Teste diagnóstico
| Comando: | Testes Teste de diagnóstico |
|---|
Permite calcular as características de um teste, como sensibilidade, especificidade, razões de verossimilhança positiva e negativa, prevalência da doença e valores preditivos positivo e negativo, a partir de dados inseridos em uma tabela 2x2.
Dados necessários
Insira o número de casos do grupo doente com resultado positivo e negativo no teste (coluna da esquerda) e o número de casos do grupo não doente com resultado positivo e negativo no teste (coluna da direita).
Observação: você pode alterar a ordem das colunas e das linhas clicando no botão 
.
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.
Resultados
As seguintes estatísticas são apresentadas com os respectivos intervalos de confiança de 95%:
- 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.
Em um campo de entrada Comentário opcional, você pode inserir um comentário ou uma conclusão que será incluída no relatório impresso.
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, 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.