Test diagnostico (tabella 2x2)
| Comando: | Statistiche Curve ROCTest diagnostico (tabella 2x2) |
|---|
Questa procedura crea una tabella 2x2 da 2 variabili con dati dicotomici: una variabile del test (la variabile di cui vuoi ottenere le caratteristiche del test) e una variabile di classificazione (un gold standard).
Su questa tabella 2x2 vengono calcolate le caratteristiche del test, come sensibilità, specificità, rapporto di verosimiglianza positivo e negativo, prevalenza della malattia e valore predittivo positivo e negativo.
Input richiesto
- Variabile: seleziona la variabile di interesse. Questa variabile contiene i risultati del test diagnostico di cui vuoi ottenere le caratteristiche. Per ottenere la tabella 2x2, questa variabile deve essere una variabile dicotomica codificata 0 per i risultati negativi del test e 1 per i risultati positivi.Se i tuoi dati sono codificati in modo diverso (ma sempre dicotomico), puoi usare lo strumento Definisci stato per ricodificarli.
- Variabile di classificazione: seleziona o inserisci una variabile dicotomica che indica la diagnosi (0=negativo, 1=positivo).Se i tuoi dati sono codificati in modo diverso, puoi usare lo strumento Definisci stato per ricodificarli.
- Filtro: (facoltativo) un filtro per includere solo un sottogruppo selezionato di casi (ad es. AGE>21, SEX="Male").
- Facoltativamente inserisci la prevalenza della malattia: se le dimensioni dei campioni nel gruppo positivo (malattia presente) e nel gruppo negativo (malattia assente) non riflettono la prevalenza reale della malattia, puoi inserire la prevalenza della malattia nella casella di input corrispondente. Questo influisce sui valori predittivi positivo e negativo e sull'accuratezza.
PSA>4. Questa espressione restituisce il valore 1 (TRUE) per i casi con PSA > 4 e 0 (FALSE) per i casi con PSA ≤ 4.
Puoi anche usare la funzione logica IF(PSA>4,1,0), che dà lo stesso risultato.
Risultati
Le seguenti statistiche sono riportate con i relativi intervalli di confidenza al 95%.
Variabile | Test_result |
|---|---|
Variabile di classificazione | Diagnosis_gold_standard |
| Malattia Presente a | Malattia Assente c | Totale |
|---|---|---|---|
Test positivo b | 6 | 7 | 13 |
Test negativo d | 5 | 263 | 268 |
Totale | 11 | 270 | 281 |
a Diagnosis_gold_standard = 1
c Diagnosis_gold_standard = 0
b Test_result = 1
d Test_result = 0
Sensibilità | 54.545% | 23.379% a 83.251% |
|---|---|---|
Specificità | 97.407% | 94.731% a 98.951% |
AUC | 0.760 | 0.705 a 0.809 |
Indice di Youden J | 0.520 | 0.239 a 0.796 |
Rapporto di verosimiglianza positivo | 21.039 | 8.480 a 52.196 |
Rapporto di verosimiglianza negativo | 0.467 | 0.244 a 0.892 |
Prevalenza malattia | 4.000% |
|
Valore predittivo positivo | 46.713% | 26.109% a 68.502% |
Valore predittivo negativo | 98.093% | 96.417% a 98.993% |
Accuratezza | 95.693% | 92.614% a 97.748% |
  |
- Sensibilità: probabilità che il risultato del test sia positivo quando la malattia è presente (tasso di veri positivi).
- Specificità: probabilità che il risultato del test sia negativo quando la malattia non è presente (tasso di veri negativi).
- AUC: area sotto la curva ROC.
- Indice di Youden: per una tabella 2x2, l'indice di Youden J (Youden, 1950) è definito come:
$$ J = sensibilità + specificità - 1 $$
L'intervallo di confidenza bootstrap al 95% è calcolato con un bootstrap parametrico. Poiché sono disponibili solo conteggi aggregati (e non i dati dei singoli pazienti), sensibilità e specificità vengono ricampionate da due distribuzioni binomiali indipendenti: una adattata alla popolazione dei malati (n = VP + FN, p = sensibilità) e una alla popolazione dei sani (n = VN + FP, p = specificità). L'indice di Youden viene ricalcolato per ciascuna delle 1000 estrazioni ricampionate e i limiti dell'intervallo di confidenza sono il 2,5° e il 97,5° percentile di questa distribuzione bootstrap.
- Rapporto di verosimiglianza positivo: rapporto tra la probabilità di un risultato positivo del test in presenza della malattia e la probabilità di un risultato positivo del test in assenza della malattia, cioè
$$ +LR = \frac { Tasso\ di\ veri\ positivi } { Tasso\ di\ falsi\ positivi } = \frac { Sensibilità} { 1 - Specificità} $$
- Rapporto di verosimiglianza negativo: rapporto tra la probabilità di un risultato negativo del test in presenza della malattia e la probabilità di un risultato negativo del test in assenza della malattia, cioè
$$ -LR = \frac { Tasso\ di\ falsi\ negativi } { Tasso\ di\ veri\ negativi } = \frac { 1 - Sensibilità} { Specificità} $$
- Valore predittivo positivo: probabilità che la malattia sia presente quando il test è positivo.
$$ VPP = \frac {sensibilità \times prevalenza } {sensibilità \times prevalenza + (1-specificità)\times (1-prevalenza) } $$
- Valore predittivo negativo: probabilità che la malattia non sia presente quando il test è negativo.
$$ VPN = \frac {specificità \times (1-prevalenza) }{ (1-sensibilità) \times prevalenza + specificità \times (1-prevalenza) } $$
- Accuratezza: probabilità complessiva che un paziente sia classificato correttamente.
$$ Accuratezza = sensibilità \times prevalenza + specificità \times (1-prevalenza) $$
$$ VPP = \frac {sensibilità \times prevalenza } {sensibilità \times prevalenza + (1-specificità)\times (1-prevalenza) } $$
$$ VPN = \frac {specificità \times (1-prevalenza) }{ (1-sensibilità) \times prevalenza + specificità \times (1-prevalenza) } $$
Sensibilità, specificità, prevalenza della malattia, valori predittivi positivo e negativo e accuratezza sono espressi in percentuale.
Gli intervalli di confidenza di sensibilità, specificità e accuratezza sono intervalli di confidenza "esatti" di Clopper-Pearson.
Gli intervalli di confidenza dei rapporti di verosimiglianza sono calcolati con il "metodo logaritmico" descritto a pagina 109 di Altman et al. 2000.
Gli intervalli di confidenza dei valori predittivi sono gli intervalli di confidenza logit standard descritti da Mercaldo et al. 2007, tranne quando il valore predittivo è 0 o 100%: in questo caso viene riportato un intervallo di confidenza di Clopper-Pearson.
Letteratura
- 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.