Czułość i swoistość matematycznie opisują dokładność testu, który informuje o obecności lub braku stanu. Osoby, w przypadku których warunek jest spełniony, uważane są za „pozytywne”, a te, dla których nie jest on uważany za „negatywne”.
- Czułość (wskaźnik prawdziwie pozytywnych) odnosi się do prawdopodobieństwa pozytywnego wyniku testu, uwarunkowanego tym, że jest on rzeczywiście pozytywny.
- Swoistość (wskaźnik prawdziwie ujemny) odnosi się do prawdopodobieństwa negatywnego wyniku testu, uwarunkowanego faktem bycia negatywnym.
Czułość i specyficzność — lewa połowa obrazu z pełnymi kropkami reprezentuje osoby, które są chore, podczas gdy prawa połowa obrazu z pustymi kropkami reprezentuje osoby, które nie mają tej choroby. Okrąg reprezentuje wszystkie osoby, które uzyskały wynik pozytywny.
Jeśli prawdziwy warunek nie może być znany, zakłada się, że „ test Gold Standard ” jest poprawny. W teście diagnostycznym czułość jest miarą tego, jak dobrze test może identyfikować prawdziwie pozytywne wyniki, a swoistość jest miarą tego, jak dobrze test może identyfikować prawdziwie negatywne. W przypadku wszystkich testów, zarówno diagnostycznych, jak i przesiewowych, zwykle istnieje kompromis między czułością a swoistością, tak że wyższa czułość będzie oznaczać niższą swoistość i odwrotnie.
Jeśli celem testu jest zidentyfikowanie każdego, kto ma schorzenie, liczba wyników fałszywie ujemnych powinna być niska, co wymaga wysokiej czułości. Oznacza to, że osoby, które mają tę chorobę, powinny być z dużym prawdopodobieństwem zidentyfikowane jako takie przez test. Jest to szczególnie ważne, gdy konsekwencje niewyleczenia choroby są poważne i/lub leczenie jest bardzo skuteczne i ma minimalne skutki uboczne.
Jeśli celem testu jest dokładna identyfikacja osób, które nie mają tej choroby, liczba wyników fałszywie dodatnich powinna być bardzo niska, co wymaga wysokiej swoistości. Oznacza to, że osoby, które nie mają tego schorzenia, powinny być z dużym prawdopodobieństwem wykluczone z testu. Jest to szczególnie ważne, gdy osoby, u których zdiagnozowano chorobę, mogą być poddawane większej liczbie testów, kosztom, napiętnowaniu, lękom itp.
Aplikacja do badania przesiewowego
Wyobraź sobie badanie oceniające test, który bada ludzi pod kątem choroby. Każda osoba biorąca udział w teście ma lub nie ma choroby. Wynik testu może być pozytywny (sklasyfikowanie osoby jako chorej) lub negatywny (sklasyfikowanie osoby jako nie chorej). Wyniki testu dla każdego osobnika mogą, ale nie muszą odpowiadać faktycznemu statusowi osobnika. W tym ustawieniu:
- Prawdziwie pozytywne: osoby chore prawidłowo zidentyfikowane jako chore
- Fałszywe pozytywne: zdrowi ludzie błędnie zidentyfikowani jako chorzy
- Prawdziwie negatywne: Zdrowi ludzie prawidłowo zidentyfikowani jako zdrowi
- Fałszywy negatywny: osoby chore błędnie zidentyfikowane jako zdrowe
Po uzyskaniu liczby wyników prawdziwie dodatnich, fałszywie dodatnich, prawdziwie ujemnych i fałszywie ujemnych można obliczyć czułość i swoistość testu. Jeśli okaże się, że czułość jest wysoka, to każda osoba, która ma chorobę, prawdopodobnie zostanie zakwalifikowana przez test jako pozytywna. Z drugiej strony, jeśli swoistość jest wysoka, każda osoba, która nie ma choroby, prawdopodobnie zostanie sklasyfikowana jako negatywna w teście. Strona internetowa NIH zawiera dyskusję na temat sposobu obliczania tych wskaźników. [10]
Zastosowanie medyczne
W diagnostyce medycznej czułość testu to zdolność testu do prawidłowej identyfikacji osób z chorobą (wskaźnik prawdziwie dodatnich), natomiast swoistość testu to zdolność testu do prawidłowej identyfikacji osób bez choroby (wskaźnik prawdziwie ujemnych). Jeśli zbadano 100 pacjentów, o których wiadomo, że mają chorobę, a 43 wynik pozytywny, wtedy test ma czułość 43%. Jeśli przebadano 100 osób bez choroby, a 96 da wynik całkowicie negatywny, to test ma 96% swoistość. Czułość i swoistość są cechami testu niezależnymi od częstości występowania, ponieważ ich wartości są nierozerwalnie związane z testem i nie zależą od częstości występowania choroby w badanej populacji. [13] Pozytywne i negatywne wartości predykcyjne, ale nie czułość ani swoistość, są wartościami, na które wpływa częstość występowania choroby w badanej populacji. Koncepcje te zilustrowano graficznie w tym aplecie Bayesowskim klinicznym modelu diagnostycznym, który pokazuje pozytywne i negatywne wartości predykcyjne jako funkcję częstości występowania, czułości i swoistości.
Terminy „wrażliwość” i „specyficzność” zostały wprowadzone przez amerykańskiego biostatystyka Jacoba Yerushalmy w 1947 roku. [1]
Terminologia i wyprowadzenia
z macierzy pomyłek
- stan pozytywny (P)
- liczba rzeczywistych pozytywnych przypadków w danych
- stan ujemny (N)
- liczba rzeczywistych negatywnych przypadków w danych
- prawdziwy pozytywny (TP)
- Wynik testu, który poprawnie wskazuje na obecność stanu lub cechy
- prawdziwy ujemny (TN)
- Wynik testu, który poprawnie wskazuje na brak warunku lub cechy
- fałszywie pozytywny (FP)
- Wynik testu, który błędnie wskazuje na obecność określonego warunku lub atrybutu
- fałszywie ujemny (FN)
- Wynik testu, który błędnie wskazuje na brak określonego warunku lub atrybutu
|
źródło: Sensitivity_and_specificity#
