敏感性vs特异性
在开发诊断测试或评估结果时,重要的是要了解这些测试以及因此获得的结果的可靠性。通过使用已知疾病状态的样本,可以计算出敏感性和特异性等值,从而进行评估。
灵敏度值告诉你什么?
的灵敏度的测试也被称为真阳性率(TPR)以及使用相关测试给出阳性结果的真正阳性样本的比例。例如,正确识别面板中所有阳性样本的测试是非常敏感的。另一项检测仅检测到60%的阳性样本,将被认为灵敏度较低,因为它遗漏了阳性,并给出了更高的a假阴性率(FNR).也作第二类误差,假阴性是未能拒绝错误的零假设(零假设是样本为阴性)。
特异性测量能告诉你什么?
的特异性的测试,也称为真负利率(TNR),是使用相关测试给出阴性结果的真正阴性样本的比例[更新,2022年1月25日]。例如,一项将所有健康人确定为某种特定疾病阴性的测试是非常具体的。另一项测试错误地确定了30%的健康人群患有这种疾病,将被认为是不那么具体的,有更高的假阳性率(FPR).也作第一类误差,假阳性是对真零假设的拒绝(零假设是样本为阴性)。
敏感性vs特异性助记法
SnNouts而且SpPins是帮助你记住敏感性和特异性之间的区别的助记符。
SnNout:灵敏度值较高的测试(Sn)当负(N),有助于排除疾病(出).
SpPin:特异性值较高的检测(Sp),当阳性时(P)有助于控制疾病(在).
如何计算敏感性和特异性值?
一个理想的测试很少会忽略你正在寻找的东西(即它是敏感的),也很少会把它误认为其他东西(即它是特定的)。因此,在评估诊断测试时,计算该测试的敏感性和特异性以确定其有效性是很重要的。
诊断测试的敏感性表示为假设患者患有该疾病,样本检测呈阳性的概率(以百分比表示)。
下面的公式用于计算测试的灵敏度:
敏感性=真阳性数量
(真阳性数+假阴性数)
=真阳性数量
患病总人数
测试的特异性表示为假设患者没有患病,测试返回阴性结果的概率(以百分比表示)。
以下公式用于计算测试的特异性:
特异性=真阴性数
(真阴性数+假阳性数)
=真阴性数
未患病的总人数
敏感性vs特异性的例子
你有一个新的诊断测试,你想评估。你有一组验证样本,你可以确定它们是否来自你所测试的疾病的患病或健康个体。你的样本包括150个阳性和400个阴性。
在这个例子中,我们要澄清四件事:
- 考试内容是什么灵敏度?也就是说,有多少患病个体被正确识别为患病?
- 考试内容是什么特异性?也就是说,有多少健康的人被正确地认定为健康的?
- 考试内容是什么阳性预测值?也就是说,检测结果呈阳性的人实际上患病的概率是多少?
- 考试内容是什么负预测值(NPV)?也就是说,一个呈阴性结果的人实际上是健康的概率是多少?
在对样本进行检测后,将结果与已知疾病状况进行比较,并发现:
真阳性(检测结果为阳性且真阳性)= 144
假阳性(测试结果为阳性,但实际为阴性)= 12
真阴性(检测结果为阴性,真正为阴性)= 388
假阴性(测试结果为阴性,但实际为阳性)= 6
敏感性与特异性表
或,显示在列联表:
真正积极的 |
真正的负 |
行总 |
|
检测呈阳性 |
144 | 12 | 156 |
测试- |
6 | 388 | 394 |
列总 |
150 | 400 | 550 |
灵敏度= 144 / (144 + 6)
= 144 / 150
= 0.96
= 96%敏感性
特异性= 388 / (388 + 12)
= 388 / 400
= 0.97
= 97%特异度
敏感性和特异性是否与阳性预测值(PPV)和阴性预测值(NPV)相同?
简而言之,没有,尽管它们是相关的。的阳性预测值是返回阳性结果的对象/样本确实为阳性的概率。的负预测值(NPV)是返回阴性结果的对象/样本确实为阴性的概率。这类信息对于与患者讨论结果非常有用,例如,评估他们可能进行的任何测试的可靠性。用于计算灵敏度和特异性的相同值也用于计算阳性和阴性预测值。一种看待它的方法是敏感性和特异性评估测试,而PPV和NPV评估结果。
阳性预测值由下式计算:
PPV =真阳性数量
(真阳性数+假阳性数)
=真阳性数量
检测呈阳性的样本数量
负预测值由下式计算:
净现值=真阴性数
(真阴性数+假阴性数)
=真阴性数
检测呈阴性的样本数量
使用上面例子中的值:
PPV = 144 / (144 + 12)
= 144 / 156
= 0.923076923…= 92%
NPV = 388 / (388 + 6)
= 388 / 394
= 0.984771573…= 98%
所以,如果测试结果是阳性的,有92%的机会是正确的,如果是阴性的,有98%的机会是正确的。
PPV的互补值为错误发现率时,NPV的互补值为错误遗漏率(FOR)分别等于1减去PPV或NPV。FDR是错误结果或“发现”的比例。FOR是被错误拒绝的假阴性的比例。从本质上讲,PPV和NPV越高,FDR和FOR就越低——这对测试结果的可靠性来说是个好消息。
我该如何在敏感和具体之间取得平衡?
如果结果是在一个滑动的数值范围内给出的,而不是一个明确的阳性或阴性,灵敏度和特异性值尤其重要。它们允许您确定将结果称为阳性或阴性的界限在哪里,甚至可能建议重新测试的灰色区域。例如,通过将阳性结果的截止值设置在一个非常低的水平(蓝色虚线),您可以捕获所有阳性样本,因此测试非常敏感。然而,这可能意味着许多实际为阴性的样本可能被认为是阳性的,因此该测试将被认为具有较差的特异性。因此,找到一个平衡对于一个有效和可用的测试是至关重要的。
使用受试者工作特征曲线(ROC曲线)可以帮助达到最佳点,并平衡假阴性和假阳性。然而,背景对于假阴性是否比假阳性问题更少也很重要,反之亦然。例如,如果必须识别所有阳性结果——例如,在生死攸关的问题上,那么您可能愿意容忍更高数量的假阳性,以避免遗漏任何一个。在这里,假阳性可以被进一步筛选出来。
什么是ROC曲线?
ROC曲线是一种图形表示,显示了一项测试的敏感性和特异性如何相互变化。为了构建ROC曲线,已知为阳性或阴性的样本使用测试进行测量。
对于给定的临界值,将TPR(敏感性)与FPR(1 -特异性)绘制成与下图相似的图。理想情况下,选择一个曲线肩附近的点,既能限制假阳性,又能最大化真阳性。
给出ROC曲线(如黄色线)的测试并不比随机猜测好,淡蓝色是很好的,但由深蓝色线表示的测试将是极好的。它将使截止确定相对简单,并在非常低的假阳性率下产生高的真阳性率-敏感和具体。
更正:该文章错误地将“特异性”的定义定义为“使用相关测试测试为阴性且真正为阴性的样本比例”,该文章于2022年1月25日更新,将其正确定义为“使用相关测试给出阴性结果的真正为阴性的样本比例”。