Diventare sensibili: Sensibilità e specificità diagnostiche semplificate

Che cosa si intende per sensibilità diagnostica?

Nella diagnostica clinica, le domande sulla sensibilità di un test emergono inevitabilmente. Ma cosa significa esattamente “sensibilità”? La quantità più bassa di un dato analita che un test può rilevare è spesso chiamata sensibilità – e per essere chiari, questa quantità è la sensibilità analitica o limite di rilevazione (LoD). Il termine analitico è fondamentale per questa definizione, quindi già che ci siamo, contrapponiamolo al termine diagnostico. La sensibilità diagnostica è legata alla capacità del proprio test di identificare correttamente le popolazioni di individui con la malattia, e mentre questa è certamente una funzione della sensibilità analitica, un’alta sensibilità analitica (che significa che puoi rilevare quantità molto piccole del tuo analita) non garantisce necessariamente un’utile sensibilità diagnostica.

Come puoi immaginare, le due misure sono molto diverse – la prima ti dice le prestazioni del tuo test in provetta e la seconda ti dice come il tuo test si comporta su una data popolazione. Per questo motivo, è importante collegare i termini analitico o diagnostico al termine sensibilità quando si descrive il test.

Come si calcola la sensibilità diagnostica?

Un altro modo di pensare alla sensibilità diagnostica è considerare quanto bene il test può rilevare i veri positivi. Ma se hai a che fare con campioni sconosciuti, come fai a sapere qual è un vero risultato? Questa è una specie di questione dell’uovo e della gallina, ma consideriamo questo.

Si supponga di avere un test che può determinare se un paziente ha cinque o sei dita su ogni mano. Si può raccogliere un campione, in cieco allo sperimentatore e ottenere un risultato. Successivamente, fate esaminare lo stesso paziente da un medico che conterebbe semplicemente il numero di dita su ogni mano. Poi confronta le note: per quanti campioni il tuo test e le osservazioni del medico corrispondono? Le osservazioni del medico in questo caso sarebbero considerate il gold standard poiché non si può essere più obiettivi che contare le dita! Se l’obiettivo fosse quello di rilevare gli individui con sei dita (cioè sei è un risultato positivo), un risultato del test corrispondente a un conteggio di sei sarebbe un vero positivo, mentre un risultato del test di cinque per un paziente con cinque dita sarebbe un vero negativo. Allo stesso modo, un risultato del test di sei per un individuo con cinque dita sarebbe un falso positivo e un risultato del test di cinque per un paziente con sei dita sarebbe un falso negativo. Se prendessimo l’insieme immaginario di dati qui sotto, potremmo calcolare la sensibilità diagnostica calcolando la percentuale di veri positivi rilevati sul totale degli effettivi positivi nei campioni (veri positivi più i falsi negativi).

Paziente No.	Osservato No. dita	Risultato del test (No. Dita)	Vero Positivo	Falso Positivo	Vero Negativo	Falso Negativo
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
			Totali	4	1	4	1

I dati di cui sopra possono essere tabulati nella tabella di verità sottostante e utilizzati per calcolare la sensibilità diagnostica utilizzando la seguente equazione. Qui stiamo calcolando la percentuale di individui che hanno la condizione e hanno un risultato del test che è positivo per la condizione.

		Condizione vera
		Positivo	Negativo
Condizione prevista dal test	Positivo	TP	FP
	Negativo	FN	TN

		Condizione vera
		Positivo	Negativo
Condizione predetto dal test	Positivo	4	1
	Negativo	1	4



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


Non male, vero? Vogliamo guardare un esempio del mondo reale? Immagina che tu stia sviluppando un test qPCR che rileva un patogeno batterico. I risultati ottenuti con il vostro test qPCR fornirebbero dati per la condizione prevista e questi verrebbero confrontati con i risultati ottenuti dalla coltura classica. Perché? In questo esempio, il recupero dell’organismo tramite coltura dal paziente malato è uno dei postulati di Koch ed è il motivo per cui la coltura batterica sarebbe considerata il gold standard. Se avessimo questa serie di dati inventati:

		Condizione vera
		Positivo	Negativo
Condizione prevista dal saggio (cioèe. qPCR positivo)	Positivo	238 (TP)	21 (FP)
	Negativo	2 (FN)	103 (TN)

Calcoliamo questa sensibilità diagnostica come:


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



Questo significa che se dovessimo utilizzare questa qPCR per testare i pazienti per questo patogeno batterico, avremmo ragione dei veri positivi il 99% delle volte. Ma che dire dei falsi positivi? Anche questi verrebbero rilevati con questo test, perché la qPCR rileva il DNA di organismi vitali e non vitali, mentre la coltura rileverebbe solo gli organismi vitali. Per non parlare del fatto che la qPCR ha probabilmente una sensibilità analitica molto migliore della maggior parte delle metodologie basate sulla cultura. Confrontando questi due metodi e assegnando la coltura come gold standard, i campioni negativi alla coltura/positivi alla qPCR verrebbero definiti falsi positivi. In questo scenario, si vorrebbe probabilmente eseguire un test di conferma solo per assicurarsi che un paziente positivo alla qPCR sia stato veramente infettato da un patogeno vitale che causa la malattia.

Che dire della specificità diagnostica?

Mentre il numero di falsi positivi nell’esempio precedente potrebbe preoccupare, il vero giudice delle prestazioni dipende da come viene utilizzato il test. Se il vostro obiettivo è quello di escludere i pazienti sani per evitare test di conferma, allora un’alta specificità diagnostica sarebbe la chiave. Oh aspetta, ho appena introdotto un altro termine – specificità diagnostica! Questa è una misura correlata di quanto sia probabile che il vostro test identifichi correttamente gli individui senza la malattia. Pensate all’identificazione corretta dei pazienti con cinque dita, o al rilevamento dei pazienti non infettati dal patogeno batterico. Qui stiamo calcolando la percentuale di individui senza la condizione e correttamente negativi al test per la condizione. Il calcolo è il seguente:


Diagnostica; specificità = \frac{mathrm{TN} = \frac{mathrm{TN+FP} = \frac{mathrm{103} = 103/124 = 0.831 × 100 = 83.1\%


Questo significa che identificheremo correttamente i pazienti sani l’83% delle volte. Poiché il test qPCR è molto più rapido dell’attesa della crescita dei batteri, eseguire la qPCR sarebbe utile e si potrebbe essere sicuri dei risultati negativi della qPCR, dato che abbiamo avuto pochi falsi negativi in questa serie di dati artificiosi. Qualsiasi paziente positivo dovrebbe naturalmente essere testato di nuovo usando la coltura, ma ci sarebbero meno pazienti da testare. Puoi anche usare questi calcoli per confrontare un nuovo test qPCR con uno attualmente in uso o un qPCR con un ELISA. E se la matematica non è il tuo forte, ci sono una serie di calcolatori online gratuiti, come questo di medcalc, per eseguire questi numeri per te!