什么是敏感性,特异性,假阳性,假阴性?

  • 这些是理解的临床试验的效用很重要条款。设计诊断测试时,在确定测试多么可靠,以及如何从可靠的结果得到的结果是他们最重要的变量。当使用一种疾病,敏感性和特异性变量的已知样品可以计算出试验及其结果的评估。
  • 敏感性和特异性与受试人群无关,而在考虑检测对临床医生的价值时,使用阳性预测值(PPV)和阴性预测值(NPV),并取决于受试人群中疾病的患病率。
  • 阳性预测值(PPV)返回阳性结果的受试者/样本真的是阳性的概率,以及负预测值(NPV)是返回负面结果的主题/样本的概率真的是负面的
  • 为了评价诊断测试,以计算以确定其有效性的灵敏度和特异性是非常重要的。
  • 正面和负面的术语不指感兴趣的条件,但条件的存在或不存在的价值。该条件可以是一种疾病,因此积极手段患病和消极手段健康。

什么是敏感性,特异性,假阳性,假阴性

什么是敏感性?

  • 灵敏度是一个测试的正确识别与疾病的病人的能力。它也被称为真正的阳性率(TPR),即谁被正确识别为具有条件的人生病的百分比。因此灵敏度是有实际阳性不被忽视的程度。
  • 例如,正确识别面板中所有正样品的测试是一个非常敏感的测试,而未检测到仅检测80%的真实样品和20%的样品的测试,因此面板中的假阴性。该测试将被称为较低的灵敏度,因为它缺少阳性并具有假负率(FPR)。这种错误被称为第二类错误,错误的否定是未能拒绝样品为负的假零假设。
  • 检测一个非常严重的感染类型时,例如高灵敏度是非常重要的,正在进行COVID-19大流行,进行适当的管理和治疗。筛查试验应该有一个非常有限的2型错误,为疾病的准确识别,如果不是没有。这2019冠状病毒疾病IgG/IgM诊断试验是Covid-19的筛选试验,灵敏度为95%。
  • 为测定测试概率(百分比)的灵敏度,鉴于该患者具有疾病的样品测试呈阳性,
  • 计算:

敏感性公式

什么是特异性?

  • 这是临床试验正确识别那些没有这种疾病的患者的能力。它也被称为真正的负率(TNR),即,正确识别的健康人的百分比没有条件。可以识别来自健康个体的所有样本测试为负的测试是非常具体的。
  • 因此,具有100%的特异性测试正确地识别所有患者没有疾病,而具有80%的特异性的测试正确报告80%的患者没有疾病如测试阴性(真阴性),而20%的患者没有疾病被错误地识别为测试阳性(假阳性)。
  • 具有灵敏度高,但特异性低的测试导致没有病谁许多患者被告知的可能性,他们有一种疾病,对他们进行进一步的测试。理想情况下,测试应该是100%准确,但是这是一个不切实际的场景。可替换地,使患者以高灵敏度和低特异性和低灵敏度和高特异性的第二测试的测试能够识别所有假阳性和假阴性。

特异性公式

敏感性VS特异性助记符

  • snnouts.斯潘克斯是一个帮助您记住敏感性和特异性之间的区别的助记线。
  • SnNout:具有高灵敏度值的测试()如果是否定的(N),有助于排除疾病(出去)。
  • SpPin:具有高特异性值的测试(SP.),当积极时(P.)有助于规则疾病()。

什么是假的积极和假阴性?

  • 真假指分配的分类是正确或不正确的正负指分配给正面或负面类别的结果。
  • 这些术语取决于受试人群。通常,当疾病爆发时,会进行诊断测试,以确定个人是否患有该疾病。
  • 对于有病的人,检测结果为阳性,而没有病的人,检测结果为阴性。但在某些情况下,测试结果可能与个人状态不匹配,因此可以将其定义为:
    • 假阳性:健康的人错误地被认为病了
    • 假阴性:生病的人被错误地确定为健康。
  • 一个真正的阳性意味着谁有病个体被正确识别到有,而个人谁是真阴性的疾病,是指谁没有病已正确地诊断为不患有该疾病的个体。

敏感性和特异性的例子

假设:您对Covid-19的筛查进行了新的快速诊断测试,在特定抗体对病毒,SARS-COV-2产生。您的样本大小为600人,有效性,有些样本肯定有疾病(480)和/或来自问题疾病的健康个体样本(120)。经过测试后,您将结果与其了解疾病的疾病表比较并找到:

  • 真阳性(试验阳性和是正确地阳性)= 480
  • 假阳性(试验阳性,但实际上是负的)= 15
  • 真阴性(测试阴性且真阴性)=100
  • 假阴性(测试负数但实际上是正的)= 5

表格结果

积极的 消极的 全部的
真正的积极 480. - 480.
假阳性 15. - 15.
真正的消极 - 100 100
假阴性 - 5. 5.
全部的 495. 105 600
  • 灵敏度= 480 /(480 + 5)= 0.98
    • 因此,该测试具有98%的灵敏度。
  • 特异性=100/(100+15)=0.87
    • 因此,测试具有87%的特异性。

正预测值(PPV)和负预测值(NPV)

  • 阳性预测值(PPV)是样本测试呈阳性的概率值,而阴性预测值(NPV)是样本测试呈阴性的概率值。
  • 它们是评估样本结果的有用索引,并且它们可以像灵敏度和特异性一样计算。这些值还可用于计算灵敏度和特异性。
  • 因此,正确地说,敏感性和特异性评估测试,而PPV和NPV评估结果。

计算

  • 阳性预测值(PPV)=(真正的正数量)/(真正的阳性+误报的数量)

  • 阳性预测值(PPV)=(真阳性数目)/(阳性结果合计)

  • 负预测值(NPV)=(真阴性数目)/(假阴性的真阴性的数量+)

  • 负预测值=(真阴性数)/(阴性结果总数)
  • 使用上表,我们可以计算PPV和NPV,如下所示:
    • PPV = 480 /(480 + 15)= 0.97 ... 0.97%
    • NPV = 100 /(100 + 5)= 0.95 ... 95%
  • 因此,如果测试结果为阳性,则有97%的几率是正确的,如果结果为阴性,则有95%的几率是正确的。
  • 相反值是假发现率(FPV)的阳性预测值(PPV)和假遗漏率(FOR)的阴性预测值(NPV)。

参考资料和来源

  1. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2636062/
  2. https://academic.oup.com/bjaed/article/8/6/221/406440
  3. 9% - https://www.technologynetworks.com/analysex/articles/sensitivity-vs-pecificity-318222
  4. 2% - https://www.slideshare.net/TapeshwarYadav1/selection-and-calibration-of-analytical-method-amp-calibration-methods-127879615
  5. 2% - https://www.chegg.com/homework-help/questions-and-answers/population-.tiologic-fraction-measure-propogration-disease-rate-population-atibutable-expo-q10929623
  6. 2% - https://anesthesia.mcmaster.ca/docs/librariesprovider8/research/methodology/statistical-notes/clinical-tests-sensitivity-and-specificity.pdf?sfvrsn=25424405_4
  7. 2% – https://academic.oup.com/bjaed/article/8/6/221/406440
  8. 2% - http://sheepshoot.com/sensitivity_and_specificity
  9. 1% - https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4966236/
  10. 1% - https://www.fosters.com/lifestyle/20200312/covid-19-more-tests-and-more-accurate-results-are-needed
  11. 1% - https://en.wikipedia.org/wiki/sensitivity_and_specificity
  12. 1% - https://ebn.bmj.com/content/23/1/2
  13. 1% - http://www.mas.ncl.ac.uk/~njnsm/medfac/MBBS/handout.pdf
  14. 1% - http://www.csam.or.kr/journal/download_pdf.php?spage=211&volume=27&number=2
  15. 1% - http://rstudio-pubs-static.s3.amazonaws.com/290063_f27f48ff02d34b409200855c77e738d.html
  16. <1% - https://www.surveymonkey.com/curiosity/how-many-people-do-i-need-to-take-my-survey/
  17. <1% - https://www.sciencedirect.com/topics/medicine-and-dentistry/sensitivity-and-specificity
  18. <1% - https://www.sciencedirect.com/science/article/pii/S0889159120303573
  19. <1% - https://stats.stackexchange.com/questions/187724/how-to-find-tre-positive-true-negation-false-positive-negation-from- a
  20. <1% - https://quizlet.com/11902761/epidemiology-final-flash-cards/
  21. <1% - https://365datascience.com/false-positive-vs-false-negative/

敏感性和特异性

关于“什么是敏感性、特异性、假阳性、假阴性?”

留言

本网站使用AkisMet减少垃圾邮件。了解如何处理您的评论数据