敏感性和特异性

在开发诊断测试或评估结果,重要的是要理解这些测试的可靠性如何,因此你获得的结果。通过使用样本已知的疾病状态、价值观等敏感性和特异性可以让你评估计算。

灵敏度值告诉你什么?

的灵敏度测试也被称为真阳性率(TPR)和样本的比例,真正积极的给一个积极的结果使用测试问题。例如,一个测试,正确识别所有阳性样品面板非常敏感。另一项测试,只有检测到60%的阳性样本面板将被视为低灵敏度是失踪的阳性,并给予较高的一个假阴性率(FNR)。也称为II型错误,假阴性失败拒绝虚假的零假设(零假设,样本是负的)。

特异性措施告诉你什么?

的特异性一个测试,也称为真阴性率(TNR)样本的比例,真正是负面的,给人一种消极的结果使用测试问题(更新,2022年1月25日)。例如,一个测试,识别所有健康的人是消极的特定疾病是非常具体的。另一项测试,错误地识别30%的健康人有条件将被视为不太具体,有更高假阳性率(玻璃钢)。也称为第一类错误,假阳性是一个真正的拒绝零假设(零假设,样本是负的)。

敏感性和特异性助记符

SnNouts和SpPins是一个助记符来帮助你记住敏感性和特异性的区别。

SnNout:一个测试灵敏度高值(Sn),当负面的(N),有助于排除疾病(出)。

SpPin:一个具有高特异性测试值(Sp),当积极的(P)有助于在疾病(在)。

我怎么计算敏感性和特异性的价值观?

理想的测试很少俯瞰你正在寻找(即。,它是敏感)和很少的错误为别的东西(即是具体的)。因此,评估诊断测试时,重要的是要计算的敏感性和特异性测试以确定其有效性。

诊断测试的灵敏度表示为概率(百分比),样品测试积极考虑到病人的疾病。

下面的方程是用来计算一个测试的敏感性:

敏感性=真正的阳性数
(真阳性+数量的假阴性)

=真正的阳性数
该疾病患者的总数

测试的特异性的概率表示为(百分比),测试返回一个阴性结果考虑到病人没有疾病。

下面的方程是用来计算一个测试的特异性:

特异性=真正的底片数量

(真正的底片数量+假阳性的数量)

=真正的底片数量
个体的总数没有疾病

敏感性和特异性的例子

你有一个新的诊断测试,你想评估。面板验证样本,你确定他们是否绝对患病或健康的个人为您测试的条件。样本面板由150名阳性和400阴性。

有四件事我们将致力于澄清在这个例子:

1. 测试的是什么灵敏度吗?即多少患病个体正确识别病变吗?
2. 测试的是什么特异性吗?也就是说,有多少健康个体正确识别健康吗?
3. 测试的是什么阳性预测值(PPV)吗?的概率是多少,一个人返回一个积极的结果实际上是病吗?
4. 测试的是什么阴性预测值(NPV) ?的概率是多少,一个人返回一个消极的结果实际上是健康吗?

跑后通过测定样品,你比较结果已知的疾病状态,发现:

真正的阳性(测试结果是积极和真诚的积极的)= 144

假阳性(试验结果阳性,但实际上是消极的)= 12

真正的底片(试验结果阴性和真正负)= 388

假阴性(测试结果-但实际上是积极的)= 6

敏感性和特异性表

或者,在一个显示列联表:

	真正积极的	真正的负	行总
检测呈阳性	144年	12	156年
测试-	6	388年	394年
列总	150年	400年	550年

灵敏度= 144 / (144 + 6)
= 144/150
= 0.96
= 96%敏感

特异性= 388 / (388 + 12)
= 388/400
= 0.97
= 97%特定

敏感性和特异性是一样的阳性预测值(PPV)以及阴性预测值(NPV) ?

简而言之,尽管他们是相关的。的阳性预测值(PPV)的概率是一个主题/样本返回一个积极的结果是积极的。的阴性预测值(NPV)的概率是一个主题/样本返回一个消极的结果真的是负的。这种信息可以非常有用的讨论结果与病人为例,评估他们可能有任何测试的可靠性。相同的值用来计算敏感性和特异性也被用来计算阳性和阴性预测值。看它的一个方法是,敏感性和特异性评估测试,而PPV和净现值评估结果。

的阳性预测值计算使用以下方程:

PPV =真正的阳性数

(真阳性+假阳性的数量)

=真正的阳性数
检测呈阳性的样本数量

负面预测值计算使用以下方程:

净现值=真正的底片数量

(真正的底片数量+假阴性)

=真正的底片数量
测试的样品数量为负

从上面的例子中使用的值:

PPV = 144 / (144 + 12)
= 144/156
= 0.923076923…= 92%

净现值= 388 / (388 + 6)
= 388/394
= 0.984771573…= 98%

所以,如果测试结果是积极的,有92%的可能性是正确的,如果它是负的有98%的可能性是正确的。

PPV互补的价值,是错误发现率(罗斯福),补充NPV的价值错误遗漏率()和分别相当于1 - PPV或NPV。罗斯福是结果或“发现”的比例是错误的。的是假阴性的比例错误地拒绝。从本质上讲,PPV和净现值越高,罗斯福和将越低——这是一个好消息对您的测试结果的可靠性。

我该如何平衡敏感性与特异性?

结果按收入比例的值,而不是一个明确的积极或消极,敏感性和特异性价值观尤其重要。他们允许你确定画的否决调用一个积极或消极的结果,甚至显示一个灰色地带,重新测试会推荐。例如,通过将截止为一个积极的结果在一个非常低的水平(蓝色虚线),你可能捕获所有积极的样本,所以测试是非常敏感的。然而,这可能意味着许多样本实际负可以被视为积极的,所以测试将被视为贫穷的特异性。找到一个平衡是至关重要的一个有效和可用性测试。

使用一个接受者操作特征(ROC)曲线可以帮助击中甜蜜点和平衡假阴性和假阳性。然而,背景也很重要,是否问题比假阳性,假阴性,反之亦然。例如,如果所有必须积极识别——例如,在一个生死攸关的问题,然后你可能愿意容忍更多的假阳性,以避免错过任何。在这里,假阳性可以进一步筛选。

ROC曲线是什么?

ROC曲线是一种图示说明测试的敏感性和特异性变化的关系。构建一个ROC曲线,样品是积极的还是消极的测量使用测试。

对玻璃钢的TPR(灵敏度)策划(1 -特异性)对于给定的截止值给一块类似于下面的一个。理想情况下一个点在曲线的肩膀被既限制了假阳性同时最大化真阳性。

测试了ROC曲线如黄线不会比随机猜测,淡蓝色的是好的,但暗蓝线所代表的一个测试将是优秀的。这将使截止决心相对简单和产生真正积极的速率很低的误报率高,敏感的和具体的。

更正:这篇文章错误陈述的定义“特异性”“使用测试测试为阴性的样本的比例,在真正的负面问题,“这是更新1月25日,2022年它正确地定义为“真正的负样本的比例,给人一种消极的结果使用的测试问题。”