Citlivost:

Co máme na mysli pod pojmem diagnostická citlivost?

V klinické diagnostice se nevyhnutelně objeví otázky týkající se citlivosti testu. Co však přesně znamená pojem „citlivost“? Nejnižší množství daného analytu, které může test detekovat, se často nazývá citlivost – a aby bylo jasno, tato veličina je analytická citlivost nebo mez detekce (LoD). Termín analytická je pro tuto definici klíčový, takže když už jsme u toho, dejme jej do kontrastu s termínem diagnostická. Diagnostická citlivost souvisí se schopností vlastního testu správně identifikovat populaci jedinců s daným onemocněním, a i když je to jistě funkce analytické citlivosti, vysoká analytická citlivost (což znamená, že můžete detekovat velmi nepatrné množství vašeho analytu) nemusí nutně zaručovat užitečnou diagnostickou citlivost.

Jak si dokážete představit, obě měření jsou velmi odlišná – první vám říká o výkonu vašeho testu ve zkumavce a druhé vám říká, jak si váš test vede na dané populaci. Z tohoto důvodu je při popisu vašeho testu důležité připojit k termínu citlivost termíny analytický nebo diagnostický.

Jak vypočítat diagnostickou citlivost?

Jiný způsob, jak uvažovat o diagnostické citlivosti, je zvážit, jak dobře dokáže test odhalit skutečné pozitivní výsledky. Pokud však máte co do činění s neznámými vzorky, jak poznáte, co je pravý výsledek? To je tak trochu otázka slepice a vejce, ale uvažujme takto:

Řekněme, že máte test, který dokáže určit, zda má pacient na každé ruce pět nebo šest prstů. Můžete odebrat vzorek, zaslepit ho vůči experimentátorovi a získat výsledek. Dále nechte téhož pacienta vyšetřit klinickým lékařem, který by jednoduše spočítal počet prstů na každé ruce. Poté porovnejte poznámky – u kolika vzorků se váš test a pozorování klinického lékaře shodují? Pozorování klinického lékaře by v tomto případě bylo považováno za zlatý standard, protože objektivnějšího výsledku než spočítání prstů dosáhnout nelze! Pokud by bylo cílem odhalit jedince se šesti prsty (tj. šest je pozitivní výsledek), výsledek testu shodující se s počtem šesti by byl skutečně pozitivní, zatímco výsledek testu pět u pacienta s pěti prsty by byl skutečně negativní. Stejně tak by výsledek testu šest pro jedince s pěti prsty byl falešně pozitivní a výsledek testu pět pro pacienta se šesti prsty by byl falešně negativní. Pokud bychom vzali níže uvedený imaginární soubor dat, mohli bychom diagnostickou citlivost vypočítat tak, že bychom vypočítali procento zjištěných pravdivě pozitivních výsledků z celkového počtu skutečných pozitivních výsledků ve vzorcích (pravdivě pozitivní výsledky plus falešně negativní výsledky).

)

). Prsty)

.

Pacient Č. prstu	Pozorovaný Č. prstu	Výsledek testu (Č. prstu	Pacient Č. prstu	Výsledek testu (Č. prstu	Pravda Pozitivní	Nepravda Pozitivní	Pravda Negativní	Nepravda Negativní
1	6	6	X
2	6	6	X
3	5	6				X
4	6	5		X
5	5	5			X
6	6	6	X
7	6	6	X
8	5	5			X
9	5	5			X
10	5	5			X
		Totals	4	1	4	1

Výše uvedené údaje lze tabelárně zpracovat do níže uvedené tabulky pravdivosti a použít k výpočtu diagnostické citlivosti pomocí následující rovnice. Zde počítáme procento jedinců, kteří mají dané onemocnění a mají pozitivní výsledek testu na toto onemocnění.

.

		Pravdivý stav
		Pozitivní	Negativní
Stav předpovězený testem	Pozitivní	TP	FP
	Negativní	FN	TN

		Pravdivý stav
		Pozitivní	Negativní
Podmín. předpovězeno testem	Pozitivní	4	1
	Negativní	1	4



Citlivost = \frac{\mathrm{TP} }{\mathrm{TP+FN}} = \frac{\mathrm{4} }{\mathrm{4+1} } = 4/5 = 80\%


Není to špatné, že? Podíváme se na reálný příklad? Představte si, že vyvíjíte test qPCR, který detekuje bakteriální patogen. Výsledky získané pomocí vašeho testu qPCR by poskytly údaje pro předpokládaný stav a ty by se porovnaly s výsledky získanými z klasické kultury. Proč? V tomto příkladu je získání organismu kultivací z nemocného pacienta jedním z Kochových postulátů, a proto by byla bakteriální kultivace považována za zlatý standard. Pokud bychom měli tento vymyšlený soubor údajů:

.

		Pravdivý stav
		Pozitivní	Negativní
Stav předpovězený testem (i.e. qPCR pozitivní)	Pozitivní	238 (TP)	21 (FP)
	Negativní	2 (FN)	103 (TN)

Tuto diagnostickou citlivost bychom vypočítali takto:


\frac{\mathrm{238} }{\mathrm{238+2}} = 238/240 = 0,992 × 100 = 99,2\%



To znamená, že pokud bychom použili tuto qPCR k testování pacientů na tento bakteriální patogen, měli bychom pravdivé pozitivní výsledky v 99 % případů. Ale co falešně pozitivní výsledky? Pomocí tohoto testu byste je skutečně detekovali také, protože qPCR detekuje DNA životaschopných i neživotaschopných organismů, zatímco kultivace by detekovala pouze životaschopné organismy. Nemluvě o tom, že qPCR má pravděpodobně mnohem lepší analytickou citlivost než většina metodik založených na kultivaci. Srovnání těchto dvou metod a přiřazení kultivace jako zlatého standardu by definovalo kultivačně negativní/qPCR pozitivní vzorky jako falešně pozitivní. Podle tohoto scénáře byste pravděpodobně chtěli provést konfirmační test, jen abyste se ujistili, že pacient s pozitivním výsledkem qPCR byl skutečně infikován životaschopným patogenem způsobujícím onemocnění.

A co diagnostická specifičnost?

Přestože vás počet falešně pozitivních výsledků ve výše uvedeném příkladu může znepokojovat, skutečné posouzení výkonnosti závisí na tom, jak se váš test používá. Pokud je vaším cílem vyloučit zdravé pacienty, abyste se vyhnuli konfirmačnímu testování, pak bude klíčová vysoká diagnostická specificita. Počkat, právě jsem zavedl další termín – diagnostická specifita! Jedná se o související měření toho, s jakou pravděpodobností váš test správně identifikuje jedince bez onemocnění. Představte si správnou identifikaci pacientů s pěti prsty nebo detekci těch pacientů, kteří nejsou infikováni bakteriálním patogenem. Zde počítáme procento jedinců bez onemocnění a správně negativních testů na dané onemocnění. Tento výpočet je následující:


Diagnostika\; specificita = \frac{\mathrm{TN}. }{\mathrm{TN+FP}} = \frac{\mathrm{103} }{\mathrm{103+21}} = 103/124 = 0,831 × 100 = 83,1\%


To znamená, že bychom správně identifikovali zdravé pacienty v 83% případů. Vzhledem k tomu, že test qPCR je mnohem rychlejší než čekání na růst bakterií, bylo by provedení qPCR přínosem a mohli byste si být jisti negativními výsledky qPCR vzhledem k tomu, že v tomto vymyšleném souboru dat jsme měli málo falešně negativních výsledků. Případní pozitivní pacienti by samozřejmě měli být znovu testováni pomocí kultivace, ale pacientů k testování by bylo méně. Tyto výpočty používáte také k porovnání nového testu qPCR s aktuálně používaným testem nebo qPCR s testem ELISA. A pokud vás matematika nebaví, existuje celá řada bezplatných on-line kalkulaček, jako je tato od společnosti medcalc, které tyto výpočty provedou za vás!“

.