Zakładając krzyżową klasyfikację, taką jak ta pokazana poniżej (tutaj, w przypadku instrumentu przesiewowego)
możemy zdefiniować cztery miary dokładności badań przesiewowych i mocy predykcyjnej:
- Czułość (se), a / (a + c), tj. Prawdopodobieństwo badania przesiewowego zapewniającego wynik dodatni, biorąc pod uwagę obecność choroby;
- Specyficzność (sp), d / (b + d), tj. Prawdopodobieństwo badania przesiewowego zapewniającego wynik ujemny, biorąc pod uwagę brak choroby;
- Pozytywna wartość predykcyjna (PPV), a / (a + b), tj. Prawdopodobieństwo pacjentów z pozytywnymi wynikami testu, którzy zostaną prawidłowo zdiagnozowani (jako dodatni);
- Negatywna wartość predykcyjna (NPV), d / (c + d), tj. Prawdopodobieństwo pacjentów z ujemnymi wynikami testu, którzy zostaną prawidłowo zdiagnozowani (jako ujemni).
Każda z czterech miar to proste proporcje obliczone na podstawie zaobserwowanych danych. Odpowiednim testem statystycznym byłby zatem test dwumianowy (dokładny) , który powinien być dostępny w większości pakietów statystycznych lub w wielu kalkulatorach online. Testowana hipoteza dotyczy tego, czy zaobserwowane proporcje istotnie różnią się od 0,5, czy nie. Uważam jednak, że bardziej interesujące jest zapewnienie przedziałów ufności niż pojedynczego testu istotności, ponieważ daje informacje o precyzji pomiaru. W każdym razie, aby odtworzyć pokazane wyniki, musisz znać całkowite marginesy swojej dwustronnej tabeli (podałeś tylko PPV i NPV jako%).
Jako przykład załóżmy, że obserwujemy następujące dane (kwestionariusz CAGE to kwestionariusz przesiewowy dotyczący alkoholu):
następnie w R PPV oblicza się w następujący sposób:
> binom.test(99, 142)
Exact binomial test
data: 99 and 142
number of successes = 99, number of trials = 142, p-value = 2.958e-06
alternative hypothesis: true probability of success is not equal to 0.5
95 percent confidence interval:
0.6145213 0.7714116
sample estimates:
probability of success
0.6971831
Jeśli używasz SAS, możesz zapoznać się z uwagą dotyczącą wykorzystania 24170: Jak oszacować czułość, swoistość, dodatnie i ujemne wartości predykcyjne, fałszywie dodatnie i ujemne prawdopodobieństwa oraz współczynniki prawdopodobieństwa? .
Aby obliczyć przedziały ufności, przybliżenie gaussowskie, (1,96 jest kwantylem standardowego rozkładu normalnego przy lub z %), jest stosowany w praktyce, zwłaszcza gdy proporcje są dość małe lub duże (co często ma miejsce tutaj).p ± 1,96 × p ( 1 - p ) / n---------√p = 0,9751 - α / 2α = 5
Więcej informacji można znaleźć na
Newcombe, RG. Dwustronne przedziały ufności dla pojedynczego odsetka: porównanie siedmiu metod .
Statistics in Medicine , 17, 857-872 (1998).
Proszę zobaczyć
Kosiński, Andrzej S. Ważona uogólniona statystyka punktowa do porównania wartości predykcyjnych testów diagnostycznych. Statystyka w medycynie http://dx.doi.org/10.1002/sim.5587 opublikowana online: 22 sierpnia 2012 r
źródło