Evidensbaseret medicin · K5-K6 · Udgave 1

Diagnostisk akkuratesse

Et testsvar får først betydning, når du ved, hvem der blev testet, hvad der tæller som sygdom, og hvilken beslutning svaret skal ændre.

GPT-6 Sol · Extra High 17-23 min 1 eksamensopgave

Test først

Detaljegrad

Kort fortalt

Diagnostisk akkuratesse

Fra 2×2-tabellen til klinisk anvendelse: beregn sensitivitet, specificitet og prædiktive værdier; brug likelihood ratios uden at forveksle odds med sandsynlighed; forstå tærskler og ROC-kurver; og vurder, om et akkuratesse-studie faktisk ligner den population, testen skal bruges i.

Testens rolle

Bestem hvilket spørgsmål testen skal besvare

Spørg først hvad testen skal ændre

Standard

En test kan hjælpe med at udelukke, bekræfte, gradere eller følge en tilstand.

Høj akkuratesse er ikke det samme som en nyttig undersøgelse.

Definér patient, måltilstand og beslutning

Skriv hvem der bliver testet, hvilken tilstand testen skal finde, og hvad et positivt eller negativt svar skal føre til. Et testresultat kan være præcist i forhold til en markør uden at markøren er den sygdom eller det behandlingsbehov, der interesserer dig. Diagnoser har også grænseområder og kan kræve mere end én prøve.

Nytten ligger efter testen

Tid til svar, tilgængelighed, økonomi, ubehag, stråling, falsk tryghed og unødige opfølgende undersøgelser hører med til vurderingen. Hvis svaret ikke ændrer handling på en måde, der gavner patienten, er et flot sensitivitetstal utilstrækkeligt.

Indekstest og referencestandard skal undersøge samme måltilstand

Standard

Indekstesten er den prøve eller vurdering, du vil undersøge.

Referencestandarden bruges til at klassificere, om måltilstanden er til stede.

“Guldstandard” er ikke nødvendigvis perfekt

Referencen kan være en sammensat klinisk vurdering, vævsprøve, billeddiagnostik eller opfølgning. Fejl i referencen kan få en god indekstest til at se dårlig ud eller omvendt. Se om begge tests vurderer samme sygdomsdefinition, og om referencen er uafhængig af indekstestens resultat.

Tidspunkt og tærskel tæller

Sygdommen kan ændre sig mellem de to undersøgelser. Notér derfor hvor lang tid der gik, og om behandling blev givet imens. En kontinuerlig måling bliver først positiv eller negativ ved et valgt cut-off; tærsklen bør fremgå, helst før man så udfaldene.

2×2-tabellen

Regn fra testresultat til sygdomssandsynlighed

Start i 2×2-tabellen, før du fortolker procenter

Standard

Sande positive (SP) og falsk negative (FN) har sygdommen ifølge referencen.

Falsk positive (FP) og sande negative (SN) har den ikke ifølge referencen.

To betingelser, fire felter

Sygdomskolonnen rummer SP+FN; ikke-sygdomskolonnen FP+SN. Den positive testrække rummer SP+FP; den negative FN+SN. Nævneren afgør hvad en procent betyder. En formel kan huskes, men de fire felter er den bedste kontrol mod at svare på det omvendte spørgsmål.

Én konstrueret test, to grupper

Antag 1.000 testede, sensitivitet 90 % og specificitet 80 %. Ved 5 % sygdom: SP=45, FN=5, FP=190, SN=760. Ved 50 % sygdom: SP=450, FN=50, FP=100, SN=400. Tallene er en regneøvelse, ikke egenskaber for en virkelig test.

Sensitivitet og specificitet betinger på sand sygdomsstatus

Standard

Sensitivitet = SP/(SP+FN): andelen med sygdom, som tester positivt.

Specificitet = SN/(SN+FP): andelen uden sygdom, som tester negativt.

Regn og navngiv nævneren

I lavprævalens-eksemplet er sensitiviteten 45/50=90 % og specificiteten 760/950=80 %. I højprævalens-eksemplet er de samme procenter 450/500 og 400/500, fordi vi antog en uændret test. Ingen af de to tal siger direkte, hvor sandsynligt det er, at én patient med positivt svar er syg.

Ikke universelle naturkonstanter

Formlerne indeholder ikke prævalens. Men målt sensitivitet og specificitet kan variere med sygdommens alvor, alternative diagnoser, testgrænse, prøvetagning og klinisk setting. De skal derfor ikke flyttes ukritisk fra et specialhospital til en anden population.

PPV og NPV begynder med det testresultat, patienten har fået

Standard

PPV = SP/(SP+FP): andelen syge blandt positive svar.

NPV = SN/(SN+FN): andelen uden sygdom blandt negative svar.

Samme test, forskellig betydning

Ved 5 % sygdom i øvelsen er PPV 45/235≈19 % og NPV 760/765≈99 %. Ved 50 % sygdom er PPV 450/550≈82 % og NPV 400/450≈89 %. Testens antagne sensitivitet og specificitet var ens; det var andelen med sygdom blandt de testede, der ændrede sig.

Brug den relevante prætest-sandsynlighed

En populationsprævalens er ikke altid den rigtige startværdi for en konkret patient. Symptomer, henvisningsfiltre og tidligere tests kan gøre sygdom mere eller mindre sandsynlig før denne test. Derfor kan PPV fra én setting ikke uden videre loves i en anden.

Samlet korrekthed kan belønne en ubrugelig strategi

Standard

Samlet korrekt klassifikation = (SP+SN)/alle testede.

Den afhænger af sygdomsfordelingen og kan skjule alvorlige falsk negative.

En kontrol med de 1.000 testede

Ved 5 % sygdom giver øvelsestesten 45+760=805 korrekte ud af 1.000, altså 80,5 %. En strategi, der kalder alle raske, får 950/1.000=95 % korrekt, men finder ingen af de 50 syge. Samlet korrekthed alene er derfor et dårligt mål for, om testen løser opgaven.

Vægt fejlene efter konsekvens

En falsk negativ kan udskyde nødvendig behandling; en falsk positiv kan føre til bekymring, invasiv udredning eller overbehandling. Hvilken fejl der vejer tungest afhænger af tilstand og næste handling. Rapportér derfor begge fejltyper og testens rolle, ikke kun én samlet procent.

Likelihood ratio flytter odds, ikke sandsynlighed direkte

Standard

LR+ = sensitivitet/(1−specificitet); LR− = (1−sensitivitet)/specificitet.

Efter-test odds = før-test odds × LR. Omregn derefter odds til sandsynlighed.

Regn øvelsestesten igennem

Med sensitivitet 0,90 og specificitet 0,80 bliver LR+ 4,5 og LR− 0,125. Ved 5 % før-test sandsynlighed er odds 0,05/0,95≈0,0526. Et positivt svar giver odds cirka 0,237 og dermed sandsynlighed 0,237/(1+0,237)≈19 %. Det er den samme PPV som i 2×2-tabellen.

Samme LR, anden startværdi

Ved 50 % før-test sandsynlighed er odds 1. Efter positiv test bliver odds 4,5, svarende til cirka 82 % sandsynlighed. LR+ 4,5 betyder altså ikke, at sandsynligheden altid bliver 4,5 gange så stor. Testens virkning på beslutningen afhænger af udgangspunktet.

Tærskler

Se byttet mellem at finde sygdom og undgå falske alarmer

Et nyt cut-off ændrer, hvem der kaldes positiv

Standard

Lavere tærskel finder typisk flere syge, men giver også flere falsk positive.

Højere tærskel kan reducere falsk positive, men misser flere syge.

Vælg tærskel efter konsekvensen

For en kontinuerlig markør bestemmer cut-off sensitivitet og specificitet sammen. Et enkelt “optimalt” punkt findes ikke uden at angive, hvad falsk positive og falsk negative koster, og hvad der sker efter testen. En tærskel til hurtig triage kan være forskellig fra en tærskel til invasiv behandling.

Skeln udvikling fra validering

Vælges tærsklen efter at have set netop dette studies udfald, kan de rapporterede testegenskaber se for gode ud. Kontrollér om cut-off var fastlagt på forhånd, og om det er valideret i en anden, relevant patientgruppe.

ROC viser tærskelbyttet; AUC erstatter ikke et klinisk valg

Standard

ROC afbilder sensitivitet mod 1−specificitet for forskellige tærskler.

AUC opsummerer diskrimination på tværs af tærskler, ikke testens samlede nytte.

Læs akserne

Y-aksen er sandt positiv rate, x-aksen falsk positiv rate. Øverste venstre hjørne er ønskeligt: mange sande positive og få falske positive. En diagonal svarer omtrent til ingen diskrimination; AUC 0,5 er på det niveau, AUC 1 til perfekt adskillelse i de observerede data.

Hvorfor større AUC ikke altid vinder

To tests kan have forskellig AUC, men den med lavere AUC kan være bedre i det snævre tærskelområde, der er relevant for beslutningen. AUC siger heller ikke noget direkte om kalibrering, pris, skade eller konsekvensen af fejl. Se derfor sensitivitet, specificitet og patientudfald ved det valgte cut-off.

Pålidelighed og brug

Afgør om estimaterne kan bruges dér, hvor testen skal anvendes

Akkuratesse måles hos de patienter, man vælger at undersøge

Standard

En repræsentativ række patienter med reel mistanke er mere brugbar end åbenlyst syge mod helt raske.

Hospital, almen praksis og screening har ofte forskellige sygdomsspektre.

Et godt akkuratesse-studie

Rekruttér fortløbende eller på anden gennemskuelig måde fra den tilsigtede population. Udfør indekstest og passende referencestandard hos så vidt muligt alle, uanset første testresultat. Beskriv både sygdomsgrad hos syge og konkurrerende diagnoser hos ikke-syge.

Overførbarhed er mere end prævalens

PPV og NPV ændres mekanisk med sygdomsforekomst, når sensitivitet og specificitet er ens. I virkeligheden kan også disse to mål ændre sig, når patienter er mildere syge, har andre komorbiditeter eller får testen udført anderledes. Beregn ikke lokale prædiktive værdier fra et fremmed sensitivitetstal uden at vurdere dette.

Se hvem der fik referencetesten, og hvem der kendte svaret

Standard

Hvis især positive indekstests verificeres, kan estimaterne blive skæve.

Blinding og kort, ensartet tidsafstand mellem testene mindsker påvirkning.

Verifikations- og fortolkningsbias

Hvis patienter med negativ indekstest sjældnere får referencestandarden, kendes deres falsk negative ikke. Hvis den, der læser referencen, allerede kender indekstestens resultat, kan vurderingen blive påvirket. Undersøg derfor både testflow, blinding og om alle fik samme reference.

Referencen kan selv være usikker

En uperfekt reference fejlklassificerer måltilstanden. En lang pause mellem testene eller behandling i mellemtiden kan skabe reel ændring i sygdomsstatus. Manglende eller uafklarede svar skal rapporteres, ikke bare fjernes fra nævneren.

QUADAS vurderer bias og anvendelighed; STARD beskriver rapporteringen

Standard

QUADAS-3 er den aktuelle version af værktøjet til akkuratesse-studier.

STARD er en rapporteringsvejledning, ikke et bevis for at studiet er validt.

Fire centrale spørgsmål består

Se på patientudvælgelse, indekstest, referencestandard samt flow og timing. Det var domænerne i QUADAS-2, som ofte ses i ældre materiale. QUADAS-3 går videre og vurderer risiko for bias og anvendelighed for det konkrete akkuratesse-estimat med udgangspunkt i en tænkt ideel undersøgelse.

Rapportering er noget andet

STARD hjælper forfattere med at oplyse bl.a. tilsigtet brug, rekruttering, cut-off, blinding, håndtering af uafklarede svar og usikkerhed. God rapportering gør en kritisk vurdering mulig, men en udfyldt tjekliste korrigerer ikke fejl i udvælgelse eller referencestandard.

Det sidste spørgsmål er om testen gør forløbet bedre

Standard

Akkuratesse beskriver sortering; den dokumenterer ikke alene bedre patientudfald.

Vej gevinsten ved rigtige svar mod konsekvenserne af falske svar og selve testen.

Fra tal til beslutning

Sæt før-test sandsynlighed, resultat og efter-test sandsynlighed ved siden af den handling, der faktisk er mulig. Hvis både positivt og negativt svar fører til samme næste skridt, kan testen være overflødig. Hvis svaret ændrer udredning eller behandling, bør gevinster og skader ved den ændring undersøges.

Tænk på kaskaden

Falsk positive kan udløse flere prøver, invasiv undersøgelse og bekymring. Falsk negative kan forsinke hjælp. Testens egen tid, pris og mulige skade hører med. Et akkuratesse-studie kan pege på et lovende redskab, men ofte kræves yderligere evidens for, at brugen forbedrer patientforløb.

MCQouture

Opgaver fra MCQ

1 opgave i én session. Resultatet justerer kun de emner, som opgaverne dækker.

Fra MCQB1 F20 · Opgave 16

Sensitivitet og specificitet

Spørgsmål 1 af 1

Opgave 16 Screening kan beskrives med anvendelse af begreberne sensitivitet og specificitet.

En screenings specificitet er dens evne til at foretage en korrekt diagnose af syge personerSensitiviteten er andelen af syge som erklæres positiveEn screenings sensitivitet er dens evne til at foretage en korrekt diagnose af raske personerSpecificiteten er andelen af raske som erklæres positive.En screenings evne til at stille den korrekte diagnose på alle personer betegnes sensitiviteten

Kilde-ID: B1-F20-16

Afventer faglig gennemgang.