At blive følsom:

Hvad mener vi med diagnostisk følsomhed?

I klinisk diagnostik vil der uundgåeligt dukke spørgsmål op om følsomheden af en test. Men hvad betyder “følsomhed” helt præcist? Den laveste mængde af en given analysand, som et assay kan påvise, kaldes ofte følsomhed – og for at være helt klar, er denne mængde den analytiske følsomhed eller detektionsgrænsen (LoD). Udtrykket analytisk er nøglen til denne definition, så lad os nu vi er i gang, sætte det i kontrast til udtrykket diagnostisk. Diagnostisk følsomhed er relateret til ens assays evne til korrekt at identificere populationer af individer med sygdommen, og selv om dette bestemt er en funktion af den analytiske følsomhed, garanterer en høj analytisk følsomhed (hvilket betyder, at du kan påvise meget små mængder af din analysand) ikke nødvendigvis en brugbar diagnostisk følsomhed.

Som du kan forestille dig, er de to målinger meget forskellige – førstnævnte fortæller dig om dit assays ydeevne i røret og sidstnævnte fortæller dig om, hvordan dit assay klarer sig på en given population. Derfor er det vigtigt at knytte udtrykkene analytisk eller diagnostisk til udtrykket følsomhed, når du beskriver dit assay.

Hvordan beregner du diagnostisk følsomhed?

En anden måde at tænke på diagnostisk følsomhed på er at overveje, hvor godt assayet kan påvise ægte positive resultater. Men hvis man har med ukendte prøver at gøre, hvordan ved man så, hvad der er et sandt resultat? Det er en slags spørgsmål om hønen og ægget, men lad os overveje dette.

Sæt, at du har et assay, der kan afgøre, om en patient har fem eller seks fingre på hver hånd. Du kan indsamle en prøve, blinde dem for eksperimentatoren og opnå et resultat. Derefter kan man lade den samme patient blive undersøgt af en kliniker, som blot vil tælle antallet af fingre på hver hånd. Sammenlign derefter noter – for hvor mange prøver stemte dit forsøg og klinikerens observationer overens? Klinikerens observationer vil i dette tilfælde blive betragtet som den gyldne standard, da man ikke kan blive mere objektiv end at tælle fingre! Hvis målet var at påvise personer med seks fingre (dvs. seks er et positivt resultat), ville et analyseresultat, der matcher en optælling på seks, være et ægte positivt resultat, mens et analyseresultat på fem for en patient med fem fingre ville være et ægte negativt resultat. På samme måde ville et analyseresultat på seks for en person med fem fingre være et falsk positivt resultat, og et analyseresultat på fem for en patient med seks fingre ville være et falsk negativt resultat. Hvis vi tog det imaginære datasæt nedenfor, kunne vi beregne den diagnostiske følsomhed ved at beregne procentdelen af de fundne ægte positive ud af de samlede faktiske positive prøver (ægte positive plus de falsk negative).

>

Patient Nr.	Observeret Nr.fingre	Assayresultat (Nr. Fingre)	Sandt Positivt	Falsk Positivt	Sandt Negativt	Falsk Negativt
1	6	6	X
2	6	6	X
3	5	6					X
4	6	5			X	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
			Totaler	4	1	4	1

Overstående data kan opstilles i nedenstående sandhedstabel og anvendes til at beregne den diagnostiske følsomhed ved hjælp af følgende ligning. Her beregner vi procentdelen af personer, der har tilstanden, og som har et testresultat, der er positivt for tilstanden.

			Sand tilstand
			Positiv	Negativ
Tilstand forudsagt ved analysen	Positiv	TP	FP
	Negativ	FN	TN

			Positiv	Negativ
Betingelse forudsagt ved assay	Positiv	4	1
	Negativ	1	4



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


Ikke så slemt, vel? Skal vi se på et eksempel fra den virkelige verden? Forestil dig, at du er ved at udvikle et qPCR-assay, der påviser et bakterielt patogen. Resultater opnået ved hjælp af dit qPCR-assay vil give data for den forudsagte tilstand, og disse vil blive sammenlignet med resultater opnået ved hjælp af klassisk dyrkning. Hvorfor? I dette eksempel er genfinding af organismen ved dyrkning fra den syge patient et af Kochs postulater, og derfor ville bakteriekultur blive betragtet som guldstandard. Hvis vi havde dette konstruerede datasæt:

			True Condition
		Positiv	Negativ
Betingelse forudsagt ved analyse (i.e. qPCR positiv)	Positiv	238 (TP)	21 (FP)
	Negativ	2 (FN)	103 (TN)

Vi vil beregne denne diagnostiske følsomhed som:


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



Det betyder, at hvis vi skulle anvende denne qPCR til at teste patienter for dette bakterielle patogen, ville vi få de rigtige positive resultater rigtigt i 99 % af tilfældene. Men hvad med de falske positive resultater? Dem ville man faktisk også opdage med denne test, fordi en qPCR påviser DNA fra både levedygtige og ikke-levedygtige organismer, mens en dyrkning kun ville påvise levedygtige organismer. For ikke at nævne, at qPCR sandsynligvis vil have en langt bedre analytisk følsomhed end de fleste kulturbaserede metoder. Hvis man sammenligner disse to metoder og tildeler kultur som guldstandard, vil kultur-negative/qPCR-positive prøver blive defineret som falsk positive prøver. Under dette scenarie ville du sandsynligvis ønske at udføre en konfirmationstest for at sikre dig, at en qPCR-positiv patient virkelig var inficeret med et levedygtigt patogen, der forårsager sygdom.

Hvad med diagnostisk specificitet?

Mens antallet af falske positive i ovenstående eksempel kan bekymre dig, afhænger den virkelige bedømmelse af præstationen af, hvordan dit assay anvendes. Hvis dit mål er at udelukke raske patienter for at undgå bekræftende testning, vil en høj diagnostisk specificitet være afgørende. Åh vent, jeg har lige introduceret et nyt begreb – diagnostisk specificitet! Dette er en relateret måling af, hvor sandsynligt det er, at din test korrekt identificerer de personer, der ikke har sygdommen. Tænk på at identificere de femfingrede patienter korrekt eller at opdage de patienter, der ikke er inficeret med det bakterielle patogen. Her beregner vi procentdelen af personer, der ikke har sygdommen, og som korrekt testes negative for sygdommen. Denne beregning følger:


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


Det betyder, at vi ville identificere de raske patienter korrekt i 83% af tilfældene. Da qPCR-testen er meget hurtigere end at vente på, at bakterierne vokser, ville det være en fordel at køre qPCR-testen, og man kunne være sikker på de qPCR-negative resultater, da vi havde få falsk negative resultater i dette konstruerede datasæt. Eventuelle positive patienter bør naturligvis testes igen ved hjælp af dyrkning, men der ville være færre patienter at teste. Man kan også bruge disse beregninger til at sammenligne et nyt qPCR-assay med et assay, der er i brug i øjeblikket, eller et qPCR-assay med et ELISA-assay. Og hvis matematik ikke er din ting, er der en række gratis online-beregnere, som f.eks. denne fra medcalc, der kan udføre disse tal for dig!