Test diagnostique
| Commande: | Tests Test diagnostique |
|---|
Permet de calculer des caractéristiques de test telles que la sensibilité, la spécificité, les rapports de vraisemblance positif et négatif, la prévalence de la maladie ainsi que les valeurs prédictives positive et négative, à partir de données saisies dans un tableau 2x2.
Données requises
Saisissez le nombre de cas du groupe malade qui sont positifs et négatifs au test (colonne de gauche) ; et le nombre de cas du groupe non malade qui sont positifs et négatifs au test (colonne de droite).
Remarque : vous pouvez modifier l'ordre des colonnes et des lignes en cliquant sur le bouton 
.
Prévalence de la maladie
Si les tailles d'échantillon des groupes positif (maladie présente) et négatif (maladie absente) ne reflètent pas la prévalence réelle de la maladie, vous pouvez saisir la prévalence de la maladie dans la zone de saisie correspondante. Cela influence les valeurs prédictives positive et négative, ainsi que l'exactitude.
Résultats
Les statistiques suivantes sont indiquées avec leurs intervalles de confiance à 95 % :
- Sensibilité : probabilité qu'un résultat de test soit positif lorsque la maladie est présente (taux de vrais positifs).
- Spécificité : probabilité qu'un résultat de test soit négatif lorsque la maladie n'est pas présente (taux de vrais négatifs).
- AUC : aire sous la courbe ROC.
- Indice de Youden : pour un tableau 2x2, l'indice de Youden J (Youden, 1950) est défini comme suit :
$$ J = \textit{sensibilité} + \textit{spécificité} - 1 $$
L'intervalle de confiance bootstrap à 95 % est calculé à l'aide d'un bootstrap paramétrique. Comme seuls des effectifs agrégés sont disponibles (et non des dossiers individuels de patients), la sensibilité et la spécificité sont rééchantillonnées à partir de deux distributions binomiales indépendantes : l'une ajustée à la population malade (n = VP + FN, p = sensibilité) et l'autre à la population saine (n = VN + FP, p = spécificité). L'indice de Youden est recalculé pour chacun des 1000 tirages rééchantillonnés, et les bornes de l'intervalle de confiance sont les centiles 2,5 et 97,5 de cette distribution bootstrap.
- Rapport de vraisemblance positif : rapport entre la probabilité d'un résultat de test positif en cas de présence de la maladie et la probabilité d'un résultat de test positif en cas d'absence de la maladie, c'est-à-dire
$$ RV+ = \frac { taux\ de\ vrais\ positifs } { taux\ de\ faux\ positifs } = \frac { \textit{Sensibilité}} { 1 - \textit{Spécificité}} $$
- Rapport de vraisemblance négatif : rapport entre la probabilité d'un résultat de test négatif en cas de présence de la maladie et la probabilité d'un résultat de test négatif en cas d'absence de la maladie, c'est-à-dire
$$ RV- = \frac { taux\ de\ faux\ \textit{négatifs} } { taux\ de\ vrais\ \textit{négatifs} } = \frac { 1 - \textit{Sensibilité}} { \textit{Spécificité}} $$
- Valeur prédictive positive : probabilité que la maladie soit présente lorsque le test est positif.
$$ VPP = \frac {\textit{sensibilité} \times \textit{prévalence} } {\textit{sensibilité} \times \textit{prévalence} + (1-\textit{spécificité})\times (1-\textit{prévalence}) } $$
- Valeur prédictive négative : probabilité que la maladie ne soit pas présente lorsque le test est négatif.
$$ VPN = \frac {\textit{spécificité} \times (1-\textit{prévalence}) }{ (1-\textit{sensibilité}) \times \textit{prévalence} + \textit{spécificité} \times (1-\textit{prévalence}) } $$
- Exactitude : probabilité globale qu'un patient soit correctement classé.
$$ Exactitude = \textit{sensibilité} \times \textit{prévalence} + \textit{spécificité} \times (1-\textit{prévalence}) $$
$$ VPP = \frac {\textit{sensibilité} \times \textit{prévalence} } {\textit{sensibilité} \times \textit{prévalence} + (1-\textit{spécificité})\times (1-\textit{prévalence}) } $$
$$ VPN = \frac {\textit{spécificité} \times (1-\textit{prévalence}) }{ (1-\textit{sensibilité}) \times \textit{prévalence} + \textit{spécificité} \times (1-\textit{prévalence}) } $$
La sensibilité, la spécificité, la prévalence de la maladie, les valeurs prédictives positive et négative ainsi que l'exactitude sont exprimées en pourcentages.
Les intervalles de confiance de la sensibilité, de la spécificité et de l'exactitude sont des intervalles de confiance de Clopper-Pearson « exacts ».
Les intervalles de confiance des rapports de vraisemblance sont calculés à l'aide de la « méthode logarithmique » décrite à la page 109 de Altman et al. 2000.
Les intervalles de confiance des valeurs prédictives sont les intervalles de confiance logit standard décrits par Mercaldo et al. 2007 ; sauf lorsque la valeur prédictive est de 0 ou 100 %, auquel cas un intervalle de confiance de Clopper-Pearson est indiqué.
Dans un champ de saisie Commentaire facultatif, vous pouvez saisir un commentaire ou une conclusion qui sera inclus dans le rapport imprimé.
Littérature
- Altman DG, Machin D, Bryant TN, Gardner MJ (Eds) (2000) Statistics with confidence, 2nd ed. BMJ Books.
- Gardner IA, Greiner M (2006) Receiver-operating characteristic curves and likelihood ratios: improvements over traditional methods for the evaluation and application of veterinary clinical pathology tests. Veterinary Clinical Pathology 35:8-17.
- Griner PF, Mayewski RJ, Mushlin AI, Greenland P (1981) Selection and interpretation of diagnostic tests and procedures. Annals of Internal Medicine 94:555-600.
- Hanley JA, McNeil BJ (1982) The meaning and use of the area under a receiver operating characteristic (ROC) curve. Radiology 143:29-36.
- Mercaldo ND, Lau KF, Zhou XH (2007) Confidence intervals for predictive values with an emphasis to case-control studies. Statistics in Medicine 26:2170-2183.
- Metz CE (1978) Basic principles of ROC analysis. Seminars in Nuclear Medicine 8:283-298.
- Youden WJ (1950) Index for rating diagnostic tests. Cancer 3:32-35.
- Zhou XH, Obuchowski NA, McClish DK (2002) Statistical methods in diagnostic medicine. New York: Wiley.
- Zweig MH, Campbell G (1993) Receiver-operating characteristic (ROC) plots: a fundamental evaluation tool in clinical medicine. Clinical Chemistry 39:561-577.