เครื่องคิดเลขฟรีของ Editverse
เครื่องคำนวณความแม่นยำในการวินิจฉัย
แปลงตารางทดสอบเทียบกับความจริงขนาด 2x2 ให้เป็นค่าความไว ความจำเพาะ ค่าทำนาย และอัตราส่วนความน่าจะเป็น จากนั้นคำนวณค่า PPV และ NPV ใหม่ที่อัตราความชุกของประชากรเป้าหมายของคุณ อ่านคู่มือการตีความฉบับเต็มด้านล่าง ตรวจสอบความถูกต้องแล้วกับ R 4.3.3
ในคำง่ายๆ
ความแม่นยำในการวินิจฉัยอธิบายถึงความสามารถของชุดทดสอบในการแยกแยะผู้ที่เป็นโรคออกจากผู้ที่ไม่เป็นโรคความไวคือสัดส่วนของผู้ป่วยที่เป็นโรคจริงที่ชุดทดสอบตรวจพบได้อย่างถูกต้องความจำเพาะคือสัดส่วนของผู้ที่มีสุขภาพดีจริงที่ชุดทดสอบตรวจพบได้อย่างถูกต้อง ทั้งสองค่าเป็นคุณสมบัติของชุดทดสอบเองและไม่เปลี่ยนแปลงไปตามความชุกของโรค
อย่างไรก็ตาม สิ่งที่แพทย์ต้องการมักเป็นสิ่งที่ตรงกันข้าม: เมื่อผลตรวจเป็นบวก โอกาสที่จะเป็นโรคมีมากน้อยเพียงใด? นั่นคือค่าการทำนายผลบวก (positive predictive value ) และแตกต่างจากความไว (sensitivity) ตรงที่ค่านี้ขึ้นอยู่กับความชุกของโรค เป็นอย่างมาก การทดสอบเดียวกันนี้ดูน่าเชื่อถือน้อยลงเมื่อโรคเป็นโรคที่พบได้ยาก อัตราส่วนความน่าจะเป็น (likelihood ratios) รวมความไวและความจำเพาะเข้าไว้ด้วยกันเป็นมาตรวัดเดียวที่ไม่ขึ้นอยู่กับความชุกของโรค ซึ่งวัดว่าผลตรวจนั้นเปลี่ยนแปลงโอกาสในการเป็นโรคได้มากน้อยเพียงใด
ควรใช้มาตรวัดความแม่นยำในการวินิจฉัยเมื่อใด
ใช้มาตรวัดเหล่านี้ทุกครั้งที่คุณประเมินการทดสอบที่มีผลลัพธ์แบบไบนารีเทียบกับมาตรฐานอ้างอิง (“มาตรฐานทองคำ”) รายงานค่าความไวและความจำเพาะเพื่อบ่งบอกลักษณะของการทดสอบค่าการทำนายเพื่ออธิบายประสิทธิภาพในประชากรที่มีอัตราความชุกที่ระบุไว้ และอัตราส่วนความน่าจะเป็นเมื่อคุณต้องการมาตรวัดที่สามารถใช้ได้ในหลากหลายบริบท
หากการทดสอบให้คะแนนต่อเนื่องแทนที่จะเป็นผลลัพธ์ใช่/ไม่ใช่ ให้สรุปความสามารถในการจำแนกด้วยเส้นโค้ง ROC และ AUCแทน และเลือกค่าเกณฑ์อย่างรอบคอบ ควรระบุช่วงความเชื่อมั่น 95% สำหรับแต่ละสัดส่วนเสมอ และระบุความชุกที่ใช้สำหรับค่าการทำนาย เพื่อให้ผู้อ่านสามารถตีความใหม่ในบริบทของตนเองได้ ไม่แน่ใจว่าจะรายงานค่าใด? ตัวเลือกการทดสอบแบบโต้ตอบของเราสามารถช่วยได้
tp <- {tp}; fp <- {fp}; fn <- {fn}; tn <- {tn} sens <- tp/(tp+fn); spec <- tn/(tn+fp) c(sensitivity = sens, specificity = spec)คู่มือผู้ใช้
ควรใช้เมื่อใดประเมินประสิทธิภาพของการทดสอบวินิจฉัยโรคจากแผนภูมิ 2x2 โดยเปรียบเทียบผลการทดสอบกับสถานะของโรคที่แท้จริง
ข้อสมมติฐานมาตรฐานอ้างอิงที่ถูกต้อง (มาตรฐานทองคำ) จะจำแนกสถานะของโรคได้อย่างแท้จริง
ข้อผิดพลาดที่พบบ่อย ค่า PPV และ NPV ขึ้นอยู่กับความชุกของโรคเป็นอย่างมาก ดังนั้นควรรายงานข้อมูลนี้ด้วย
ตัวอย่างการทำงาน
คลิกที่ " โหลดข้อมูลตัวอย่าง"ด้านบน จากนั้นคลิก "เรียกใช้การวิเคราะห์"เพื่อดูผลลัพธ์ที่สมบูรณ์พร้อมรูปภาพ สูตร และคำอธิบายสำหรับการทดสอบนี้
อ้างอิง
- Altman DG, Bland JM. การทดสอบวินิจฉัย 1: ความไวและความจำเพาะ BMJ. 1994;308:1552.
ค่า PPV และ NPV ที่ระดับความชุกของประชากรเป้าหมายของคุณ
ค่า PPV และ NPV ในผลลัพธ์ข้างต้นใช้ค่าความชุกภายในตาราง 2×2 ของคุณ (TP + FN) / N หากต้องการดูว่าการทดสอบทำงานอย่างไรในกรณีที่เงื่อนไขนั้นพบได้บ่อยหรือน้อย ให้ป้อนค่าความชุกของประชากรนั้น ทฤษฎีบทของเบย์ให้ค่า PPV = Se·P / [Se·P + (1 − Sp)(1 − P)] และ NPV = Sp(1 − P) / [Sp(1 − P) + (1 − Se)P]
ตัวอย่างผลงาน
ตัวอย่างที่ 1 — การอ่านตาราง 2x2
ด้วยผลบวกจริง 90 ราย ผลลบเท็จ 10 ราย ผลลบจริง 80 ราย และผลบวกเท็จ 20 ราย ความไว (sensitivity) คือ 90/100 = 90% และความจำเพาะ (specificity) คือ 80/100 = 80% อย่างไรก็ตาม ค่าการทำนายผลบวก (positive predictive value) ขึ้นอยู่กับความชุกของโรค ในกลุ่มตัวอย่างที่สมดุลนี้ ค่าการทำนายผลบวกคือ 90/110 = 82% แต่ในประชากรที่มีความชุกของโรคต่ำ ค่าการทำนายผลบวกจะต่ำกว่ามาก
ตัวอย่างที่ 2 — เหตุใดอัตราส่วนความน่าจะเป็นจึงมีประโยชน์
อัตราส่วนความน่าจะเป็นบวกที่ 4.5 (ความไว 0.90 / [1 − ความจำเพาะ 0.80]) หมายความว่าผลตรวจเป็นบวกมีโอกาสเกิดขึ้นในคนที่เป็นโรคมากกว่าคนที่ไม่เป็นโรคถึง 4.5 เท่า การคูณอัตราต่อรองก่อนการตรวจด้วยอัตราส่วนนี้จะให้ค่าอัตราต่อรองหลังการตรวจ โดยไม่คำนึงถึงความชุกของโรคในสภาพแวดล้อมนั้นๆ
ข้อสมมติฐานที่ต้องตรวจสอบ
มาตรฐานอ้างอิงที่น่าเชื่อถือความไวและความจำเพาะจะดีได้ก็ต่อเมื่อใช้มาตรฐานอ้างอิงที่น่าเชื่อถือในการจำแนกสถานะของโรคที่แท้จริง มาตรฐานอ้างอิงที่ไม่สมบูรณ์จะทำให้การวัดทุกอย่างเกิดความคลาดเคลื่อน
ตัวอย่างกลุ่มผู้ป่วยการวัดประสิทธิภาพการทดสอบในกลุ่มผู้ป่วยที่มีอาการชัดเจนเทียบกับกลุ่มผู้ที่มีสุขภาพดีอย่างชัดเจน จะทำให้ค่าความแม่นยำสูงกว่ากรณีที่ไม่ชัดเจนที่พบในทางปฏิบัติ (อคติจากกลุ่มตัวอย่าง)
ค่าความชุกที่ระบุไว้ใช้สำหรับค่าการทำนาย PPV และ NPV ไม่ใช่คุณสมบัติของการทดสอบ แต่จะเปลี่ยนแปลงไปตามค่าความชุก ควรรายงานค่าความชุกที่ใช้ในการคำนวณเสมอ
ข้อผิดพลาดทั่วไป
สับสนระหว่างค่าการทำนายกับความไว
ความไวในการตรวจจะตอบคำถามว่า “ถ้ามีโรคอยู่ ผลตรวจจะเป็นบวกหรือไม่” ส่วนค่าการทำนายจะตอบคำถามตรงกันข้าม คือ “ถ้าผลตรวจเป็นบวก แสดงว่ามีโรคอยู่จริงหรือไม่” สองอย่างนี้ไม่สามารถใช้แทนกันได้
การเพิกเฉยต่อความแพร่หลาย
แม้แต่การทดสอบที่มีความไวและความจำเพาะสูงก็อาจให้ผลบวกเท็จได้มากเมื่อภาวะนั้นพบได้ยาก ควรตีความค่าการทำนายโดยพิจารณาจากความชุกของโรคเสมอ
การละเว้นช่วงความเชื่อมั่น
สัดส่วนแต่ละค่าเป็นค่าประมาณ รายงานช่วงความเชื่อมั่น 95% โดยเฉพาะอย่างยิ่งเมื่อจำนวนตัวอย่างในแต่ละกลุ่มมีน้อย
การบังคับให้การทดสอบต่อเนื่องไปสู่จุดตัดจุดเดียว
หากการทดสอบให้คะแนนแบบต่อเนื่อง ตาราง 2x2 เพียงตารางเดียวจะซ่อนประสิทธิภาพทั้งหมดไว้ ควรใช้การวิเคราะห์ ROCและอธิบายเหตุผลของการเลือกเกณฑ์ดังกล่าว
คำถามที่พบบ่อย (FAQs)
ความไวและความจำเพาะต่างกันอย่างไร?
ความไว (Sensitivity) คืออัตราผลบวกที่ถูกต้องในกลุ่มผู้ป่วย ส่วนความจำเพาะ (Specificity) คืออัตราผลลบที่ถูกต้องในกลุ่มคนที่มีสุขภาพดี การทดสอบอาจมีประสิทธิภาพสูงในด้านหนึ่งและต่ำในอีกด้านหนึ่ง
เหตุใดค่าการทำนายจึงเปลี่ยนแปลงไปตามอัตราการแพร่ระบาด?
เนื่องจากค่าการทำนายขึ้นอยู่กับจำนวนผู้ป่วยจริงที่มีอยู่ในประชากรที่ทำการทดสอบ ยิ่งโรคหายากเท่าไร ผลบวกปลอมก็ยิ่งมีมากขึ้นเท่านั้น ทำให้ค่าการทำนายผลบวกลดลง
อัตราส่วนความน่าจะเป็นคืออะไร?
อัตราส่วนความน่าจะเป็น (likelihood ratio) คือปัจจัยที่ผลการตรวจเปลี่ยนแปลงโอกาสในการเกิดโรค อัตราส่วนความน่าจะเป็นที่เป็นบวกมากกว่า 10 ถือเป็นหลักฐานที่ชัดเจนว่าเป็นโรค ในขณะที่อัตราส่วนที่เป็นลบต่ำกว่า 0.1 ถือเป็นหลักฐานที่ชัดเจนว่าไม่เป็นโรค
ผลลัพธ์ตรงกับ SPSS, R และ Stata หรือไม่?
ใช่แล้ว เครื่องคำนวณนี้ใช้สูตร 2x2 มาตรฐานสำหรับแต่ละค่า และแสดงคำสั่ง R ที่ถูกต้องเพื่อให้คุณสามารถทำซ้ำได้
เครื่องคำนวณที่เกี่ยวข้อง
อ้างอิง
- บูเดอเรอร์ รัฐนิวเม็กซิโก ระเบียบวิธีทางสถิติ: การนำอัตราการเกิดโรคมาพิจารณาในการคำนวณขนาดตัวอย่างเพื่อหาค่าความไวและความจำเพาะ วิชาการแพทย์ฉุกเฉิน. 1996;3(9):895–900. PMID 8870764.
- Thomas R, Mengersen K, Parikh RS และคณะ ขอแนะนำและประยุกต์ใช้ทฤษฎีบทของเบย์สในจักษุวิทยาคลินิก คลินิกทดลองจักษุวิทยา. 2011;39(9):865–870. PMID 21575118.
- Altman DG, Bland JM. การทดสอบวินิจฉัย 1: ความไวและความจำเพาะ BMJ. 1994; 308 (6943): 1552
ต้องการให้วิเคราะห์ข้อมูลนี้สำหรับต้นฉบับของคุณหรือไม่?
นักสถิติชีวภาพระดับปริญญาเอกของเราจะคำนวณค่าความไว ความจำเพาะ ค่าการทำนาย และอัตราส่วนความน่าจะเป็น พร้อมช่วงความเชื่อมั่น และส่งมอบตารางที่พร้อมสำหรับการตีพิมพ์ พร้อมผลลัพธ์ R ที่สามารถทำซ้ำได้