跳到内容

变得敏感:简化诊断的敏感性和特异性

变得敏感:简化诊断的敏感性和特异性

诊断敏感性我们的意思是什么?

在临床诊断中,关于测定的敏感性的问题将不可避免地表面。但是“敏感性”的意思是什么?测定可以检测的给定分析物的最低量通常称为灵敏度 - 并且很清楚,该数量是分析敏感性或检测极限(lod)。术语分析是该定义的关键,因此在我们处于它的同时,让我们对诊断术语进行对比。Diagnostic sensitivity is related to the ability of one’s assay to correctly identify populations of individuals with the disease, and while this is certainly a function of analytical sensitivity, high analytical sensitivity (meaning you can detect very minute quantities of your analyte) does not necessarily guarantee useful diagnostic sensitivity.

正如您可以想象的那样,这两项测量非常不同 - 前者告诉你在管中的测定的性能,后者告诉你你的测定如何在给定的人群上表演。因此,在描述测定时,重要的是将分析或诊断到术语敏感性的术语。

如何计算诊断灵敏度?

思考诊断敏感性的另一种方法是考虑测定如何检测到真正的阳性。但如果您正在处理未知的样本,您如何知道如何真实结果?这是一种鸡肉和蛋问题,但让我们考虑一下。

假设您有一个可以确定患者是否有五个手指或六个手指的测定。您可以收集一个样本,将它们盲目到实验者并获得结果。接下来,通过临床医生检查同一患者,他们只会计算每只手上的手指数量。然后比较注意 - 对于您的测定和临床医生的观察结果进行了比较?临床医生在这种情况下的观察结果将被视为黄金标准,因为你不能比计数手指更真实地获得更多目标!If the goal were to detect the six fingered individuals (i.e. six is a positive result), an assay result matching a count of six would be a true positive, while an assay result of five for a five-fingered patient would be a true negative. Likewise, an assay result of six for a five-fingered individual would be a false positive and an assay result of five for a six fingered patient would be a false negative. If we took the imaginary data set below, we could calculate diagnostic sensitivity by calculating the percentage of true positives detected out of the total actual positives in the samples (true positives plus the false negatives).

病人
不。
观测到的
不。手指
测定结果
(没有。手指)
真的
积极的
错误的
积极的
真的
消极的
错误的
消极的
1 6. 6. X
2 6. 6. X
3. 5. 6. X
4. 6. 5. X
5. 5. 5. X
6. 6. 6. X
7. 6. 6. X
8. 5. 5. X
9. 5. 5. X
10. 5. 5. X
总计 4. 1 4. 1

上面的数据可以在下面的真相表中制表,并使用以下等式计算诊断灵敏度。在这里,我们正在计算具有条件的个体的百分比并具有对该条件具有正面的测试结果。

真实情况
积极的 消极的
测定预测的病症

积极的 TP. 《外交政策》
消极的 FN TN.

真实情况
积极的 消极的
测定预测的病症 积极的 4. 1
消极的 1 4.



敏感性= \压裂{\ mathrm {TP}} {\ mathrm {TP + FN}} = \压裂{\ mathrm {4}} {\ mathrm {4 + 1}} = 4/5 = 80 \ %


不算太糟,对吧?我们来看一个真实的例子吧?假设你正在开发一种检测细菌病原体的qPCR方法。使用qPCR检测得到的结果将产生预测条件的数据,并将这些数据与经典培养得到的结果进行比较。为什么?在本例中,通过培养从患病者体内恢复机体是其中之一科赫法则这就是为什么细菌培养被认为是黄金标准。如果我们有这个人为的数据集:

真实情况
积极的 消极的
预测的条件
测定(即QPCR阳性)
积极的 238(TP) 21 (FP)
消极的 2(FN) 103(TN)

我们将计算这种诊断敏感性,如:


\ frac {\ mathrm {238}} {\ mathrm {238 + 2}} = 238/240 = 0.992×100 = 99.2 \%

这意味着如果我们用qPCR来检测病人的这种细菌病原体,我们99%的几率会得到真正的阳性结果。但是假阳性呢?你也可以用这种方法检测它们因为qPCR可以检测活的和不活的生物体的DNA,而培养只检测活的生物体。更不用说,qPCR可能比大多数基于培养的方法有更好的分析灵敏度。比较这两种方法并将培养作为金标准,将把培养阴性/ qpcr阳性样品定义为假阳性。在这种情况下,您可能需要进行验证性测试,以确保qpcr阳性患者确实感染了可致病的病原体。

诊断的特异性呢?

虽然上面示例中的假阳性数可能会让您担心,但真正的性能判断取决于您的分析方法是如何使用的。如果你的目标是排除健康患者以避免确诊性测试,那么高诊断特异性将是关键。等等,我刚刚介绍了另一个术语——诊断特异性!这是一种相关的测量方法,衡量你的测试有多大可能正确地识别那些没有患病的人。认为正确识别五指患者,或检测出那些没有感染细菌病原体的患者。这里我们在计算没有这种情况并且正确地检测出这种情况的人的百分比。计算如下:


诊断\;专属性= \frac{\mathrm{TN}}{\mathrm{TN+FP}} = \frac{\mathrm{103}}{\mathrm{103+21}} = 103/124 = 0.831 × 100 = 83.1\%


这意味着83%的情况下我们能正确识别出健康患者。由于qPCR测试比等待更快速细菌增长,运行qPCR将qPCR受益,你可以自信的负面结果,因为我们几乎没有假阴性的数据集。当然任何积极的病人应该被测试再次使用文化,但会有更少的患者进行测试。你也可以使用这些计算来比较新的qPCR方法和目前使用的方法,或者qPCR方法和ELISA方法。如果你不喜欢数学,有很多免费的在线计算器,比如这个来自Medcalc.,为您运行这些数字!

图像信用:Freepik.

发表评论

你一定是登录发表评论。

本网站使用AkisMet减少垃圾邮件。了解如何处理评论数据

滚动到顶部
分享Via
复制链接