, ist der Prozentsatz der Testergebnisse, die vom Test korrekt identifiziert wurden, d. h. (richtig positiv + richtig negativ) / Summe der Testergebnisse = (TP+TN)/(TP+TN+FP+FN).
Gute Früherkennungstests haben eine hohe Sensitivität, denn man möchte jeden mit dem Merkmal identifizieren können. Tests mit sehr hoher Sensitivität sind nützlich, um Krankheiten oder Merkmale zu erkennen ausschließen wenn das Ergebnis negativ ist. ("SCHNAUZE": Empfindlichkeitsregel AUS)
Zeichnen Sie eine 2 x 2 Tabelle, um die Dinge zu vereinfachen.
Wissen, dass Sensitivität und Spezifität intrinsische Eigenschaften eines bestimmten Tests sind, und nicht hängen von der gegebenen Population ab, d.h. diese beiden Werte sollten gleich sein, wenn der gleiche Test auf verschiedene Populationen angewendet wird.
Gute Bestätigungstests haben eine hohe Spezifität, weil Sie möchten, dass der Test spezifisch ist und jemanden ohne das Merkmal nicht als positiv fehlinterpretiert. Tests mit sehr hoher Spezifität sind nützlich für: um sicher zu sein Krankheiten oder Merkmale, wenn sie positiv sind. ("DREH": Spezifitätsregel IN)
Andererseits hängen der positive Vorhersagewert und der negative Vorhersagewert von der Prävalenz des Merkmals in einer bestimmten Population ab. Je seltener das Merkmal, desto niedriger der positive und desto höher der negative Vorhersagewert (da die Wahrscheinlichkeit des Vortests bei einem seltenen Merkmal gering ist). Umgekehrt gilt: Je häufiger ein Merkmal auftritt, desto höher ist der positive Vorhersagewert und desto niedriger der negative Vorhersagewert (da die Wahrscheinlichkeit des Vortests für ein allgemeineres Merkmal hoch ist).
Versuchen Sie, diese Konzepte gut zu verstehen.