Teste diagnóstico (tabela 2x2)
| Comando: | Estatísticas Curvas ROCTeste diagnóstico (tabela 2x2) |
|---|
Este procedimento cria uma tabela 2x2 a partir de 2 variáveis com dados dicotômicos: uma variável de teste (a variável cujas características de teste você deseja obter) e uma variável de classificação (um padrão-ouro).
Com base nessa tabela 2x2, são calculadas características do teste como sensibilidade, especificidade, razões de verossimilhança positiva e negativa, prevalência da doença e valores preditivos positivo e negativo.
Dados necessários
- Variável: selecione a variável de interesse. Essa variável contém os resultados do teste diagnóstico cujas características de teste você deseja obter. Para obter a tabela 2x2, essa variável deve ser uma variável dicotômica codificada com 0 para resultados de teste negativos e 1 para resultados de teste positivos.Se os seus dados estiverem codificados de outra forma (mas continuarem dicotômicos), você pode usar a ferramenta Definir estado para recodificá-los.
- Variável de classificação: selecione ou insira uma variável dicotômica que indique o diagnóstico (0=negativo, 1=positivo).Se os seus dados estiverem codificados de outra forma, você pode usar a ferramenta Definir estado para recodificá-los.
- Filtro: (opcionalmente) um filtro para incluir apenas um subgrupo selecionado de casos (por exemplo, AGE>21, SEX="Male").
- Opcionalmente, insira a prevalência da doença: se os tamanhos das amostras dos grupos positivo (doença presente) e negativo (doença ausente) não refletirem a prevalência real da doença, você pode inserir a prevalência da doença no campo de entrada correspondente. Isso afeta os valores preditivos positivo e negativo e a acurácia.
PSA>4 como variável. Essa expressão dá o valor 1 (VERDADEIRO) para os casos com PSA > 4 e 0 (FALSO) para os casos com PSA ≤ 4.
Você também pode usar a função lógica IF(PSA>4,1,0), que dá o mesmo resultado.
Resultados
As seguintes estatísticas são apresentadas com os respectivos intervalos de confiança de 95%.
Variável | Test_result |
|---|---|
Variável de classificação | Diagnosis_gold_standard |
| Doença Presente a | Doença Ausente c | Total |
|---|---|---|---|
Teste Positivo b | 6 | 7 | 13 |
Teste Negativo d | 5 | 263 | 268 |
Total | 11 | 270 | 281 |
a Diagnosis_gold_standard = 1
c Diagnosis_gold_standard = 0
b Test_result = 1
d Test_result = 0
Sensibilidade | 54.545% | 23.379% a 83.251% |
|---|---|---|
Especificidade | 97.407% | 94.731% a 98.951% |
AUC | 0.760 | 0.705 a 0.809 |
Índice J de Youden | 0.520 | 0.239 a 0.800 |
Razão de verossimilhança positiva | 21.039 | 8.480 a 52.196 |
Razão de verossimilhança negativa | 0.467 | 0.244 a 0.892 |
Prevalência da doença | 4.000% |
|
Valor Preditivo Positivo | 46.713% | 26.109% a 68.502% |
Valor Preditivo Negativo | 98.093% | 96.417% a 98.993% |
Acurácia | 95.693% | 92.614% a 97.748% |
  |
- Sensibilidade: probabilidade de o resultado do teste ser positivo quando a doença está presente (taxa de verdadeiro-positivos).
- Especificidade: probabilidade de o resultado do teste ser negativo quando a doença não está presente (taxa de verdadeiro-negativos).
- AUC: área sob a curva ROC.
- Índice de Youden: para uma tabela 2x2, o índice de Youden J (Youden, 1950) é definido como:
$$ J = sensibilidade + especificidade - 1 $$
O intervalo de confiança de 95% por bootstrap é calculado com um bootstrap paramétrico. Como estão disponíveis apenas contagens agregadas (e não registros individuais de pacientes), a sensibilidade e a especificidade são reamostradas de duas distribuições binomiais independentes: uma ajustada à população doente (n = VP + FN, p = sensibilidade) e outra à população saudável (n = VN + FP, p = especificidade). O índice de Youden é recalculado para cada uma de 1000 reamostragens, e os limites do intervalo de confiança são os percentis 2,5 e 97,5 dessa distribuição bootstrap.
- Razão de verossimilhança positiva: razão entre a probabilidade de um resultado de teste positivo dada a presença da doença e a probabilidade de um resultado de teste positivo dada a ausência da doença, ou seja,
$$ +LR = \frac { Taxa\ de\ verdadeiro\ positivo } { Taxa\ de\ falso\ positivo } = \frac { Sensibilidade} { 1 - Especificidade} $$
- Razão de verossimilhança negativa: razão entre a probabilidade de um resultado de teste negativo dada a presença da doença e a probabilidade de um resultado de teste negativo dada a ausência da doença, ou seja,
$$ -LR = \frac { Taxa\ de\ falso\ negativo } { Taxa\ de\ verdadeiro\ negativo } = \frac { 1 - Sensibilidade} { Especificidade} $$
- Valor preditivo positivo: probabilidade de a doença estar presente quando o teste é positivo.
$$ VPP = \frac {sensibilidade \times \textit{prevalência} } {sensibilidade \times \textit{prevalência} + (1-especificidade)\times (1-\textit{prevalência}) } $$
- Valor preditivo negativo: probabilidade de a doença não estar presente quando o teste é negativo.
$$ VPN = \frac {especificidade \times (1-\textit{prevalência}) }{ (1-sensibilidade) \times \textit{prevalência} + especificidade \times (1-\textit{prevalência}) } $$
- Acurácia: probabilidade global de um paciente ser classificado corretamente.
$$ \textit{Acurácia} = sensibilidade \times \textit{prevalência} + especificidade \times (1-\textit{prevalência}) $$
$$ VPP = \frac {sensibilidade \times \textit{prevalência} } {sensibilidade \times \textit{prevalência} + (1-especificidade)\times (1-\textit{prevalência}) } $$
$$ VPN = \frac {especificidade \times (1-\textit{prevalência}) }{ (1-sensibilidade) \times \textit{prevalência} + especificidade \times (1-\textit{prevalência}) } $$
A sensibilidade, a especificidade, a prevalência da doença, os valores preditivos positivo e negativo e a acurácia são expressos em porcentagem.
Os intervalos de confiança da sensibilidade, da especificidade e da acurácia são intervalos de confiança “exatos” de Clopper-Pearson.
Os intervalos de confiança das razões de verossimilhança são calculados com o “método log”, descrito na página 109 de Altman et al. 2000.
Os intervalos de confiança dos valores preditivos são os intervalos de confiança logit padrão descritos por Mercaldo et al. 2007; exceto quando o valor preditivo é 0 ou 100%, caso em que é apresentado um intervalo de confiança de Clopper-Pearson.
Literatura
- 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, NA Obuchowski, DK McClish (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.