Лучшее казино в мире

Меры диагностической точности

Предпосылки:все большее количество диагностических тестов и биомаркеров было подтверждено в течение последних десятилетий, и это все еще будет важной областью исследований в будущем из-за потребности в персонализированной медицине. Строгая оценка необходима всякий раз, когда мы стремимся проверить любой потенциальный диагностический инструмент, и первое требование, которому должна соответствовать новая процедура тестирования, - диагностическая точность.Резюме:Показатели диагностической точности говорят нам о способности теста различать и / или предсказывать болезнь и состояние здоровья. Этот различительный и прогнозирующий потенциал может быть количественно оценен с помощью показателей диагностической точности, таких как чувствительность и специфичность, прогнозные значения, отношения правдоподобия, площадь под кривой рабочих характеристик приемника, общая точность и отношение диагностических шансов. Некоторые показатели полезны для целей различения, а другие служат в качестве инструмента прогнозирования. Показатели диагностической точности различаются в зависимости от распространенности, спектра и определения заболевания. В общем, меры диагностической точности чрезвычайно чувствительны к дизайну исследования.Исследования, не соответствующие строгим методологическим стандартам, обычно переоценивают или недооценивают показатели эффективности тестирования и ограничивают применимость результатов исследования.Ключевые сообщения:Процедура тестирования должна быть проверена на разумной популяции, включая людей с легкими и тяжелыми заболеваниями, таким образом обеспечивая сопоставимый спектр. Чувствительность и специфичность не являются показательными мерами. Прогностическая ценность зависит от распространенности заболевания, и их выводы могут быть перенесены в другие условия только для исследований, основанных на подходящей популяции (например, скрининговые исследования). Отношение правдоподобия должно быть оптимальным выбором для отчета о диагностической точности. Меры диагностической точности должны указываться с указанием их доверительных интервалов. Мы всегда должны сообщать о парных показателях (чувствительность и специфичность, прогностические значения или отношения правдоподобия) для клинически значимых пороговых значений.Насколько нам нужна различительная или прогностическая сила, зависит от метода клинической диагностики и от затрат на ошибочную классификацию (ложноположительные / отрицательные результаты).

© 2013 S. Karger AG, Базель

Вступление

Все большее количество диагностических тестов и биомаркеров [1] стало доступным в течение последних десятилетий, и потребность в персонализированной медицине усилит влияние этого явления в будущем. Следовательно, нам необходима тщательная оценка любой потенциальной новой процедуры тестирования, чтобы ограничить потенциально негативные последствия как для здоровья, так и для расходов на медицинское обслуживание [2].

Оценка диагностической точности любой диагностической процедуры или теста - нетривиальная задача. В общем, речь идет об ответах на несколько вопросов. Будет ли тест использоваться в клинических или скрининговых условиях? В какую часть клинического пути он будет помещен? Может ли тест отличить здоровье от болезни? Насколько хорошо тест справляется с этой задачей? Какая способность различения нам нужна для наших клинических целей?

На следующих страницах мы постараемся ответить на эти вопросы. Мы дадим обзор мер диагностической точности, сопровождаемый их определениями, включая их цель, преимущества и недостатки. Мы реализуем некоторые из этих мер, обсуждая реальный пример из медицинской литературы, выполняющий оценку использования скоростных критериев, применяемых к транскраниальным допплеровским сигналам (TCD) при обнаружении стеноза средней мозговой артерии [3]. Затем мы закончим статью списком важных сообщений.

Меры диагностической точности

Обзор

Различительная способность теста может быть определена количественно несколькими показателями диагностической точности:

- чувствительность и специфичность;

- положительные и отрицательные прогностические значения (PPV, NPV);

- положительные и отрицательные отношения правдоподобия (LR +, LR-);

- площадь под кривой рабочей характеристики приемника (ROC) (AUC);

- диагностическое отношение шансов (DOR);

- общая диагностическая точность.

Хотя эти меры часто взаимозаменяемы в литературе, они имеют определенные особенности и соответствуют конкретным исследовательским вопросам. Эти меры относятся к двум основным категориям проблем:

- классификация людей на тех, кто болеет, и тех, кто не болеет (дискриминация);

- оценка посттестовой вероятности заболевания (прогноз).

В то время как цели дискриминации в основном вызывают озабоченность при принятии решений в отношении политики в области здравоохранения, методы прогнозирования наиболее полезны для прогнозирования вероятности заболевания у человека после того, как станет известен результат теста. Таким образом, эти меры диагностической точности не могут использоваться взаимозаменяемо. Некоторые меры в значительной степени зависят от распространенности заболевания, и все они чувствительны к спектру заболевания в изучаемой популяции [4]. Поэтому очень важно знать, как их интерпретировать, а также когда и при каких обстоятельствах их использовать.

Когда мы проводим тест, у нас есть пороговое значение, показывающее, можно ли классифицировать человека как положительное (выше / ниже порогового значения) или отрицательное (ниже / выше порогового значения), и золотой стандарт (или эталонный метод), который подскажет нам болен ли тот же человек или здоров. Таким образом, пороговое значение делит популяцию обследуемых субъектов с заболеванием и без него на 4 подгруппы, которые могут быть отображены в таблице 2 × 2:

- истинно положительный результат (TP) = субъекты с заболеванием со значением интересующего параметра выше / ниже порогового значения;

- ложноположительный результат (FP) = субъекты без заболевания со значением интересующего параметра выше / ниже порогового значения;

- истинно отрицательный (TN) = субъекты без заболевания со значением интересующего параметра ниже / выше порогового значения;

- ложноотрицательный (FN) = субъекты с заболеванием со значением интересующего параметра ниже / выше порогового значения (таблица 1).

Таблица 1

Таблица 2 × 2 с перекрестной классификацией субъектов по индексу и результату эталонного теста

Чувствительность и специфичность

Чувствительность [5] обычно выражается в процентах и ​​определяет долю субъектов TP с заболеванием в общей группе субъектов с заболеванием: TP / (TP + FN). Чувствительность оценивает вероятность получения положительного результата теста у субъектов с заболеванием. Следовательно, это относится к способности теста распознавать больных. Специфичность [5], с другой стороны, определяется как доля субъектов без заболевания с отрицательным результатом теста в общей группе субъектов без заболевания: TN / (TN + FP). Другими словами, специфичность оценивает вероятность получения отрицательного результата теста у здорового испытуемого. Следовательно, это относится к способности диагностической процедуры распознавать здоровых.

И чувствительность, и специфичность не зависят от распространенности заболевания, а это означает, что результаты одного исследования могут быть легко перенесены в другие условия с другой распространенностью заболевания в популяции. Тем не менее, чувствительность и специфичность могут во многом зависеть от спектра заболевания. Фактически, как чувствительность, так и специфичность выигрывают от оценки пациентов с более тяжелым заболеванием. Чувствительность и специфичность - хорошие показатели дискриминирующей способности теста; однако в клинической практике более распространенная линия рассуждений - знать, насколько хорош тест для прогнозирования болезни или здоровья:Насколько мы можем быть уверены в статусе болезни пациента, если тест дал положительный результат? Какова вероятность того, что человек здоров, если тест отрицательный? Для решения этих вопросов необходимы прогнозные значения.

Прогнозные значения

PPV определяют вероятность заболевания испытуемого с положительным результатом. Следовательно, PPV представляет собой долю пациентов с положительным результатом теста в общей группе субъектов с положительным результатом: TP / (TP + FP) [6]. NPV описывает вероятность отсутствия заболевания у субъекта с отрицательным результатом теста. NPV определяется как доля субъектов без заболевания и с отрицательным результатом теста в общей группе субъектов с отрицательным результатом теста: TN / (TN + FN) [6].

В отличие от чувствительности и специфичности, PPV и NPV зависят от распространенности заболевания в оцениваемой популяции. Следовательно, прогностические значения из одного исследования не следует переносить в другие условия с другой распространенностью заболевания в популяции. PPV увеличивается, а NPV уменьшается с увеличением распространенности заболевания в популяции. И PPV, и NPV увеличиваются, когда мы оцениваем пациентов с более тяжелым заболеванием.

Коэффициенты правдоподобия

LR являются полезными показателями диагностической точности, но их часто игнорируют, даже если они обладают несколькими особенно мощными свойствами, которые делают их очень полезными с клинической точки зрения. Они определяются как отношение вероятности ожидаемого результата теста у субъектов с заболеванием к вероятности у субъектов без заболевания [7].

LR + говорит нам, во сколько раз вероятность получения положительного результата теста у субъектов с заболеванием выше, чем у субъектов без заболевания. Чем дальше LR + от 1, тем сильнее доказательство наличия болезни. Если LR + равен 1, тест не может отличить больного от здорового. Для теста с двумя исходами LR + можно просто рассчитать по следующей формуле: LR + = чувствительность / (1 - специфичность).

LR- представляет собой отношение вероятности того, что отрицательный результат будет у субъектов с заболеванием, к вероятности того, что такой же результат будет у субъектов без заболевания. Следовательно, LR- говорит нам, насколько менее вероятно, что отрицательный результат теста будет иметь место у субъекта с заболеванием, чем у здорового субъекта. LR- обычно меньше 1, потому что вероятность отрицательного результата теста у субъектов с этим заболеванием ниже, чем у субъектов без него. Для теста с двумя исходами LR- рассчитывается по следующей формуле: LR- = (1 - чувствительность) / специфичность.

Чем ниже LR-, тем сильнее доказательство отсутствия заболевания. Поскольку для расчета LR используются как специфичность, так и чувствительность, ясно, что ни LR +, ни LR- не зависят от распространенности заболевания. Как и все другие меры, LR зависит от спектра заболеваний исследуемой популяции. LR напрямую связаны с вероятностями после тестирования. Здесь мы концентрируемся на посттестовой вероятности заболевания. Вероятность предварительного тестирования - это вероятность заболеть до того, как тест будет проведен. Если у субъекта нет других клинических характеристик, мы можем принять распространенность заболевания как предварительную вероятность. Если у нас есть предварительная вероятность p, мы рассчитываем предварительные шансы как a 1 = p / (1 - p), а шансы после тестирования как a 2 = a 1.× LR; тогда, при обратном вычислении, посттестовая вероятность P = a 2 / (1 + a 2 ).

Кривая ROC

Понятно, что диагностические меры зависят от используемой отсечки. Для каждого порога существует пара значений диагностической чувствительности и специфичности. Чтобы построить кривую ROC, мы наносим эти пары значений на пространство ROC со специфичностью 1 по оси x и чувствительностью по оси y (рис. 1) [8]. Форма кривой ROC и AUC помогает нам оценить, насколько высока различительная способность теста. Чем ближе кривая расположена к верхнему левому углу и чем больше AUC, тем лучше тест позволяет различать болезнь и здоровье. AUC может иметь любое значение от 0 до 1 и является хорошим индикатором качества теста. Идеальный диагностический тест имеет AUC 1,0, тогда как неразличительный тест имеет площадь 0,5 (как если бы кто-то подбрасывал монету).

рисунок 1

Кривая ROC. От нижнего левого угла до верхнего правого угла мы наблюдаем повышение чувствительности и снижение специфичности при понижении пороговых значений.

AUC - это глобальная мера диагностической точности. Он ничего не говорит нам об отдельных параметрах, таких как чувствительность и специфичность, которые относятся к конкретным пороговым значениям. Более высокая AUC указывает на более высокую специфичность и чувствительность по всем доступным пороговым значениям. Из двух тестов с идентичной или аналогичной AUC один может иметь значительно более высокую чувствительность, тогда как другой может иметь значительно более высокую специфичность. Для сравнения AUC двух кривых ROC мы используем статистические тесты, которые оценивают статистическую значимость оцененной разницы с ранее определенным уровнем статистической значимости.

Общая диагностическая точность

Другим глобальным показателем является так называемая «диагностическая точность», выражаемая как доля правильно классифицированных субъектов (TP + TN) среди всех субъектов (TP + TN + FP + FN). На точность диагностики влияет распространенность заболевания. При такой же чувствительности и специфичности диагностическая точность конкретного теста увеличивается по мере снижения распространенности заболевания.

Диагностическое соотношение шансов

DOR также является глобальной мерой диагностической точности, используемой для общей оценки различающей способности диагностических процедур, а также для сравнения диагностической точности двух или более диагностических тестов. DOR теста - это отношение шансов положительного результата у субъектов с заболеванием к шансам у субъектов без заболевания [9]. Он рассчитывается по следующей формуле: DOR = LR + / LR- = (TP / FN) / (FP / TN).

DOR существенно зависит от чувствительности и специфичности теста. Тест с высокой специфичностью и чувствительностью с низкими показателями FP и FN имеет высокий DOR. При той же чувствительности теста DOR увеличивается с увеличением специфичности теста. DOR не зависит от распространенности заболевания; однако это зависит от критериев, используемых для определения заболевания, и его спектра патологических состояний обследуемого населения.

Пример

С помощью исследования, опубликованного Rorick et al. [10], теперь мы применим диагностические меры, обсужденные в предыдущем разделе. Целью исследования было оценить использование критериев средней скорости (MV), применяемых к сигналам TCD при обнаружении стеноза средней мозговой артерии. Контрольным тестом было ангиографическое исследование. Когда положительный результат TCD был зафиксирован на пороговом значении MV>90 см / с, наблюдались результаты, как можно увидеть в таблице 2 (таблица 2 × 2 была восстановлена ​​с использованием информации, доступной из исследования). Мы можем рассчитать показатели диагностической точности, которые представлены в таблице 3.

Таблица 2

Перекрестная классификация поражений с помощью TCD (граница MV>90 см / с) и ангиографии (эталонный тест)

Таблица 3

Меры диагностической точности

Если тест направлен на диагностику субъекта, то очень важно определить посттестовую вероятность заболевания, если тест положительный. Если мы предположим, что вероятность до теста равна распространенности заболевания (p = 12/99 = 0,12), то вероятность до теста составит 1 = 0,12 / (1 - 0,12) = 0,14, а вероятность после теста a 2 = a 1 × LR +. = 0,14 × 9,32 = 1,29, то посттестовая вероятность заболевания равна P = a 2 / (1 + a 2 ) = 1,29 / (1 + 1,29) = 0,56.

Неудивительно, что вероятность после тестирования равна PPV. Причина в том, что мы приняли за предварительную вероятность распространенность заболевания в исследовании. Предположим, что предварительная вероятность выше (0,25). Затем, если мы повторим наши расчеты, шансы до теста равны a 1 = 0,25 / (1 - 0,25) = 0,33, а шансы после теста a 2 = a 1 × LR + = 0,33 × 9,32 = 3,11, а вероятность заболевания после теста равна Р = а 2 / (1 + а 2 ) = 3,11 / (1 + 3,11) = 0,76.

В исследовании также сообщалось о результатах при использовании порогового значения>80 см / с. Чувствительность увеличилась до 83%, а специфичность снизилась до 87%. Мы можем отобразить результаты в пространстве ROC (рис. 2). Нижний порог (отсечка MV>80 см / с) располагался вверху справа от верхнего порога (отсечка MV>90 см / с). Если бы мы могли иметь обрезание вдоль континуума, мы бы увидели кривую ROC. Затем исследование было повторно проанализировано в обзоре Navarro et al. [11], которые продемонстрировали хорошие показатели ТКД по сравнению с ангиографией.

Рис. 2

Визуальное отображение результатов испытаний, оцененных при отсечении MV>80 см / с и отсечении MV>90 см / с в пространстве ROC.

Ключевые сообщения

Население

Процедура тестирования должна быть проверена на разумной популяции; таким образом, он должен включать пациентов с легкими и тяжелыми заболеваниями, чтобы обеспечить сопоставимый спектр. Распространенность заболевания влияет на прогностические значения, но спектр заболеваний влияет на все показатели точности диагностики.

Чувствительность и специфичность, PPV и NPV или LR?

Для клиницистов и медицинских работников ключевой вопрос - знать, как диагностическая процедура может предсказать болезнь. Чувствительность и специфичность не являются прогностическими мерами, они только описывают, как болезнь предсказывает конкретные результаты тестов. Прогностические значения информируют нас о вероятности наличия заболевания с положительным результатом теста (PPV) или о вероятности быть здоровым с отрицательным результатом теста. К сожалению, эти вероятности в значительной степени зависят от распространенности заболевания, и их значение редко может быть перенесено за пределы исследования (за исключением случаев, когда исследование основано на подходящей случайной выборке, например, скрининговые исследования населения). Несмотря на то, что LR часто не принимают во внимание, они должны быть оптимальным выбором для отчетности о диагностической точности, поскольку они разделяют с чувствительностью и специфичностью свойство независимости от распространенности заболевания.но их можно использовать для расчета вероятности заболевания при адаптации к изменяющимся априорным вероятностям.

Несколько пороговых значений: парные меры или ROC

Диагностическая точность может быть представлена ​​на определенном пороге с использованием парных результатов, таких как чувствительность и специфичность, или, альтернативно, прогностические значения или LR. Другие методы суммируют точность по всем доступным порогам тестирования. В общем, лучше представлять как сводные, так и парные результаты, потому что хорошая различительная способность теста может возникнуть только случайно с определенным порогом. В этом случае графическое представление может быть очень информативным, в частности, график ROC. В то же время сосредоточение внимания только на AUC при сравнении двух тестов может ввести в заблуждение, поскольку этот показатель усредняет в одном фрагменте информации как клинически значимые, так и нерелевантные пороговые значения. Таким образом, мы всегда должны сообщать о парных показателях клинически значимых пороговых значений.

Изменчивость

Как всегда, крайне важно сообщать о показателях вариабельности / неопределенности результатов диагностики (95% доверительный интервал).

Насколько велика дискриминационная или предсказательная сила?

В общем, ответ на этот вопрос зависит от стадии, на которой он будет помещен в путь клинической диагностики, и от стоимости ошибочной классификации. Например, если мне нужна сортировка, а стоимость FP не имеет значения, мне нужно сосредоточиться на чувствительности, PPV или LR +.

Онлайн-покер в Германии станет легальным в 2021 году

Самая большая страна Европейского Союза была очень долгое время отрезана от процесса легализации онлайн-гемблинга, который происходил в Европе в последние годы.

Как добраться до казино Sandia - бонусный код онлайн-казино: регистрационная информация, бонус

Когда вы играете в настольные игры, есть небольшая вероятность, что они займутся бизнесом.

Законы Массачусетса о покере и азартных играх

Массачусетс - штат, благоприятный для игроков в покер. Правительство штата не имеет законов об азартных играх в Интернете, которые могли бы привести к аресту игрока в покер или обвинению в каком-либо преступлении.

Онлайн-казино с бесплатным бонусом за регистрацию в США

Ищетеонлайн-казино с бесплатным бонусом за регистрацию в США? Посмотрим, какие у вас лучшие варианты в 2020 году.

Как сделать экспресс-карты

Прежде чем вы сможете узнать, как делать экспресс-карты, вам нужно хорошо понимать, что такое экспресс-экспресс и как он работает.

Больше новостей
8-36

Сделать ставку THRASH eSports - Jurassic Team

7-26

Сделать ставку -KATOK- - Турция

3-10

Ставки Team Excellency - FFAmix

1-30

Ставки Checkmate - Mineski

8-53

Ставки на матч Gdansk Lions - VG.FlashGaming

4-48

Ставки на киберспорт Umri S Ulibkoy - LAI gaming

Больше ставок