Att bli känslig:

Vad menar vi med diagnostisk känslighet?

I den kliniska diagnostiken kommer oundvikligen frågor om känsligheten hos en analys att dyka upp. Men vad betyder ”känslighet” egentligen? Den lägsta mängd av den givna analyten som en analys kan upptäcka kallas ofta för känslighet – och för att vara tydlig är denna mängd den analytiska känsligheten eller detektionsgränsen (LoD). Termen analytisk är nyckeln till denna definition, så när vi ändå håller på, låt oss kontrastera den mot termen diagnostisk. Diagnostisk känslighet är relaterad till förmågan hos ett test att korrekt identifiera populationer av individer med sjukdomen, och även om detta förvisso är en funktion av analytisk känslighet, garanterar hög analytisk känslighet (vilket innebär att du kan detektera mycket små mängder av din analyt) inte nödvändigtvis användbar diagnostisk känslighet.

Som du kan föreställa dig är de två mätningarna mycket olika – den förstnämnda talar om hur ditt test presterar i röret och den sistnämnda talar om hur ditt test presterar på en viss population. Av denna anledning är det viktigt att fästa termerna analytisk eller diagnostisk vid termen känslighet när du beskriver ditt test.

Hur beräknar du diagnostisk känslighet?

Ett annat sätt att tänka på diagnostisk känslighet är att ta hänsyn till hur väl testet kan upptäcka sant positiva resultat. Men om man har att göra med okända prover, hur vet man då vad som är ett sant resultat? Det är en slags fråga om hönan och ägget, men låt oss tänka på detta.

Säg att du har en analys som kan avgöra om en patient har fem eller sex fingrar på varje hand. Du kan samla in ett prov, blinda dem för försöksledaren och få ett resultat. Låt sedan samma patient undersökas av en kliniker som helt enkelt räknar antalet fingrar på varje hand. Jämför sedan anteckningar – för hur många prover stämde ditt test och klinikerns observationer överens? Klinikerns observationer skulle i det här fallet betraktas som den gyllene standarden, eftersom man inte kan bli mer objektiv än att räkna fingrar! Om målet är att upptäcka personer med sex fingrar (dvs. sex är ett positivt resultat) skulle ett analysresultat som matchar en räkning på sex vara ett sant positivt resultat, medan ett analysresultat på fem för en patient med fem fingrar skulle vara ett sant negativt resultat. På samma sätt skulle ett analysresultat på sex för en individ med fem fingrar vara ett falskt positivt resultat och ett analysresultat på fem för en patient med sex fingrar vara ett falskt negativt resultat. Om vi tar den imaginära datamängden nedan kan vi beräkna den diagnostiska känsligheten genom att beräkna procentandelen sanna positiva upptäckta av de totala faktiska positiva proverna (sanna positiva plus falskt negativa).

>

Patient Nr.	Observat Nr. fingrar	Assayresultat (No. Fingrar)	Sanningen Positiv	Fel Positiv	Sanningen Negativ	Fel Negativ
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
		Totalsummor	4	1	4	1

Data ovan kan sammanställas i sanningstabellen nedan och användas för att beräkna den diagnostiska känsligheten med hjälp av följande ekvation. Här beräknas den procentuella andelen individer som har tillståndet och har ett testresultat som är positivt för tillståndet.

.

			True Condition
		Positiv	Negativ
Tillstånd förutspått genom analys	Positivt	TP	FP
	Negativt	FN	TN

			Positivt	Negativt
Betingande förutspås genom analys	Positivt	4	1
	Negativt	1	4



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


Inte så illa, eller hur? Ska vi titta på ett exempel från verkligheten? Tänk dig att du håller på att utveckla en qPCR-analys som upptäcker en bakteriell patogen. De resultat som erhålls med hjälp av din qPCR-analys skulle ge data för det förutspådda tillståndet och dessa skulle jämföras med de resultat som erhålls genom klassisk odling. Varför? I det här exemplet är återvinning av organismen genom odling från den sjuka patienten ett av Kochs postulat och det är därför som bakteriekultur skulle betraktas som den gyllene standarden. Om vi hade denna konstruerade datamängd:

		True Condition
		Positivt	Negativt
Tillstånd förutspått genom analys (i.e. qPCR positiv)	Positiv	238 (TP)	21 (FP)
	Negativ	2 (FN)	103 (TN)

Vi skulle beräkna den diagnostiska känsligheten på följande sätt:


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



Det betyder att om vi skulle använda denna qPCR för att testa patienterna för denna bakteriella patogen, skulle vi få rätt positiva resultat i 99 % av fallen. Men hur är det med de falska positiva resultaten? Du skulle faktiskt upptäcka dem också med denna test eftersom en qPCR upptäcker DNA från både livskraftiga och icke livskraftiga organismer, medan odling endast skulle upptäcka livskraftiga organismer. För att inte tala om att qPCR sannolikt har en mycket bättre analytisk känslighet än de flesta kulturbaserade metoder. Om man jämför dessa två metoder och använder odling som guldstandard skulle odlingsnegativa/qPCR-positiva prover definieras som falskt positiva. I detta scenario skulle du förmodligen vilja utföra ett bekräftande test bara för att vara säker på att en qPCR-positiv patient verkligen var infekterad med en livskraftig patogen som orsakar sjukdom.

Hur är det med den diagnostiska specificiteten?

Och även om antalet falskt positiva i exemplet ovan kanske oroar dig, beror den verkliga bedömningen av prestandan på hur din analys används. Om ditt mål är att utesluta friska patienter för att undvika bekräftande tester är en hög diagnostisk specificitet avgörande. Vänta lite, jag införde just en ny term – diagnostisk specificitet! Detta är ett relaterat mått på hur sannolikt det är att testet korrekt identifierar de individer som inte har sjukdomen. Tänk på att identifiera patienter med fem fingrar korrekt, eller att upptäcka de patienter som inte är infekterade med en bakteriell patogen. Här beräknar vi procentandelen individer som inte har sjukdomen och som korrekt testar negativt för sjukdomen. Beräkningen följer:


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


Det innebär att vi skulle identifiera de friska patienterna korrekt i 83% av fallen. Eftersom qPCR-testet är mycket snabbare än att vänta på att bakterierna ska växa, skulle det vara fördelaktigt att köra qPCR-testet, och du skulle kunna vara säker på de negativa qPCR-resultaten med tanke på att vi hade få falskt negativa resultat i denna konstruerade datamängd. Eventuella positiva patienter bör naturligtvis testas på nytt med hjälp av odling, men det skulle vara färre patienter att testa. Man kan också använda dessa beräkningar för att jämföra en ny qPCR-test med en test som för närvarande används eller en qPCR-test med en ELISA-test. Och om matematik inte är din grej finns det en rad kostnadsfria online-kalkylatorer, till exempel denna från medcalc, som kan köra dessa siffror åt dig!