Diterbitkan | Kemas kini terakhir
Satu ulasan Cochrane pada tahun 2025 telah mengumpulkan 32 kajian dan 12,529 peserta dan mendapati bahawa Xpert Ultra, ujian molekul pantas yang kini disyorkan untuk tuberkulosis pulmonari, telah menanda dengan tepat kira-kira 91 daripada setiap 100 orang yang benar-benar menghidap penyakit tersebut dan dengan tepat membersihkan kira-kira 95 daripada setiap 100 orang yang tidak menghidapnya. Kedua-dua nombor tersebut, iaitu sensitiviti dan spesifisiti , kedengaran hampir boleh ditukar ganti bagi pembaca kali pertama, namun mencampuradukkannya adalah salah satu kesilapan yang lebih mahal yang boleh dilakukan oleh doktor atau penyelidik semasa membaca kertas ujian diagnostik. Ujian boleh menjadi cemerlang pada satu ujian dan biasa-biasa sahaja pada ujian yang lain, dan angka ketepatan tajuk utama sering menyembunyikan yang mana satu.
Berikutnya akan mengkaji apa yang sebenarnya diukur oleh sensitiviti dan spesifisiti, bagaimana nilai ramalan positif dan negatif bergerak dengan kelaziman penyakit, mengapa nisbah kemungkinan tidak dapat menyelesaikan masalah yang tidak dapat diselesaikan oleh angka ketepatan mentah, dan bagaimana senarai semak STARD 2015 memastikan kertas ketepatan diagnostik cukup jujur untuk dipercayai. Jadual 2×2 yang telah berfungsi, yang dibina daripada angka Cochrane sebenar di atas, menjalankan aritmetik dengan tangan supaya formula tidak lagi abstrak.
Dalam Perkataan Mudah
Kepekaan mengukur sejauh mana ujian dapat mengesan orang yang benar-benar mempunyai sesuatu keadaan. Kekhususan mengukur sejauh mana ia dapat mengenal pasti orang yang tidak mempunyainya. Kedua-dua nombor tersebut kekal sebagai sifat ujian itu sendiri yang agak tetap. Nilai ramalan positif dan negatif kemudiannya menterjemahkan prestasi ujian tetap tersebut kepada nombor yang sebenarnya diingini oleh pesakit, iaitu peluang bahawa keputusan positif atau negatif mereka sendiri adalah betul. Peluang itu sangat bergantung pada sejauh mana kelaziman keadaan tersebut berlaku pada sesiapa sahaja yang sedang diuji, bukan sahaja pada seberapa baik ujian tersebut, dan ia boleh berubah dengan margin yang besar walaupun ujian tidak pernah berubah.
Poin-poin utama
- Kepekaan ialah perkadaran orang yang mempunyai keadaan yang dikenal pasti dengan betul oleh ujian sebagai positif. Specificity ialah perkadaran tanpa syarat ia dikenal pasti dengan betul sebagai negatif.
- Nilai ramalan positif dan negatif menjawab soalan yang sebenarnya ditanya oleh pesakit, dan kedua-duanya berubah dengan ketara apabila prevalens penyakit berubah, walaupun sensitiviti dan spesifisiti tidak berubah.
- Nisbah kemungkinan menggabungkan kepekaan dan kekhususan ke dalam satu nombor yang mengemas kini kebarangkalian praujian kepada kebarangkalian pascaujian, dan tidak seperti nilai ramalan, ia kekal stabil secara kasar merentasi populasi.
- Lengkung ROC dan luas di bawah lengkungnya (AUC) meringkaskan sejauh mana ujian mendiskriminasi setiap kemungkinan potongan, bukan hanya yang digunakan oleh makmal.
- STARD 2015 menetapkan 30 item pelaporan untuk kajian ketepatan diagnostik, dan pematuhan masih berbeza-beza secara meluas merentasi kertas kerja yang diterbitkan.
Apa yang Sebenarnya Diukur oleh Kepekaan dan Kekhususan
Setiap perbandingan ujian diagnostik bermula dengan jadual 2×2 yang menjadualkan silang keputusan ujian terhadap status penyakit sebenar, biasanya ditetapkan oleh piawaian rujukan seperti kultur, biopsi atau kriteria klinikal yang disahkan. Empat hasil mungkin. Positif sebenar ialah orang sakit yang ditandakan dengan betul oleh ujian. Negatif palsu ialah orang sakit yang terlepas ujian. Negatif sebenar ialah orang sihat yang lulus ujian dengan betul. Positif palsu ialah orang sihat yang ditandakan dengan salah oleh ujian.
| Keadaan Semasa | Keadaan Tidak Hadir | |
|---|---|---|
| Ujian Positif | Positif Benar (TP) | Positif Palsu (FP) |
| Ujian Negatif | Negatif Palsu (FN) | Negatif Benar (TN) |
Daripada keempat-empat sel tersebut, sensitiviti dan spesifisiti ditakrifkan sebagai nisbah mudah dalam setiap lajur status penyakit, itulah sebabnya ia bertindak berbeza daripada nilai ramalan kemudian dalam panduan ini.
- Kepekaan = TP / (TP + FN), dikira hanya dalam kalangan orang yang benar-benar menghidap keadaan tersebut.
- Kekhususan = TN / (TN + FP), dikira hanya dalam kalangan orang yang benar-benar tidak.

Oleh kerana setiap ukuran dikira dalam satu lajur jadual, kedua-duanya tidak bergantung secara matematik pada sejauh mana kelaziman penyakit dalam sampel. Kajian Trevethan yang dipetik secara meluas tentang asas dan perangkap metrik ini mengemukakan perkara yang sama, dan juga memberi amaran bahawa sensitiviti dan spesifisiti bukanlah pemalar tetap yang sering dianggap sebagai dalam amalan, kerana kesan spektrum dan campuran keterukan penyakit dalam populasi kajian boleh beralih dari satu tetapan ke tetapan seterusnya.
Contoh yang Berfungsi: Kepekaan dan Kekhususan Daripada Data Sebenar
Kemas kini Cochrane pada tahun 2025 mengenai Xpert Ultra untuk tuberkulosis pulmonari mengumpulkan data daripada 32 kajian dan 12,529 orang dewasa dan remaja, menilai bukti tersebut sebagai kepastian yang tinggi. Berdasarkan piawaian rujukan kultur, ulasan tersebut melaporkan sensitiviti terkumpul sebanyak 90.7 peratus (95 peratus CI, 88.2 hingga 92.7) dan spesifisiti terkumpul sebanyak 94.8 peratus (95 peratus CI, 92.8 hingga 96.3).
Mengubahnya menjadi jadual yang jelas menjadikan aritmetik mudah untuk diikuti. Katakan 1,000 orang dewasa yang bergejala diuji, dan katakan 10 peratus daripada mereka, atau 100 orang, benar-benar menghidap tuberkulosis pulmonari, prevalens yang dipilih di sini hanya untuk ilustrasi.
| TB Hadir (100) | TB Tidak Hadir (900) | Jumlah Baris | |
|---|---|---|---|
| Xpert Ultra Positif | 91 (TP) | 47 (FP) | 138 |
| Xpert Ultra Negatif | 9 (FN) | 853 (TN) | 862 |
Menguji setiap formula dengan tangan menunjukkan kepekaan sebagai 91 dibahagikan dengan 100, atau 91.0 peratus, yang hampir dengan angka terkumpul tepat ulasan iaitu 90.7 peratus, dengan jurang kecil dijelaskan dengan pembundaran kepada keseluruhan orang dalam jadual 1,000. Kekhususan ialah 853 dibahagikan dengan 900, atau 94.8 peratus, sepadan dengan anggaran terkumpul tepat pada pembundaran ini. Nilai ramalan positif ialah 91 dibahagikan dengan 138, atau 65.9 peratus, bahagian ujian positif yang benar-benar tuberkulosis. Nilai ramalan negatif ialah 853 dibahagikan dengan 862, atau 99.0 peratus, bahagian ujian negatif yang benar-benar bebas daripada penyakit.
Perhatikan sejauh mana PPV berada di bawah sensitiviti dan spesifisiti walaupun ujian tersebut menunjukkan prestasi yang baik mengikut kedua-dua ukuran. Jurang itu bukanlah kecacatan dalam aritmetik, tetapi akibat langsung dan mekanikal daripada menguji populasi di mana kebanyakan orang tidak menghidap penyakit tersebut, subjek yang akan dibincangkan secara langsung dalam bahagian seterusnya.
Mengapa Nilai Ramalan Berayun Dengan Prevalens Penyakit
Nilai ramalan positif dan negatif menjawab soalan yang berbeza daripada sensitiviti dan spesifisiti. PPV dan NPV bertanya tentang prestasi ujian dalam kalangan orang yang status sebenarnya telah diketahui, dan bukannya bertanya sejauh mana keputusan harus dipercayai sebaik sahaja ia keluar, yang merupakan soalan yang sebenarnya dihadapi oleh pesakit atau doktor. Peraturan Bayes mendasari perubahan tersebut. Ujian mengemas kini kebarangkalian permulaan, atau sebelumnya, penyakit kepada kebarangkalian yang disemak semula, atau posterior, dan saiz kemas kini tersebut bergantung pada ketepatan ujian dan sejauh mana kemungkinan penyakit berlaku sebelum ujian dijalankan.
Menggunakan angka ketepatan Xpert Ultra yang sama kepada kumpulan prevalens yang jauh lebih rendah menggambarkan perkara ini dengan jelas. Saringan gambar terhadap 1,000 orang daripada populasi berisiko rendah, di mana hanya 1 peratus, atau 10 orang, benar-benar menghidap tuberkulosis.
| TB Hadir (10) | TB Tidak Hadir (990) | Jumlah Baris | |
|---|---|---|---|
| Xpert Ultra Positif | 9 (TP) | 51 (FP) | 60 |
| Xpert Ultra Negatif | 1 (FN) | 939 (TN) | 940 |
Sensitiviti dan spesifisiti hampir tidak berubah, kekal pada kira-kira 90 dan 95 peratus seperti sebelumnya. Walau bagaimanapun, PPV menurun kepada 9 dibahagikan dengan 60, atau 15.0 peratus. Kebanyakan keputusan positif dalam kumpulan prevalens yang lebih rendah ini sebenarnya adalah penggera palsu, bukan kerana ujian menjadi lebih teruk, tetapi kerana orang yang sihat jauh melebihi orang sakit yang masuk. Sebaliknya, NPV meningkat kepada 939 dibahagikan dengan 940, atau 99.9 peratus, kerana keputusan negatif lebih meyakinkan apabila penyakit sudah tidak mungkin berlaku. Kajian Bours pada tahun 2021 tentang peraturan Bayes dalam diagnosis berjalan melalui logik yang sama ini dari kerusi doktor, membingkaikan prevalens sebagai kebarangkalian praujian bahawa sebarang keputusan ujian kemudiannya disemak semula.
Bias spektrum juga menjadi relevan di sini. Kepekaan dan kekhususan digambarkan sebagai sifat ujian, tetapi sebenarnya diukur dalam sampel kajian tertentu, dan sampel yang diperkaya dengan kes-kes yang teruk dan jelas seperti yang terdapat dalam buku teks cenderung untuk meningkatkan kedua-dua angka tersebut berbanding dengan apa yang akan dihasilkan oleh populasi pesakit yang lebih luas dan lebih bercampur. Seorang penyelidik yang menggunakan angka kepekaan atau kekhususan yang diterbitkan pada tetapan klinikal yang berbeza secara tersirat menganggap campuran kes bergerak dengan baik, yang tidak selalunya merupakan andaian yang selamat.
Nisbah Kemungkinan: Cara Bebas Prevalens untuk Membaca Keputusan
Nilai ramalan berguna tetapi khusus untuk populasi, yang mengehadkan sejauh mana satu PPV atau NPV yang diterbitkan bergerak ke persekitaran klinikal baharu. Nisbah kemungkinan dibina untuk menyelesaikan masalah kebolehgunaan tersebut. Nisbah kemungkinan positif, LR+, ialah sensitiviti dibahagikan dengan 1 tolak kekhususan, dan ia menyatakan berapa kali lebih mungkin keputusan positif berlaku pada seseorang yang menghidap penyakit berbanding seseorang yang tidak menghidapnya. Rakan sejawatnya yang negatif, LR-, ialah 1 tolak kepekaan dibahagikan dengan kekhususan, dan ia menyatakan berapa banyak keputusan negatif sepatutnya mengurangkan kemungkinan penyakit. Nota statistik BMJ Deeks dan Altman 2004 kekal sebagai salah satu panduan paling jelas tentang bagaimana nisbah ini berhubung dengan kemungkinan praujian dan pascaujian melalui teorem Bayes.
Memasukkan angka terkumpul Xpert Ultra ke dalam kedua-dua formula memberikan LR+ sebanyak 0.907 dibahagikan dengan 0.052, atau kira-kira 17.4, dan LR- sebanyak 0.093 dibahagikan dengan 0.948, atau kira-kira 0.10. LR+ hampir 17 bermakna keputusan positif mendarabkan kemungkinan tuberkulosis kira-kira tujuh belas kali ganda, satu anjakan yang besar dan sering mengubah amalan. LR- hampir 0.10 mengurangkan kemungkinan penyakit sebanyak kira-kira sembilan puluh peratus, itulah sebabnya keputusan negatif daripada ujian yang sangat sensitif sering dipercayai untuk menghentikan ujian tambahan. Nisbah yang jauh melebihi 10 atau di bawah 0.1 secara konvensional dianggap menghasilkan anjakan kebarangkalian yang besar dan sering menentukan, manakala nisbah yang hampir kepada 1 menambah sedikit maklumat praktikal tanpa mengira betapa signifikannya secara statistik sesuatu kajian melaporkannya.
Kardiologi menawarkan satu lagi ilustrasi yang disahkan secara bebas di luar tuberkulosis. Satu kajian sistematik dan meta-analisis yang merangkumi 56 kajian dan 67,945 pesakit mendapati bahawa algoritma troponin jantung sensitiviti tinggi yang dipercepatkan, dijalankan pada 0, 1, atau 2 jam selepas pembentangan, mencapai sensitiviti terkumpul melebihi 90 peratus untuk menolak infarksi miokardium akut, dengan algoritma berasaskan troponin-I mencapai spesifisiti terkumpul melebihi 80 peratus (Lee et al., 2020, American Journal of Emergency Medicine ). Jabatan kecemasan bergantung pada sensitiviti tinggi itu khususnya kerana terlepas serangan jantung sebenar adalah jauh lebih mahal daripada penggera palsu jangka pendek, yang merupakan logik yang sama yang menjadikan ujian saringan yang sangat sensitif berguna walaupun spesifisitinya, dan oleh itu PPVnya, adalah sederhana.
Keluk ROC, AUC dan Memilih Potongan
Kepekaan dan kekhususan dikira pada satu pemotongan, tetapi kebanyakan ujian diagnostik menghasilkan nombor berterusan, sama ada kepekatan troponin, tahap penanda tumor atau skor risiko. Menggerakkan pemotongan ke atas atau ke bawah menukar kepekaan terhadap kekhususan dalam arah yang bertentangan, jadi tiada pasangan nombor tunggal yang menerangkan sepenuhnya prestasi ujian berterusan. Memplot kepekaan terhadap 1 tolak kekhususan merentasi setiap pemotongan yang mungkin adalah bagaimana lengkung ciri operasi penerima menyelesaikan masalah tersebut, dan kawasan di bawah lengkung tersebut, atau AUC, memendekkan keseluruhan lengkung menjadi satu statistik ringkasan antara 0.5, tidak lebih baik daripada lambungan syiling, hingga 1.0, pemisahan sempurna antara orang yang menghidap dan tanpa keadaan tersebut (Nahm, 2022, Jurnal Anestesiologi Korea ).

AUC memberitahu penyelidik tentang sejauh mana ujian mendiskriminasi secara prinsip, tetapi klinik masih perlu memilih satu titik operasi untuk digunakan. Antara peraturan pemilihan pemotongan, indeks Youden adalah yang paling biasa, memilih pemotongan yang memaksimumkan sensitiviti tambah spesifisiti tolak 1, yang secara geometrinya merupakan titik pada lengkung ROC paling jauh dari garis pepenjuru tanpa diskriminasi. Kalkulator indeks Youden dan panduan formula kami menerangkan pengiraan tersebut pada set data yang telah diusahakan, dan artikel sampingan kami tentang kesan ambang pada ketepatan diagnostik merangkumi apa yang berlaku apabila kajian hanya melaporkan pemotongan yang menjadikan keputusannya sendiri kelihatan terbaik. Bagi pembaca yang membandingkan berbilang peramal sekaligus dan bukannya satu ujian, panduan kami untuk regresi logistik dalam diagnostik perubatan menunjukkan bagaimana lengkung ROC dan AUC meluas secara semula jadi kepada model ramalan berbilang pembolehubah.
Melaporkan Kajian Ketepatan Diagnostik: Senarai Semak STARD 2015
Aritmetik yang kukuh masih memerlukan reka bentuk kajian dan laporan bertulis yang boleh dipercayai dan direplikasi oleh pembaca. STARD 2015, yang diterbitkan serentak merentasi beberapa jurnal termasuk BMJ, menetapkan 30 item pelaporan penting yang disusun berdasarkan pengenalan standard, kaedah, keputusan dan struktur perbincangan artikel saintifik, dan kini ia menjangkakan setiap kajian ketepatan diagnostik akan merangkumi gambarajah aliran peserta (Bossuyt et al., 2015, BMJ ). Senarai semak itu wujud kerana pelaporan yang tidak lengkap telah dikenal pasti sebagai sumber pembaziran utama yang boleh dielakkan dalam penyelidikan bioperubatan, menyebabkan pembaca tidak dapat menilai risiko bias kajian atau memutuskan sama ada penemuannya terpakai kepada pesakit mereka sendiri.
Pematuhan masih tidak konsisten sehingga kini. Penilaian kajian ketepatan diagnostik pengimejan perubatan yang diterbitkan pada tahun 2023 telah memperoleh sampel 116 kertas kerja berbanding senarai semak penuh STARD-2015 yang mengandungi 30 item dan menggunakan pemodelan regresi untuk mengenal pasti kajian dan ciri jurnal yang meramalkan pelaporan yang lebih lengkap, bukti bahawa jurang dalam pelaporan masih cukup biasa untuk dikaji sedekad selepas garis panduan dikeluarkan (White et al., 2025, Journal of Clinical Epidemiology ). Pembaca yang menilai kertas ketepatan diagnostik harus menyemak secara khusus sama ada piawaian rujukan diterangkan, sama ada pengiraan saiz sampel dilaporkan dan sama ada gambar rajah alir mengambil kira setiap peserta yang mendaftar, kerana jurang dalam tiga item tersebut adalah cukup biasa untuk mengubah cara sensitiviti atau kekhususan yang dilaporkan harus ditafsirkan.
STARD terletak bersebelahan dengan rangkaian garis panduan pelaporan yang dibina untuk jenis kajian yang berkaitan. Panduan kami untuk pelaporan TRIPOD untuk kajian model ramalan merangkumi saudara terdekat, yang digunakan apabila sesuatu kajian menggabungkan beberapa peramal ke dalam skor risiko dan bukannya menilai satu ujian secara berasingan. Apabila beberapa kajian ketepatan diagnostik bagi ujian yang sama perlu dikumpulkan secara kuantitatif, kelas induk meta-analisis kami merangkumi pemeriksaan heterogeniti dan bias penerbitan yang diperlukan oleh meta-analisis ketepatan diagnostik di atas bacaan STARD standard.
Perangkap Biasa Yang Mengganggu Anggaran Kepekaan dan Kekhususan
Segelintir masalah reka bentuk yang berulang meningkatkan atau mengurangkan kepekaan dan kekhususan secara bebas daripada betapa baiknya sesuatu ujian itu sebenarnya.
- Bias spektrum. Menguji hanya kes-kes yang jelas dan lanjut terhadap sukarelawan yang sihat, dan bukannya gabungan penuh keterukan yang akan dipenuhi oleh ujian dalam amalan sebenar, cenderung untuk meningkatkan kepekaan dan kekhususan lebih tinggi daripada yang akan berlaku dalam penggunaan rutin.
- Kesan ambang dan pemotongan. Satu angka kepekaan atau kekhususan menggambarkan tepat satu titik operasi pada lengkung ROC, dan membandingkan dua ujian biasanya bermaksud membandingkan lengkung penuh atau nilai AUC, bukan potongan yang dipilih secara berasingan.
- Piawaian rujukan yang tidak sempurna. Apabila ujian rujukan yang digunakan untuk mengklasifikasikan status penyakit sebenar itu sendiri tidak sempurna, ralat dalam piawai rujukan akan menyebabkan anggaran kepekaan dan kekhususan ujian indeks yang dinilai, dan arah bias tersebut tidak selalunya intuitif.
- Sampel kecil dan kurang berkuasa. Kepekaan atau kekhususan yang dianggarkan daripada segelintir peserta berpenyakit boleh membawa selang keyakinan yang cukup lebar untuk menjadikan anggaran titik hampir tidak bermakna, yang merupakan masalah perancangan saiz sampel sama seperti masalah analisis.
Saiz sampel wajar diberi penekanan tersendiri di sini, memandangkan kajian ketepatan diagnostik memerlukan peserta berpenyakit dan tidak berpenyakit yang mencukupi secara berasingan, bukan sekadar jumlah yang besar, untuk menentukan kepekaan dan kekhususan dengan ketepatan yang munasabah. Panduan kami untuk analisis kuasa dan pengiraan saiz sampel merangkumi matematik perancangan, dan kalkulator saiz sampel Editverse percuma mengaplikasikannya secara langsung kepada reka bentuk kajian yang dicadangkan.
Mengaplikasikan Kepekaan dan Kekhususan dalam Amalan
Menukar konsep-konsep ini menjadi keputusan bermula dengan menamakan kos jawapan yang salah, kerana jawapan itu biasanya menunjukkan terus sifat ujian yang paling penting.
| Jika matlamatnya… | Utamakan… |
|---|---|
| Mengetepikan keadaan berbahaya dengan selamat | Kepekaan yang tinggi, jadi keputusan negatif boleh dipercayai |
| Mengesahkan diagnosis sebelum rawatan berisiko | Kekhususan yang tinggi, jadi keputusan positif boleh dipercayai |
| Menyaring populasi prevalens rendah | PPV di samping sensitiviti, kerana positif palsu selalunya melebihi positif sebenar |
| Membandingkan ujian merentasi tetapan klinikal yang berbeza | Nisbah kemungkinan, kerana ia bergerak merentasi kelaziman dengan lebih baik berbanding nilai ramalan |
Selain perbandingan ujian tunggal, penyelidik yang membina model diagnostik atau prognostik berbilang pembolehubah sering memerlukan alat statistik berkaitan yang berfungsi bersama. Panduan kami untuk analisis diskriminan untuk pengelasan penyakit berasaskan biomarker merangkumi pendekatan pengelasan alternatif yang patut dibandingkan dengan regresi logistik, dan penjelasan kami tentang nisbah risiko dan nisbah kemungkinan merangkumi ukuran kesan berkaitan yang sering muncul di samping kepekaan dan kekhususan dalam jadual keputusan yang sama. Memilih antara pembingkaian Bayesian dan frequentist bagi soalan-soalan ini adalah keputusannya sendiri, dan panduan statistik Bayesian lawan frequentist kami menggariskan pertukaran tersebut dengan lebih mendalam. Untuk peta yang lebih luas tentang bagaimana metrik ketepatan diagnostik sesuai dengan toolkit statistik yang lebih luas, kaedah statistik kami untuk menilai panduan prestasi ujian diagnostik adalah perhentian seterusnya yang semula jadi.
Perlukan Bantuan Mengira atau Melaporkan Metrik Ini?
Ahli statistik PhD Editverse menyokong sensitiviti, spesifisiti, ROC/AUC dan analisis nilai ramalan dalam SPSS, R dan STATA, dan boleh membantu menstrukturkan penulisan berdasarkan senarai semak STARD 2015.
Soalan Lazim
Apakah perbezaan antara kepekaan dan kekhususan?
Kepekaan ialah perkadaran orang yang benar-benar mempunyai keadaan yang dikenal pasti dengan betul oleh ujian sebagai positif. Spesifisitas ialah perkadaran orang yang benar-benar tidak mempunyai keadaan yang dikenal pasti dengan betul oleh ujian sebagai negatif. Ujian boleh mendapat skor yang sangat berbeza pada kedua-dua ukuran, jadi hanya melaporkan satu memberikan gambaran yang tidak lengkap tentang prestasinya.
Mengapakah nilai ramalan positif dan negatif berubah walaupun ujian kekal sama?
PPV dan NPV bergantung pada kelaziman penyakit serta sensitiviti dan spesifisiti. Apabila sesuatu keadaan jarang berlaku dalam populasi yang diuji, keputusan positif selalunya merupakan penggera palsu walaupun daripada ujian yang tepat, yang menurunkan PPV manakala NPV kekal tinggi. Kedua-dua contoh yang telah dijalankan di atas menunjukkan ujian Xpert Ultra yang sama menghasilkan PPV sebanyak 65.9 peratus pada kelaziman 10 peratus dan hanya 15.0 peratus pada kelaziman 1 peratus.
Apakah yang ditambah oleh nisbah kebarangkalian yang tidak ditambah oleh kepekaan dan kekhususan?
Nisbah kemungkinan menggabungkan kepekaan dan kekhususan ke dalam satu nombor yang menunjukkan berapa banyak keputusan ujian harus mengubah kemungkinan penyakit, dan tidak seperti nilai ramalan, ia kekal stabil secara relatif merentasi populasi dengan prevalens penyakit yang berbeza. LR+ di atas 10 atau LR- di bawah 0.1 secara amnya dianggap menghasilkan perubahan kebarangkalian yang besar dan selalunya menentukan.
Apakah sebenarnya maksud kawasan di bawah lengkung ROC?
AUC meringkaskan sejauh mana ujian membezakan antara orang yang mempunyai dan tanpa syarat merentasi setiap kemungkinan had, pada skala dari 0.5, bersamaan dengan lambungan syiling, hingga 1.0, pemisahan sempurna. Ini menjawab soalan yang berbeza daripada kepekaan dan kekhususan, yang hanya menggambarkan prestasi pada satu had yang dipilih.
Mengapakah senarai semak STARD 2015 penting untuk manuskrip ketepatan diagnostik?
STARD 2015 menetapkan 30 item pelaporan dan gambarajah aliran peserta yang diperlukan supaya pembaca boleh menilai risiko bias kajian ketepatan diagnostik dan memutuskan sama ada penemuannya digeneralisasikan kepada tetapan mereka sendiri. Banyak jurnal kini menyemak penyerahan terhadapnya secara langsung, dan pelaporan yang tidak lengkap mengenai item seperti piawaian rujukan atau justifikasi saiz sampel masih cukup biasa untuk disemak semula sebelum penyerahan.
Kesimpulan
Kepekaan dan kekhususan menggambarkan tingkah laku ujian dalam dua populasi tetap yang berasingan, iaitu orang yang mempunyai keadaan dan orang yang tidak, itulah sebabnya mengapa tiada seorang pun yang memberitahu pesakit tentang maksud keputusan peribadi. Nilai ramalan mengisi jurang tersebut tetapi bergerak dengan lemah antara tetapan dengan kelaziman penyakit yang berbeza, manakala nisbah kemungkinan dan senarai semak pelaporan STARD 2015 memberi penyelidik dan doktor alat untuk mentafsir keputusan dengan jujur dan menulis kajian supaya orang lain boleh mempercayainya. Kedua-dua jadual di atas menggunakan satu anggaran ketepatan kepastian tinggi yang sebenar untuk menunjukkan sejauh mana nilai ramalan positif boleh bergerak tanpa ujian asas berubah sama sekali, satu tabiat minda yang patut dilakukan daripada panduan ini. Sebelum mempercayai sebarang angka ketepatan diagnostik, tanyakan dalam populasi apa ia diukur, dan sama ada populasi itu kelihatan seperti yang ada di hadapan anda.
Sumber Editverse Berkaitan
→ Kaedah Statistik untuk Menilai Prestasi Ujian Diagnostik Perubatan
→ Kalkulator dan Formula Indeks Youden
→ Kesan Kesan Ambang terhadap Ketepatan Diagnostik
→ Kesan Bias Spektrum terhadap Prestasi Ujian Diagnostik
→ Regresi Logistik dalam Diagnostik Perubatan
→ Analisis Diskriminasi Divisualisasikan: Klasifikasi Penyakit Berasaskan Biomarker
→ TRIPOD Kejayaan: Kajian Model Ramalan
→ Kelas Induk Meta-Analisis: Contoh Langkah demi Langkah
→ Statistik Bayesian vs. Frequentist
→ Nisbah Risiko dan Nisbah Kemungkinan: Memahami dan Mengira
→ Analisis Kuasa Dipermudahkan: Pengiraan Saiz Sampel
Rujukan
- Bossuyt PM, Reitsma JB, Bruns DE, dkk. STARD 2015: senarai item penting yang dikemas kini untuk melaporkan kajian ketepatan diagnostik. BMJ. 2015; 351: h5527. https://doi.org/10.1136/bmj.h5527
- Trevethan R. Kepekaan, Kekhususan dan Nilai Ramalan: Asas, Kebolehlenturan dan Perangkap dalam Penyelidikan dan Amalan. Sempadan dalam Kesihatan Awam. 2017; 5: 307. https://doi.org/10.3389/fpubh.2017.00307
- Nahm FS. Lengkung ciri operasi penerima: gambaran keseluruhan dan kegunaan praktikal untuk doktor. Jurnal Anestesiologi Korea. 2022;75(1):25-36. https://doi.org/10.4097/kja.21209
- Deeks JJ, Altman DG. Ujian diagnostik 4: nisbah kebarangkalian. BMJ. 2004;329(7458):168-169. https://doi.org/10.1136/bmj.329.7458.168
- Bours MJL. Peraturan Bayes dalam diagnosis. Jurnal Epidemiologi Klinikal. 2021; 131: 158-160. https://doi.org/10.1016/j.jclinepi.2020.12.021
- Horne DJ, Zifodya JS, Shapiro AE, dkk. Ujian Xpert MTB/RIF Ultra untuk tuberkulosis pulmonari dan rintangan rifampisin dalam kalangan orang dewasa dan remaja. Pangkalan Data Kajian Sistematik Cochrane. 2025;7:CD009593. https://doi.org/10.1002/14651858.CD009593.pub6
- Lee CC, Huang SS, Yeo YH, dkk. Troponin jantung sensitiviti tinggi untuk diagnosis infarksi miokardium akut yang dipercepatkan: Kajian sistematik dan meta-analisis. Jurnal Perubatan Kecemasan Amerika. 2020;38(7):1402-1407. https://doi.org/10.1016/j.ajem.2019.11.035
- White SJ, Chau M, Arruzza E, dkk. Penilaian Piawaian untuk Pelaporan Ketepatan Diagnostik (STARD) 2015 pematuhan garis panduan dalam kajian ketepatan diagnostik pengimejan perubatan yang diterbitkan pada tahun 2023. Jurnal Epidemiologi Klinikal. 2025; 179: 111654. https://doi.org/10.1016/j.jclinepi.2024.111654
