Uzyskanie czułości: Diagnostic Sensitivity and Specificity Simplified

What Do We Mean by Diagnostic Sensitivity?

W diagnostyce klinicznej, pytania o czułość testu nieuchronnie pojawią się na powierzchni. Ale co dokładnie oznacza „czułość”? Najniższa ilość danego analitu, którą test może wykryć, jest często nazywana czułością – i aby było jasne, ilość ta jest czułością analityczną lub granicą wykrywalności (LoD). Termin analityczny jest kluczowy dla tej definicji, więc skoro już przy nim jesteśmy, skontrastujmy go z terminem diagnostycznym. Czułość diagnostyczna jest związana ze zdolnością testu do prawidłowego identyfikowania populacji osób z daną chorobą i chociaż jest to z pewnością funkcja czułości analitycznej, wysoka czułość analityczna (co oznacza, że można wykryć bardzo małe ilości analitu) niekoniecznie gwarantuje użyteczną czułość diagnostyczną.

Jak można sobie wyobrazić, te dwa pomiary są bardzo różne – pierwszy mówi o wydajności testu w probówce, a drugi mówi o tym, jak test działa na danej populacji. Z tego powodu ważne jest dołączenie terminów analityczny lub diagnostyczny do terminu czułość podczas opisywania swojego testu.

Jak obliczyć czułość diagnostyczną?

Innym sposobem myślenia o czułości diagnostycznej jest rozważenie, jak dobrze test może wykryć prawdziwe wyniki pozytywne. Ale jeśli masz do czynienia z nieznanymi próbkami, skąd wiesz, co jest prawdziwym wynikiem? Jest to pytanie typu kura i jajko, ale rozważmy to.

Powiedzmy, że masz test, który może określić, czy pacjent ma pięć palców lub sześć na każdej ręce. Możesz zebrać próbkę, zaślepić ją przed eksperymentatorem i uzyskać wynik. Następnie poproś tego samego pacjenta, aby został zbadany przez klinicystę, który po prostu policzy liczbę palców u każdej ręki. Następnie porównaj notatki – dla ilu próbek twoje badanie i obserwacje klinicysty były zgodne? Obserwacje klinicysty w tym przypadku byłyby uważane za złoty standard, ponieważ nie można być bardziej obiektywnym niż liczenie palców! Jeśli celem byłoby wykrycie osób z sześcioma palcami (tzn. sześć oznacza wynik pozytywny), wynik testu odpowiadający liczbie sześciu byłby prawdziwie pozytywny, podczas gdy wynik testu wynoszący pięć dla pacjenta z pięcioma palcami byłby prawdziwie negatywny. Podobnie, wynik oznaczenia równy sześć dla pięciopalczastej osoby byłby fałszywie pozytywny, a wynik oznaczenia równy pięć dla sześciopalczastego pacjenta byłby fałszywie negatywny. Gdybyśmy wzięli poniższy wyimaginowany zestaw danych, moglibyśmy obliczyć czułość diagnostyczną poprzez obliczenie procentu prawdziwych pozytywów wykrytych z całkowitej liczby rzeczywistych pozytywów w próbkach (prawdziwe pozytywy plus fałszywe negatywy).

.

.

.

.

.

Pacjent No.	Obserwowane Liczba palców	Wynik testu (No. Fingers)	True Positive	False Positive	True Negative	False Negative
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

Powyższe dane można ująć w poniższej tabeli prawdy i wykorzystać do obliczenia czułości diagnostycznej za pomocą poniższego równania. Obliczamy tutaj odsetek osób, które mają daną chorobę i których wynik testu jest pozytywny dla tej choroby.

.

		Prawdziwy stan
		Dodatni	Negatywny
Condition predicted by assay	Positive	TP	FP
	Negative	FN	TN

.

		True Condition
		Positive	Negative
Condition predicted by assay	Positive	4	1
	Negative	1	4



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


Nieźle, prawda? Przyjrzyjmy się przykładowi z życia wziętemu? Wyobraźmy sobie, że opracowujemy test qPCR, który wykrywa patogen bakteryjny. Wyniki uzyskane przy użyciu Twojego testu qPCR dałyby dane dla przewidywanego stanu i zostałyby porównane z wynikami uzyskanymi z klasycznej hodowli. Dlaczego? W tym przykładzie, odzyskanie organizmu przez hodowlę od chorego pacjenta jest jednym z postulatów Kocha i dlatego hodowla bakteryjna byłaby uważana za złoty standard. Gdybyśmy mieli ten wymyślony zestaw danych:

.

	Prawdziwy Warunek
		Positive	Negative
Condition predicted by assay (i.e. qPCR pozytywny)	Positive	238 (TP)	21 (FP)
	Negative	2 (FN)	103 (TN)

Obliczylibyśmy tę czułość diagnostyczną jako:


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



To oznacza, że jeśli zastosowalibyśmy qPCR do badania pacjentów na obecność tego patogenu bakteryjnego, uzyskalibyśmy prawdziwe wyniki pozytywne w 99% przypadków. Ale co z fałszywymi pozytywami? Rzeczywiście można by je wykryć za pomocą tego testu, ponieważ qPCR wykrywa DNA zarówno organizmów żywych, jak i nieżywotnych, podczas gdy hodowla wykryłaby tylko organizmy żywe. Nie wspominając o tym, że qPCR ma prawdopodobnie znacznie lepszą czułość analityczną niż większość metodologii opartych na hodowli. Porównanie tych dwóch metod i przypisanie hodowli jako złotego standardu zdefiniowałoby próbki negatywne dla hodowli/pozytywne dla qPCR jako fałszywie pozytywne. Przy takim scenariuszu prawdopodobnie należałoby wykonać test potwierdzający, aby upewnić się, że pacjent qPCR-pozytywny był rzeczywiście zainfekowany żywym patogenem powodującym chorobę.

Co ze swoistością diagnostyczną?

Pomimo, że liczba fałszywie pozytywnych próbek w powyższym przykładzie może niepokoić, prawdziwa ocena wydajności zależy od sposobu użycia testu. Jeśli twoim celem jest wykluczenie zdrowych pacjentów, aby uniknąć testów potwierdzających, wtedy wysoka specyficzność diagnostyczna będzie kluczowa. Oh wait, właśnie wprowadziłam kolejny termin – swoistość diagnostyczna! Jest to powiązana miara tego, jak prawdopodobne jest, że twój test prawidłowo zidentyfikuje osoby bez choroby. Pomyśl o prawidłowej identyfikacji pacjentów z pięcioma palcami lub wykrywaniu tych pacjentów, którzy nie są zainfekowani patogenem bakteryjnym. Tutaj obliczamy procent osób bez choroby, które prawidłowo wykonują test negatywny dla tej choroby. To obliczenie jest następujące:


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


To oznacza, że poprawnie zidentyfikowalibyśmy zdrowych pacjentów w 83% przypadków. Ponieważ test qPCR jest znacznie szybszy niż oczekiwanie na wzrost bakterii, przeprowadzenie qPCR przyniosłoby korzyści i można by być pewnym negatywnych wyników qPCR, biorąc pod uwagę, że mieliśmy niewiele fałszywych negatywów w tym wymyślonym zestawie danych. Każdy pacjent z wynikiem dodatnim powinien oczywiście zostać ponownie przebadany przy użyciu hodowli, ale liczba pacjentów do przebadania byłaby mniejsza. Obliczenia te można również wykorzystać do porównania nowego testu qPCR z obecnie stosowanym lub qPCR z ELISA. A jeśli matematyka to nie Twoja sprawa, istnieje szereg bezpłatnych kalkulatorów on-line, takich jak ten z medcalc, które wykonają te obliczenia za Ciebie!

.