Kalkulator Percuma Editverse
Kalkulator Ketepatan Diagnostik
Tukarkan jadual ujian-lawan-kebenaran 2×2 kepada kepekaan, kekhususan, nilai ramalan dan nisbah kemungkinan, kemudian kira semula PPV dan NPV pada kelaziman populasi sasaran anda. Baca panduan tafsiran penuh di bawah. Disahkan terhadap R 4.3.3.
Dalam Perkataan Mudah
Ketepatan diagnostik menerangkan sejauh mana ujian membezakan orang yang mempunyai keadaan daripada mereka yang tidak. Sensitiviti ialah perkadaran orang yang benar-benar berpenyakit yang ditandai dengan betul oleh ujian; spesifisiti ialah perkadaran orang yang benar-benar sihat yang disahkan dengan betul. Kedua-duanya adalah sifat ujian itu sendiri dan tidak berubah dengan kekerapan penyakit itu berlaku.
Walau bagaimanapun, apa yang biasanya dikehendaki oleh seorang doktor adalah sebaliknya: jika keputusan positif diperolehi, sejauh mana kemungkinan penyakit itu berlaku? Itulah nilai ramalan positif , dan tidak seperti sensitiviti, ia sangat bergantung pada kelaziman . Ujian yang sama kelihatan jauh kurang meyakinkan apabila keadaannya jarang berlaku. Nisbah kemungkinan menggabungkan sensitiviti dan spesifisiti ke dalam satu ukuran bebas kelaziman tentang berapa banyak keputusan mengubah kemungkinan penyakit.
Bila Perlu Menggunakan Langkah Ketepatan Diagnostik
Gunakan ukuran ini setiap kali anda menilai ujian dengan keputusan binari terhadap piawaian rujukan (“emas”). Laporkan kepekaan dan kekhususan untuk mencirikan ujian, nilai ramalan untuk menggambarkan prestasi dalam populasi dengan kelaziman yang dinyatakan dan nisbah kemungkinan apabila anda mahukan ukuran yang merentasi tetapan.
Jika ujian menghasilkan skor berterusan dan bukannya keputusan ya/tidak, ringkaskan diskriminasinya dengan lengkung ROC dan AUC , dan pilih ambang dengan sengaja. Sentiasa berikan selang keyakinan 95% untuk setiap perkadaran, dan nyatakan kelaziman yang digunakan untuk nilai ramalan supaya pembaca boleh mentafsir semulanya untuk tetapan mereka sendiri. Tidak pasti ukuran mana yang hendak dilaporkan? Pemilih Ujian interaktif kami boleh membantu.
tp <- {tp}; fp <- {fp}; fn <- {fn}; tn <- {tn} sens <- tp/(tp+fn); spesifikasi <- tn/(tn+fp) c(sensitiviti = sens, kekhususan = spesifikasi)Panduan pengguna
Bila perlu digunakan. Nilaikan prestasi ujian diagnostik daripada 2×2 keputusan ujian berbanding status penyakit sebenar.
Andaian. Piawaian rujukan (emas) yang sah mengklasifikasikan status penyakit sebenar.
Kesilapan biasa. PPV dan NPV sangat bergantung pada kelaziman penyakit: laporkannya.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Altman DG, Bland JM. Ujian diagnostik 1: kepekaan dan kekhususan. BMJ. 1994;308:1552.
PPV dan NPV pada kelaziman populasi sasaran anda
PPV dan NPV dalam output di atas menggunakan kelaziman di dalam jadual 2×2 anda, (TP + FN) / N. Untuk melihat prestasi ujian di mana keadaannya lebih atau kurang lazim, masukkan kelaziman populasi tersebut. Teorem Bayes memberikan PPV = Se·P / [Se·P + (1 − Sp)(1 − P)] dan NPV = Sp(1 − P) / [Sp(1 − P) + (1 − Se)P].
Contoh Kerja
Contoh 1 — Membaca jadual 2×2
Dengan 90 positif benar, 10 negatif palsu, 80 negatif benar dan 20 positif palsu, sensitiviti ialah 90/100 = 90% dan spesifisiti ialah 80/100 = 80%. Walau bagaimanapun, nilai ramalan positif bergantung pada kelaziman: dalam sampel seimbang ini ia ialah 90/110 = 82%, tetapi dalam populasi saringan prevalens rendah ia akan jauh lebih rendah.
Contoh 2 — Mengapa nisbah kebarangkalian membantu
Nisbah kemungkinan positif sebanyak 4.5 (sensitiviti 0.90 / [1 − kekhususan 0.80]) bermakna keputusan positif adalah 4.5 kali lebih berkemungkinan berlaku pada orang yang berpenyakit berbanding orang yang tidak berpenyakit. Menggandakan kemungkinan pra-ujian dengan nisbah ini memberikan kemungkinan pasca-ujian, tanpa mengira kelaziman persekitaran.
Andaian untuk Disemak
Piawaian rujukan yang boleh dipercayai. Kepekaan dan kekhususan hanya sebaik piawaian emas yang digunakan untuk mengklasifikasikan status penyakit sebenar. Rujukan yang tidak sempurna memberi bias kepada setiap ukuran.
Spektrum perwakilan pesakit. Prestasi ujian yang diukur dalam kalangan orang yang jelas berpenyakit berbanding orang yang jelas sihat melebih-lebihkan ketepatan berbanding kes samar-samar yang dilihat dalam amalan (bias spektrum).
Prevalens dinyatakan untuk nilai ramalan. PPV dan NPV bukanlah sifat ujian; ia berubah mengikut prevalens. Sentiasa laporkan prevalens yang dikira padanya.
Kesalahan biasa
Nilai ramalan yang mengelirukan dengan kepekaan
Sensitiviti menjawab “memandangkan penyakit, adakah ujian akan positif?” Nilai ramalan menjawab sebaliknya, “memandangkan ujian positif, adakah terdapat penyakit?” Kedua-duanya tidak boleh ditukar ganti.
Mengabaikan kelaziman
Ujian yang sangat sensitif dan spesifik masih boleh menghasilkan kebanyakannya positif palsu apabila keadaannya jarang berlaku. Sentiasa tafsirkan nilai ramalan berdasarkan kelaziman.
Mengecualikan selang keyakinan
Setiap perkadaran adalah anggaran. Laporkan selang keyakinan 95% , terutamanya apabila bilangan sel adalah kecil.
Memaksa ujian berterusan menjadi satu pemotongan
Jika ujian memberikan skor berterusan, jadual 2×2 tunggal akan menyembunyikan prestasi penuhnya. Gunakan analisis ROC dan justifikasikan ambang yang dipilih.
Soalan Lazim
Apakah perbezaan antara kepekaan dan kekhususan?
Sensitiviti ialah kadar positif benar dalam kalangan orang berpenyakit; spesifisiti ialah kadar negatif benar dalam kalangan orang yang sihat. Ujian boleh menjadi kuat pada satu ujian dan lemah pada ujian yang lain.
Mengapakah nilai ramalan berubah dengan kelaziman?
Kerana nilai ramalan bergantung pada berapa banyak kes benar yang wujud dalam populasi yang diuji. Semakin jarang penyakit itu berlaku, semakin banyak positif yang palsu, sekali gus menurunkan nilai ramalan positif.
Apakah nisbah kemungkinan?
Ia merupakan faktor di mana keputusan ujian mengubah kemungkinan penyakit. Nisbah kemungkinan positif melebihi 10 adalah bukti kukuh untuk penyakit; nisbah negatif di bawah 0.1 adalah bukti kukuh terhadapnya.
Adakah hasilnya sepadan dengan SPSS, R, dan Stata?
Ya. Kalkulator ini menggunakan formula 2×2 standard untuk setiap ukuran dan menunjukkan arahan R yang tepat supaya anda boleh menghasilkannya semula.
Kalkulator Berkaitan
Rujukan
- Buderer, NM. Metodologi statistik: menggabungkan kelaziman penyakit ke dalam pengiraan saiz sampel untuk kepekaan dan kekhususan. Akademi Emerg Med. 1996;3(9):895–900. PMID 8870764.
- Thomas R, Mengersen K, Parikh RS, et al. Masukkan pendeta: pengenalan dan aplikasi teorem Bayes dalam oftalmologi klinikal. Klinik Exp Oftalmol. 2011;39(9):865–870. PMID 21575118.
- Altman DG, Bland JM. Ujian diagnostik 1: kepekaan dan kekhususan. BMJ. 1994; 308 (6943): 1552.
Perlu Analisis Ini Dilakukan untuk Manuskrip Anda?
Ahli biostatistik PhD kami mengira kepekaan, kekhususan, nilai ramalan dan nisbah kemungkinan anda dengan selang keyakinan dan memberikan jadual sedia untuk penerbitan dengan output R yang boleh dihasilkan semula.