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
笔记:填写四个值以计算测试的灵敏度和特异性。点击这里了解有关敏感性和特异性计算器的更多信息。