敏感性和特异性计算器

在开发诊断测试或评估结果时，要了解这些测试的可靠性以及您获得的结果非常重要。通过使用已知疾病状态的样本，可以计算允许您评估这一点的价值观，例如灵敏度和特异性。

敏感性值告诉你什么？

这灵敏度测试也被称为真正的阳性率（TPR）并且是真正阳性的样品的比例，它使用所讨论的测试给出阳性结果。例如，正确识别面板中所有正样本的测试非常敏感。另一个只检测面板中60％的阳性样本的测试将被视为具有较低的敏感性，因为它缺少阳性并提供更高的a假负率（FNR）。也称为II型错误，错误的否定是未能拒绝假零假设（空假设是样本为负）。

特殊措施告诉你什么？

这特异性测试，也称为真正的负率（TNR），使用真正负面的测试测试阴性的样本的比例。例如，将所有健康人识别为阴性对特定疾病的测试是非常具体的。错误地识别30％的健康人，因为具有这种情况的30％的健康人将被视为更低的特定，具有更高的假阳性率（FPR）。还称为I型错误，误报是拒绝真正的假设（NULL假设是样本为负）。

如何计算敏感性和特异性值？

一个理想的测试很少忽略你正在寻找的东西（即，它是敏感的），很少对别的东西误测（即它是具体的）。因此，在评估诊断测试时，计算该测试的灵敏度和特异性是重要的，以确定其有效性。

诊断测试的敏感性表示为样本测试阳性的概率（作为百分比），因为患者具有疾病。

以下等式用于计算测试的灵敏度：

敏感性=真正的积极数量

（真正的正面+错误负面数量）

=真正的积极数量

患有疾病的人数

测试的特异性表达为试验返回阴性结果的概率（作为百分比），因为该患者没有疾病。

以下等式用于计算测试的特异性：

特异性=真正的否定数量

（真正的否定+误报的数量）

=真正的否定数量

没有这种疾病的人数

敏感性与特异性示例

您有一个要评估的新诊断测试。您有一个验证样本的小组，您可以在那里确定它们是否肯定是患病或健康个体，以便您测试的条件。您的示例面板由150个积极和400个负面组成。

通过测定运行样本后，将结果与其已知的疾病状况进行比较并找到：

真正的阳性（测试结果积极，真的是正面的）= 144.

假阳性（测试结果正，但实际为负）= 12.

真正的否定（测试结果为负，真的是负面的）= 388.

假阴性（测试结果负，但实际上是积极的）= 6.

或者，显示在偶然表中：

	真正的积极	真正消极	行总数
测试阳性	144.	12.	156.
测试消极	6.	388.	394
列总计	150.	400	550.

灵敏度= 144 /（144 + 6）

= 144/150

= 0.96

= 96％敏感

特异性= 388 /（388 + 12）

= 388/400

= 0.97

特定= 97％

有关敏感性和特异性的更多信息，请阅读完整的文章这里