Tanısal test (2x2 tablo)

Komut:

İstatistik

ROC eğrileri

Bu yordam, ikili veri içeren 2 değişkenden 2x2 bir tablo oluşturur: test değişkeni (test özelliklerini elde etmek istediğiniz değişken) ve sınıflandırma değişkeni (altın standart).

Bu 2x2 tablodan duyarlılık, özgüllük, pozitif ve negatif olabilirlik oranı, hastalık prevalansı ile pozitif ve negatif öngörü değeri gibi test özellikleri hesaplanır.

Verileriniz zaten 2x2 bir tabloda özetlenmişse Testler menüsündeki Tanısal test komutunu kullanabilirsiniz.

Gerekli girdi

Tanısal test (2x2 tablo) – iletişim kutusu

Değişken: ilgilendiğiniz değişkeni seçin. Bu değişken, test özelliklerini elde etmek istediğiniz tanısal testin sonuçlarını içerir. 2x2 bir tablo elde etmek için bu değişken, negatif test sonuçları için 0 ve pozitif test sonuçları için 1 olarak kodlanmış ikili bir değişken olmalıdır.
Verileriniz farklı (ancak yine ikili) kodlanmışsa Durum tanımla aracını kullanarak yeniden kodlayabilirsiniz.
Sınıflandırma değişkeni: tanıyı gösteren ikili bir değişken seçin veya girin (0=negatif, 1=pozitif).
Verileriniz farklı kodlanmışsa Durum tanımla aracını kullanarak yeniden kodlayabilirsiniz.
Filtre: (isteğe bağlı) yalnızca seçilen bir vaka alt grubunu dahil etmek için bir filtre (örneğin AGE>21, SEX="Male").
İsteğe bağlı olarak hastalık prevalansını girin: pozitif (hastalık var) ve negatif (hastalık yok) gruplardaki örneklem büyüklükleri gerçek prevalansı yansıtmıyorsa prevalansı ilgili giriş alanına girebilirsiniz. Bu, pozitif ve negatif öngörü değerini ve doğruluğu etkiler.

Değişkeniniz sürekliyse gereken 0 ve 1 kodlamasını mantıksal bir ifadeyle elde edebilirsiniz. Örneğin PSA ölçümlerini içeren bir değişkeniniz varsa değişken olarak PSA>4 mantıksal ifadesini kullanabilirsiniz. Bu ifade, PSA > 4 olan vakalar için 1 (TRUE), PSA ≤ 4 olan vakalar için 0 (FALSE) değerini verir.

Mantıksal ifade kullanımı

Aynı sonucu veren IF(PSA>4,1,0) mantıksal fonksiyonunu da kullanabilirsiniz.

Sonuçlar

Aşağıdaki istatistikler %95 güven aralıklarıyla birlikte verilir.

Tanısal test (2x2 tablo)

Değişken	Test_result
Sınıflandırma değişkeni	Diagnosis_gold_standard

	Hastalık Var ^a	Hastalık Yok ^c	Toplam
Test Pozitif ^b	6	7	13
Test Negatif ^d	5	263	268
Toplam	11	270	281

^a Diagnosis_gold_standard = 1
^c Diagnosis_gold_standard = 0

^b Test_result = 1
^d Test_result = 0

Duyarlılık	54.545%	23.379% - 83.251%
Özgüllük	97.407%	94.731% - 98.951%
AUC	0.760	0.705 - 0.809
Youden indeksi J	0.520	0.236 - 0.796
Pozitif olabilirlik oranı	21.039	8.480 - 52.196
Negatif olabilirlik oranı	0.467	0.244 - 0.892
Hastalık prevalansı	4.000%
Pozitif öngörü değeri	46.713%	26.109% - 68.502%
Negatif öngörü değeri	98.093%	96.417% - 98.993%
Doğruluk	95.693%	92.614% - 97.748%

Duyarlılık: hastalık mevcut olduğunda test sonucunun pozitif olma olasılığı (gerçek pozitif oranı).
Özgüllük: hastalık mevcut olmadığında test sonucunun negatif olma olasılığı (gerçek negatif oranı).
AUC: ROC eğrisi altındaki alan.
Youden indeksi: 2x2 bir tablo için Youden indeksi J (Youden, 1950) şöyle tanımlanır:
$$ J = \text{duyarlılık} + \text{özgüllük} - 1 $$

%95 bootstrap güven aralığı parametrik bootstrap yöntemiyle hesaplanır. Yalnızca toplam sayılar (bireysel hasta verileri değil) mevcut olduğundan duyarlılık ve özgüllük iki bağımsız binom dağılımından yeniden örneklenir: biri hasta popülasyonuna (n = TP + FN, p = duyarlılık), diğeri sağlıklı popülasyona (n = TN + FP, p = özgüllük) uydurulur. Youden indeksi yeniden örneklenen 1000 kümenin her biri için yeniden hesaplanır ve güven aralığının sınırları bu bootstrap dağılımının 2,5. ve 97,5. persentilleridir.
Pozitif olabilirlik oranı: hastalık varken pozitif test sonucu olasılığının, hastalık yokken pozitif test sonucu olasılığına oranı, yani
$$ +LR = \frac { \text{Gerçek pozitif oranı} } { \text{Yanlış pozitif oranı} } = \frac { \text{Duyarlılık}} { 1 - \text{Özgüllük}} $$
Negatif olabilirlik oranı: hastalık varken negatif test sonucu olasılığının, hastalık yokken negatif test sonucu olasılığına oranı, yani
$$ -LR = \frac { \text{Yanlış negatif oranı} } { \text{Gerçek negatif oranı} } = \frac { 1 - \text{Duyarlılık}} { \text{Özgüllük}} $$
Pozitif öngörü değeri: test pozitif olduğunda hastalığın mevcut olma olasılığı.
$$ PPV = \frac {\text{duyarlılık} \times \text{prevalans} } {\text{duyarlılık} \times \text{prevalans} + (1-\text{özgüllük})\times (1-\text{prevalans}) } $$
Negatif öngörü değeri: test negatif olduğunda hastalığın mevcut olmama olasılığı.
$$ NPV = \frac {\text{özgüllük} \times (1-\text{prevalans}) }{ (1-\text{duyarlılık}) \times \text{prevalans} + \text{özgüllük} \times (1-\text{prevalans}) } $$
Doğruluk: bir hastanın doğru sınıflandırılmasının genel olasılığı.
$$ \text{Doğruluk} = \text{duyarlılık} \times \text{prevalans} + \text{özgüllük} \times (1-\text{prevalans}) $$

Duyarlılık, özgüllük, hastalık prevalansı, pozitif ve negatif öngörü değeri ile doğruluk yüzde olarak ifade edilir.

Duyarlılık, özgüllük ve doğruluk için güven aralıkları Clopper-Pearson “kesin” güven aralıklarıdır.

Olabilirlik oranlarının güven aralıkları, Altman ve ark. 2000'in 109. sayfasında açıklanan “log yöntemi” kullanılarak hesaplanır.

Öngörü değerlerinin güven aralıkları, Mercaldo ve ark. 2007 tarafından verilen standart logit güven aralıklarıdır; ancak öngörü değeri 0 veya %100 olduğunda Clopper-Pearson güven aralığı verilir.

Kaynakça

Altman DG, Machin D, Bryant TN, Gardner MJ (Eds) (2000) Statistics with confidence, 2^nd 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.

Ayrıca bakınız

Tanısal test (kullanıcı tarafından girilen 2x2 bir tablodan test özelliklerini hesaplar)
MedCalc'ta ROC eğrisi analizi
Fagan nomogramı — test öncesi olasılığı ve olabilirlik oranını test sonrası olasılığa dönüştürmek için grafiksel bir araç