Herkistyminen:

Mitä tarkoitamme diagnostisella herkkyydellä?

Kliinisessä diagnostiikassa tulee väistämättä esiin kysymyksiä määrityksen herkkyydestä. Mutta mitä ”herkkyys” tarkalleen ottaen tarkoittaa? Pienintä tietyn analyytin määrää, jonka määritys voi havaita, kutsutaan usein herkkyydeksi – ja selvyyden vuoksi tätä määrää kutsutaan analyyttiseksi herkkyydeksi tai havaitsemisrajaksi (Limit of Detection, LoD). Termi analyyttinen on avainasemassa tässä määritelmässä, joten vastakohtana termi analyyttinen ja termi diagnostinen. Diagnostinen herkkyys liittyy määrityksen kykyyn tunnistaa tautia sairastavien yksilöiden populaatiot oikein, ja vaikka tämä on varmasti analyyttisen herkkyyden funktio, korkea analyyttinen herkkyys (eli voit havaita hyvin pieniä määriä analyyttiäsi) ei välttämättä takaa käyttökelpoista diagnostista herkkyyttä.

Kuten voitte kuvitella, nämä kaksi mittaustulosta eroavat toisistaan hyvin paljon toisistaan – edellinen kertoo määrityksesi suorituskyvystä putkessa ja jälkimmäinen siitä, miten määrityksesi toimii tietyssä populaatiossa. Tästä syystä on tärkeää liittää termit analyyttinen tai diagnostinen termiin herkkyys, kun kuvaat määritystäsi.

Miten lasketaan diagnostinen herkkyys?

Toinen tapa ajatella diagnostista herkkyyttä on tarkastella, kuinka hyvin määritys pystyy havaitsemaan todelliset positiiviset tulokset. Mutta jos kyseessä ovat tuntemattomat näytteet, mistä tiedät, mikä on todellinen tulos? Tämä on eräänlainen kananmunakysymys, mutta ajatellaanpa tätä.

Esitettäkö, että sinulla on määritys, jolla voidaan määrittää, onko potilaalla viisi vai kuusi sormea kummassakin kädessä. Voit kerätä näytteen, sokeuttaa heidät kokeen tekijälle ja saada tuloksen. Seuraavaksi pyydä samaa potilasta tutkittavaksi kliinikon toimesta, joka yksinkertaisesti laskisi sormien määrän kummassakin kädessä. Vertaile sitten muistiinpanoja – kuinka monen näytteen kohdalla määrityksesi ja lääkärin havainnot vastasivat toisiaan? Kliinikon havaintoja pidettäisiin tässä tapauksessa kultaisena standardina, sillä objektiivisempaa kuin sormien laskeminen ei voi olla! Jos tavoitteena olisi havaita kuuden sormen omaavat henkilöt (eli kuusi on positiivinen tulos), määritystulos, joka vastaa kuuden sormen laskentaa, olisi todellinen positiivinen tulos, kun taas määritystulos, joka on viisi viiden sormen omaavalla potilaalla, olisi todellinen negatiivinen tulos. Vastaavasti määritystulos kuusi viisisormisella henkilöllä olisi väärä positiivinen tulos ja määritystulos viisi kuusisormisella potilaalla olisi väärä negatiivinen tulos. Jos ottaisimme alla olevan kuvitteellisen aineiston, voisimme laskea diagnostisen herkkyyden laskemalla todellisten positiivisten löydösten prosenttiosuuden näytteiden kaikista todellisista positiivisista löydöksistä (todelliset positiiviset löydökset plus väärät negatiiviset löydökset).

Potilas Potilas No.	Havaittu Sormien lkm	Määritystulos (nro.	6	X				X
3	5	6					X
3	3	3	3	3	6	6	6	6>6>6
5	5	5			X
6	6	6	5	5				X
9	5	5	5	5	5			X
10	5	5			X
			Summa	4	1	4	1

Yllä olevat tiedot voidaan taulukoida alla olevaan totuustaulukkoon ja niiden avulla laskea diagnostinen herkkyys seuraavan yhtälön avulla. Tässä laskemme niiden henkilöiden prosenttiosuuden, joilla on kyseinen sairaus ja joiden testitulos on positiivinen sairauden suhteen.

.

		Tosi tila
		positiivinen	negatiivinen
Määrityksen ennustama tila	Positiivinen	TP	FP
	Negatiivinen	FN	TN

		Tosi ehto
		Positiivinen	Negatiivinen
ehto. määrityksen ennustama	Positiivinen	4	1
	Negatiivinen	1	4



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


Ei hullummin, eikö? Katsotaanko reaalimaailman esimerkki? Kuvittele, että olet kehittämässä qPCR-määritystä, jolla havaitaan bakteeripatogeeni. qPCR-määrityksesi avulla saadut tulokset antaisivat tietoja ennustetusta tilasta, ja niitä verrattaisiin klassisesta viljelystä saatuihin tuloksiin. Miksi? Tässä esimerkissä organismin talteenotto viljelyllä sairastuneesta potilaasta on yksi Kochin postulaateista, ja siksi bakteeriviljelyä pidettäisiin kultaisena standardina. Jos meillä olisi tämä keksitty aineisto:

		True Condition
		Positiivinen	Negatiivinen
Tilan ennustaa määritys (i.e. qPCR-positiivinen)	positiivinen	238 (TP)	21 (FP)
	negatiivinen	2 (FN)	103 (TN)

Laskisimme tämän diagnostisen herkkyyden seuraavasti:


\frac{\mathrm{238} }{\mathrm{238+2}} = 238/240 = 0.992 × 100 = 99.2\%



Tämä tarkoittaa, että jos käyttäisimme tätä qPCR:ää testataksemme potilaita tämän bakteeripatogeenin varalta, saisimme oikeat positiiviset tulokset 99 % ajasta. Mutta entä väärät positiiviset tulokset? Niitäkin tosiaan havaittaisiin tällä määrityksellä, koska qPCR:llä havaitaan sekä elinkelpoisten että elinkelvottomien organismien DNA:ta, kun taas viljelyllä havaittaisiin vain elinkelpoisia organismeja. Puhumattakaan siitä, että qPCR:n analyyttinen herkkyys on todennäköisesti paljon parempi kuin useimpien viljelyyn perustuvien menetelmien. Jos näitä kahta menetelmää verrattaisiin toisiinsa ja viljelyä pidettäisiin kultaisena standardina, viljelynegatiiviset/qPCR-positiiviset näytteet määriteltäisiin vääriksi positiivisiksi tuloksiksi. Tässä skenaariossa haluaisit luultavasti tehdä varmistustestin vain varmistaaksesi, että qPCR-positiivinen potilas on todella saanut tartunnan elinkelpoisesta taudinaiheuttajasta, joka aiheuttaa taudin.

Miten on diagnostisen spesifisyyden laita?

Vaheellisten positiivisten tulosten määrä edellä mainitussa esimerkissä saattaa huolestuttaa, mutta suorituskyvyn todellinen arviointi riippuu siitä, miten määritystasi käytetään. Jos tavoitteena on sulkea pois terveet potilaat, jotta vältyttäisiin varmistavilta testeiltä, korkea diagnostinen spesifisyys on avainasemassa. Hetkinen, otin juuri käyttöön uuden termin – diagnostinen spesifisyys! Tällä mitataan sitä, kuinka todennäköisesti testisi tunnistaa oikein ne henkilöt, joilla ei ole tautia. Ajattele viiden sormen potilaiden tunnistamista oikein tai niiden potilaiden havaitsemista, joilla ei ole bakteeripatogeeniä. Tässä laskemme niiden henkilöiden prosenttiosuuden, joilla ei ole kyseistä sairautta ja joiden testi on oikein negatiivinen. Tämä laskelma on seuraava:


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


Tämä tarkoittaa, että tunnistaisimme terveet potilaat oikein 83% ajasta. Koska qPCR-testi on paljon nopeampi kuin bakteerien kasvun odottaminen, qPCR-testin suorittamisesta olisi hyötyä, ja qPCR-negatiivisiin tuloksiin voisi luottaa, koska meillä oli tässä keksityssä aineistossa vain vähän vääriä negatiivisia tuloksia. Kaikki positiiviset potilaat olisi tietenkin testattava uudelleen viljelyllä, mutta testattavia potilaita olisi vähemmän. Näitä laskelmia käytetään myös uuden qPCR-määrityksen vertaamiseen nykyisin käytössä olevaan määritykseen tai qPCR:n ja ELISA:n väliseen vertailuun. Ja jos matematiikka ei ole sinun juttusi, on olemassa joukko ilmaisia online-laskureita, kuten tämä medcalc:n laskuri, joilla voit suorittaa nämä luvut puolestasi!