BATES
5

OCENA DANYCH KLINICZNYCH

Teraz możesz już samodzielnie dokonać obliczeń:

Czułość = ^a = obserwacje prawdziwie dodatnie (95) _{x 100 = 95}o_/o (a + c) łączna liczba osób z chorobą (95 + 5)

Swoistość = -A- = obserwacje prawdziwie ujemne (90) _{x 10Q = 9QO/o} (b -V- d) łączna \\czba osob bez choroby (90 H- 10)

Dodatnia wartość predykcyjna = —= obse^/acje prawdziwie dodatnie (95) _x , _{Q0 = 905}o_/o (a + b) łączna liczba dodatnich obserwacji (95 + 10)

Ujemna wartość predykcyjna =

obserwacje prawdziwie ujemne (90)

(c + d) łączna liczba ujemnych obserwacji (90 + 5)

X 100 = 94,7%

Teraz wróć do tabeli na poprzedniej stronie. Pionowe czerwone słupki oznaczają czułość [a/(a + c)] i swoistość [d/(b + d)], a poziome czerwone słupki dodatnią [a/(a + b)] i ujemną [d/(c + d)] wartość predykcyjną. Przedstawione dane wskazują, że charakterystyka tego hipotetycznego testu jest doskonała. Zarówno czułość, jak \ swoistość przekraczają 90%, podobnie jak dodatnia i ujemna wartość predykcyjna. Taki test byłby przydatny klinicznie do oceny występowania danej choroby lub stanu u twojego pacjenta.

Zauważ, że wartość predykcyjna testu lub obserwacji bardzo zależy od częstości występowania danego stanu w badanej populacji. Częstość występowania to odsetek osób w określonej populacji, u których w danym momencie występuje analizowany stan. Jeżeli częstość występowania danego stanu jest mała, dodatnia wartość predykcyjna testu ulega zmniejszeniu. Jeżeli częstość występowania jest duża, to czułość, swoistość i dodatnia wartość predykcyjna są duże, natomiast ujemna wartość predykcyjna zbliża się do zera. Aby dokładniej zapoznać się z tymi zależnościami, przeanalizuj poniższe rozważania dotyczące częstości występowania oraz wartości predykcyjnej, a także przećwicz dokonywanie opisanych obliczeń.

CZĘSTOŚĆ WYSTĘPOWANIA A WARTOŚĆ PREDYKCYJNA

Następujące dwa przykłady dokładniej ilustrują powyższe zasady i ukazują, w jaki sposób wartość predykcyjna zmniejsza się w zależności od częstości występowania

danej choroby lub stanu. Rozważ najpierw (Przykład 1.) hipotetyczną populację A liczącą 1000 osób. Częstość występowania choroby X w tej populacji jest duża i wynosi 40%. Możesz więc łatwo obliczyć, że choroba X występuje u 400 z tych osób. Postanawiasz wykryć te przypadki, posługując się obserwacją lub testem o czułości 90% i swoistości 80%. Spośród 400 osób z chorobą X obserwacja ujawnia 0,90 x 400, czyli 360 osób (wyniki prawdziwie dodatnie), natomiast nie pozwala na wykrycie pozostałych 40 osób (400 - 360; wyniki fałszywie ujemne). Wśród 600 osób bez choroby X ujemny wynik obserwacji lub testu uzyskuje się u 0,80 x 600, czyli 480 osób. U tych osób, zgodnie z wynikiem obserwacji, choroba X rzeczywiście nie występuje (wyniki prawdziwie ujemne). Obserwacja jest jednak myląca u pozostałych 120 osób (600 - 480), u których wskazuje na obecność choroby X,

{ciąg dalszy na następnej stronie)