我们已经更新了隐私政策为了更清楚地说明我们如何使用您的个人资料。

我们使用cookie为您提供更好的体验。你可参阅我们的饼干的政策在这里。

广告

敏感性vs特异性


想要这篇文章的免费PDF版本?

填写下面的表格,我们会将PDF版本的“敏感性vs特异性”

188金宝搏备用科技网络有限公司需要您提供给我们的联系信息,以便就我们的产品和服务与您联系。您可以随时退订这些通讯。有关如何退订的信息,以及我们的隐私惯例和保护您隐私的承诺,请查看我们的隐私政策

阅读时间:

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?


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?


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

拿着箭的科学家。

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().


SpPin:特异性值较高的检测(Sp),当阳性时(P)有助于控制疾病().


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:

  1. 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?
  2. 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?
  3. 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?
  4. 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


灵敏度与特异性计算器


想要计算您的测试的敏感性和特异性?把你的结果加到计算器里在这里

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。

两条曲线显示了如何增强特异性。

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。

ROC曲线比较图


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”。

与作者见面
Karen Steward博士
Karen Steward博士
高级科学作家
广告
Baidu