Calcolo di Sensibilità e Specificità: 9 Passaggi (con Immagini)

Contenuto

Passi
- Metodo 1 di 1: esecuzione del calcolo
Consigli
Avvertenze

Per qualsiasi test somministrato a una particolare popolazione, è importante sensibilità, specificità, valore predittivo positivo, e valore predittivo negativo per determinare quanto sia utile il test nel determinare le tracce di una malattia o le caratteristiche di una determinata popolazione. Se vogliamo utilizzare un test per determinare una caratteristica specifica di un campione, vorremmo sapere quanto segue:

Quanto è probabile che lo farà il test presenza indica una caratteristica in qualcuno di l`attributo (sensibilità)?
Quanto è probabile che lo farà il test assenza di una caratteristica indica in qualcuno privo di l`attributo (specificità)?
Quanto è probabile che qualcuno con a positivo risultato della prova infatti l`attributo (valore predittivo positivo) ha?
Quanto è probabile che qualcuno con a negativo risultato del test in realtà l`attributo (valore predittivo negativo) non ha?

Questi valori sono molto importanti da calcolare, al fine di determinare se un test è utile per misurare una caratteristica specifica di una particolare popolazione. In questo articolo verrà illustrato come calcolare questi valori.

Passi

Metodo 1 di 1: esecuzione del calcolo

Immagine titolata Calculate Sensitivity, Specificity, Positive Predictive Value e Negative Predictive Value Step 1

1. Definire una popolazione da testare, ad esempio 1000 pazienti in una clinica.

Immagine titolata Calculate Sensitivity, Specificity, Positive Predictive Value e Negative Predictive Value Step 2

2. Definisci la malattia o la caratteristica che ti interessa, per esempio sifilide.

Immagine titolata Calculate Sensitivity, Specificity, Positive Predictive Value e Negative Predictive Value Step 3

3. Assumere un test affidabile "gold standard" per determinare la prevalenza della malattia o del tratto, ad esempio documentazione di microscopia in campo oscuro sulla presenza del batterio Treponema pallido da raschiamento dell`ulcera sifilide, in associazione con i risultati clinici. Usa il gold standard per determinare chi ha gli attributi e chi no. Ad esempio, diciamo che questo vale per 100 persone e non per 900.

Immagine titolata Calculate Sensitivity, Specificity, Positive Predictive Value e Negative Predictive Value Step 4

4. Scegli un test che ti interessa determinare la sensibilità, la specificità, il valore predittivo positivo e il valore predittivo negativo per questa popolazione e testa tutti nella popolazione scelta. Ad esempio, supponiamo che si tratti di un test rapido di plasma reagin (RPR) per lo screening della presenza di sifilide. Usalo per testare 1000 persone nella popolazione.

Immagine titolata Calculate Sensitivity, Specificity, Positive Predictive Value e Negative Predictive Value Step 5

5. Per le persone che hanno il tratto (come determinato dal gold standard), registrare il numero di persone che sono risultate positive e il numero di persone che sono risultate negative. Fai lo stesso per le persone che non hanno l`attributo (come determinato dal gold standard). Alla fine avrai quattro numeri. Le persone con la caratteristica E un test positivo sono le veri positivi (TP). Le persone con la caratteristica E un test negativo sono le falsi negativi (FN). Le persone senza il tratto E un test positivo sono le falsi positivi (FP). Le persone senza il tratto E un test negativo sono le veri negativi (TN). Supponiamo di aver somministrato un test RPR su 1000 pazienti. Tra 100 pazienti con sifilide, 95 sono risultati positivi e 5 negativi. Tra 900 pazienti senza sifilide, 90 sono risultati positivi e 810 negativi. In questo caso, TP = 95, FN = 5, FP = 90 e TN = 810.

Immagine titolata Calculate Sensitivity, Specificity, Positive Predictive Value e Negative Predictive Value Step 6

6. Per calcolare la sensibilità, dividere TP per (TP + FN). Nel caso precedente diventa 95/(95+5) = 95%. La sensibilità ci dice quanto è probabile che il test dia un risultato positivo in qualcuno che esibisce la caratteristica. Quale percentuale di persone con il tratto risulterà positiva? La sensibilità del 95% è abbastanza buona.

Immagine titolata Calculate Sensitivity, Specificity, Positive Predictive Value e Negative Predictive Value Step 7

7. Per calcolare la specificità, dividi TN per (FP + TN). Nel caso precedente, diventa 810/(90+810) = 90%. La specificità ci dice quanto è probabile che il test dia un risultato negativo se qualcuno non ha il tratto. Quale percentuale di tutte le persone senza il tratto risulterà negativa? La specificità del 90% è abbastanza buona.

Immagine titolata Calculate Sensitivity, Specificity, Positive Predictive Value e Negative Predictive Value Step 8

8. Per calcolare il valore predittivo positivo (PVW), dividere TP per (TP + FP). Nel caso precedente diventa 95/(95+90) = 51,4%. Il valore predittivo positivo ci dice quanto è probabile che qualcuno con il tratto risulti positivo. Quale percentuale di tutte le persone testate positivamente mostra effettivamente le caratteristiche? Un PPV del 51,4% significa che se si è positivi al test, si ha una probabilità del 51,4% di avere effettivamente la malattia.

Immagine titolata Calculate Sensitivity, Specificity, Positive Predictive Value e Negative Predictive Value Step 9

9. Per calcolare il valore predittivo negativo (NAV), dividere TN per (TN + FN). Nel caso precedente, diventa 810/(810+5) = 99,4%. Il valore predittivo negativo ci dice quanto è probabile che qualcuno non abbia la caratteristica se il test è negativo. Quale percentuale di tutte le persone che risultano negative in realtà non ha il tratto? Un NAV del 99,4% significa che se il tuo test è negativo, hai una probabilità del 99,4% di non avere la malattia.

Consigli

Precisione o efficienza, è la percentuale dei risultati del test correttamente identificati dal test, ovvero (veri positivi + veri negativi) / totale dei risultati del test = (TP+TN)/(TP+TN+FP+FN).
I buoni test di screening hanno un`elevata sensibilità, perché vuoi essere in grado di identificare tutti con la caratteristica. I test con una sensibilità molto elevata sono utili per rilevare malattie o caratteristiche escludere se il risultato è negativo. ("Muso": Regola sensibilità OUT)
Disegna un tavolo 2 x 2 per rendere le cose più facili.
Sappi che la sensibilità e la specificità sono proprietà intrinseche di un particolare test, e non dipendono dalla popolazione data, cioè questi due valori dovrebbero essere gli stessi se lo stesso test viene applicato a popolazioni diverse.
I buoni test di conferma hanno un`elevata specificità perché vuoi che il test sia specifico e non interpreti erroneamente qualcuno senza il tratto come positivo. I test di specificità molto elevata sono utili per: per essere sicuro malattie o caratteristiche se sono positive. ("ROTEARE": regola di specificità IN)
D`altra parte, il valore predittivo positivo e il valore predittivo negativo dipendono dalla prevalenza del tratto in una particolare popolazione. Più rara è la caratteristica, più basso è il valore predittivo positivo e negativo (perché la probabilità del pretest è bassa per una caratteristica rara). Al contrario, più frequentemente si verifica un tratto, maggiore è il valore predittivo positivo e minore è il valore predittivo negativo (perché la probabilità del pretest è alta per un tratto più generale).
Cerca di capire bene questi concetti.