Pozitív szűrőeredmény: miért számít, hány embert érint valójában a betegség?

A cikk tanulási célja

Egy teszt leírásában szereplő magas százalék könnyen félreérthető, ha nem tudjuk, melyik csoportra vonatkozik. A 90 százalékos érzékenységből például nem következik, hogy egy pozitív eredmény 90 százalékos valószínűséggel jelent betegséget. A különbség megértéséhez először a nevezőt kell azonosítani: kikből számoljuk az arányt?

Három mutató, három külön kérdés

Az érzékenység azt fejezi ki, hogy a betegséggel rendelkezők közül hányan kapnak pozitív eredményt. A fajlagosság azt mutatja, hogy a betegséggel nem rendelkezők közül hányan kapnak negatív eredményt. A pozitív prediktív érték a pozitív eredményűek között méri a valóban érintettek arányát.

A három meghatározásban tehát eltér a kiinduló csoport. Ha egy vizsgafeladatban elakadsz, elsőként azt a részt húzd alá, amely megmondja, kik között számolsz. Ezután a százalékos művelet már általában egyszerű.

Forrás: 1. CDC Stacks

Saját számpélda: ezer ember

Az alábbi adatok kizárólag szemléltető feltevések, egyetlen valódi teszt teljesítményét sem írják le. Vizsgáljunk ezer embert, akik közül ötven rendelkezik a keresett állapottal, kilencszázötven pedig nem. A teszt érzékenysége legyen 90%, fajlagossága 90%.

Az ötven érintettből negyvenöt kap pozitív eredményt, öt negatívat. A kilencszázötven nem érintettből nyolcszázötvenöt kap negatív eredményt, kilencvenöt pozitívat. Az eredmények négy csoportja így néz ki:

A számpélda összesítése: 140 pozitív eredményből 45 valódi pozitív és 95 álpozitív. A 860 negatív eredményből 5 álnegatív és 855 valódi negatív. Az összes vizsgált ember száma 1000.

A pozitív eredmények száma száznegyven, és ezek között negyvenöt a valóban érintett. A pozitív prediktív érték ezért 45 / 140, megközelítőleg 32,1%. A 90%-os érzékenység és a 90%-os fajlagosság mellett ebben a példában egészen más a pozitív eredmény értelmezéséhez szükséges arány.

Mi történik, ha gyakoribb az állapot?

Maradjon ezer vizsgált ember és ugyanaz a két tesztjellemző, de most ötszáz ember rendelkezzen az állapottal. Közülük négyszázötven lesz pozitív. Az ötszáz nem érintettből ötven kap álpozitív eredményt. Összesen ötszáz pozitív eredményből négyszázötven valódi: a pozitív prediktív érték 90%.

A két saját modell közötti különbséget a vizsgált csoport összetétele adja. A valóságban az érzékenység és a fajlagosság is változhat a vizsgálati körülményekkel és a csoport jellemzőivel; a példában ezeket szándékosan állandónak vettük. A betegség előfordulási gyakoriságának prediktív értékre gyakorolt hatása a diagnosztikai értékelés alapvető összefüggése.

Forrás: 1. CDC Stacks

Mire szolgál a szűrés?

A szűrővizsgálat tünetek megjelenése előtt kereshet betegséget vagy arra utaló eltérést. Pozitív eredmény után további vizsgálat válhat szükségessé. A szűrés értékelésében az előnyök mellett az álpozitív és álnegatív eredmények, valamint a túldiagnosztizálás lehetőségét is figyelembe kell venni.

Az álpozitív eredményt és a túldiagnosztizálást különítsd el. Az előbbinél a teszt jelez pozitivitást a keresett állapot nélkül. Az utóbbi olyan tényleges eltérés felismerése lehet, amely az adott ember életében nem okozott volna panaszt vagy problémát.

Forrás: 2. National Cancer Institute

Így ellenőrizd a számolásodat

Először töltsd ki a valóban érintett és a nem érintett csoportot. Utána bontsd mindkettőt pozitív és negatív eredményre. Csak ezután add össze az eredmény szerinti sorokat. Ellenőrizd, hogy a négy belső szám összege kiadja-e az összes vizsgált embert.

Egy konkrét leletre a fenti kitalált százalékok nem alkalmazhatók. A gyakorlat célja a nevezők és a következtetések pontos megértése; egyéni eredmény értelmezéséhez a tényleges teszt és a vizsgálati helyzet adatai szükségesek.