Al desarrollar pruebas de diagnóstico o evaluar resultados, es importante comprender qué tan confiables son esas pruebas y, por lo tanto, los resultados que está obteniendo. Al usar muestras de estado de enfermedad conocido, se pueden calcular valores como la sensibilidad y la especificidad que le permiten evaluarsolo eso.

¿Qué le dicen los valores de sensibilidad?

El sensibilidad de una prueba también se llama tasa de verdaderos positivos TPR y es la proporción de muestras que son realmente positivas que dan un resultado positivo con la prueba en cuestión. Por ejemplo, una prueba que identifica correctamente todas las muestras positivas en un panel es muy sensible. Otra prueba que solo detecta el 60% de laSe consideraría que las muestras positivas en el panel tienen menor sensibilidad, ya que faltan positivos y dan mayor a tasa de falsos negativos FNR . También denominado errores de tipo II , los falsos negativos son la imposibilidad de rechazar una hipótesis nula falsa la hipótesis nula es que la muestra es negativa.

¿Qué le dicen las medidas de especificidad?

El especificidad de una prueba, también conocida como tasa negativa verdadera TNR , es la proporción de muestras que dan negativo en la prueba en cuestión que son realmente negativas. Por ejemplo, una prueba que identifica a todas las personas sanas como negativas para una enfermedad en particular es muy específica. Otra prueba que identifica incorrectamente el 30% depersonas sanas que tienen la afección se considerarían menos específicas, con un mayor tasa de falsos positivos FPR . También denominado errores de tipo I , los falsos positivos son el rechazo de una hipótesis nula verdadera la hipótesis nula es que la muestra es negativa.

nemotécnica de sensibilidad frente a especificidad

SnNouts y SpPins es un mnemotécnico que le ayuda a recordar la diferencia entre sensibilidad y especificidad.

Hocico : una prueba con un valor de sensibilidad alto Sn que, cuando es negativo N , ayuda a descartar una enfermedad fuera .

SpPin : una prueba con un valor de especificidad alto Sp que, cuando es positivo P ayuda a gobernar en una enfermedad pulg .

¿Cómo calculo los valores de sensibilidad y especificidad?

Una prueba ideal rara vez pasa por alto lo que está buscando es decir, es sensible y rara vez la confunde con otra cosa es decir, es específica. Por lo tanto, al evaluar las pruebas de diagnóstico, es importante calcular la sensibilidad y la especificidadpara que esa prueba determine su efectividad.

La sensibilidad de una prueba de diagnóstico se expresa como la probabilidad como porcentaje de que una muestra dé positivo dado que el paciente tiene la enfermedad.

La siguiente ecuación se utiliza para calcular la sensibilidad de una prueba :

Sensibilidad = Número de verdaderos positivos
Número de verdaderos positivos + Número de falsos negativos

= Número de verdaderos positivos
Número total de personas con la enfermedad

La especificidad de una prueba se expresa como la probabilidad como porcentaje de que una prueba arroje un resultado negativo dado que ese paciente no tiene la enfermedad.

La siguiente ecuación se utiliza para calcular la especificidad de una prueba :

especificidad = Número de verdaderos negativos

Número de verdaderos negativos + número de falsos positivos

= Número de verdaderos negativos
Número total de personas sin la enfermedad

ejemplo de sensibilidad frente a especificidad

Tiene una nueva prueba de diagnóstico que desea evaluar. Tiene un panel de muestras de validación donde sabe con certeza si definitivamente provienen de personas enfermas o sanas para la condición para la que está realizando la prueba. Su panel de muestra consta de 150 positivosy 400 negativos.

Después de pasar las muestras por el ensayo, compara sus resultados con su estado de enfermedad conocido y encuentra :

Verdaderos positivos resultado de la prueba positivo y genuinamente positivo = 144

Falso positivo resultado de la prueba positivo, pero en realidad es negativo = 12

Negativos verdaderos el resultado de la prueba es negativo y es realmente negativo = 388

Falso negativo resultado negativo de la prueba, pero en realidad es positivo = 6

tabla de sensibilidad frente a especificidad

O, se muestra en a tabla de contingencia :

	genuinamente positivo	genuinamente negativo	Total de filas
prueba positiva	144	12	156
prueba negativa	6	388	394
columna total	150	400	550

Sensibilidad = 144 / 144 + 6
= 144/150
= 0,96
= 96% sensible

especificidad = 388 / 388 + 12
= 388/400
= 0,97
= 97% específico

¿Son la sensibilidad y la especificidad lo mismo que el valor predictivo positivo VPP y el valor predictivo negativo VPN?

En resumen, no, aunque están relacionados. El valor predictivo positivo VPP es la probabilidad de que un sujeto / muestra que devuelve un resultado positivo realmente sea positivo. El valor predictivo negativo VPN es la probabilidad de que un sujeto / muestra que arroja un resultado negativo realmente sea negativo. Este tipo de información puede ser muy útil para discutir los resultados con un paciente, por ejemplo, evaluar la confiabilidad de cualquier prueba que se haya realizado. Los mismos valoresutilizados para calcular la sensibilidad y la especificidad también se utilizan para calcular los valores predictivos positivos y negativos. Una forma de verlo es que la sensibilidad y la especificidad evalúan la prueba, mientras que el VPP y el VPN evalúan los resultados.

El valor predictivo positivo se calcula utilizando la siguiente ecuación :

PPV = Número de verdaderos positivos

Número de verdaderos positivos + Número de falsos positivos

= Número de verdaderos positivos
Número de muestras que dieron positivo

El valor predictivo negativo se calcula utilizando la siguiente ecuación :

VPN = Número de verdaderos negativos

Número de verdaderos negativos + Número de falsos negativos

= Número de verdaderos negativos
Número de muestras que dieron negativo

Utilizando los valores del ejemplo anterior :

VPP = 144 / 144 + 12
= 144/156
= 0,923076923… = 92%

VPN = 388 / 388 + 6
= 388/394
= 0,984771573… = 98%

Por lo tanto, si el resultado de una prueba es positivo, hay un 92% de probabilidad de que sea correcto, si es negativo, hay un 98% de probabilidad de que sea correcto.

El valor complementario al VPP es el tasa de descubrimiento falso FDR , el valor complementario del VPN es el tasa de omisiones falsas FOR y equivale a 1 menos el VPP o el VAN respectivamente. El FDR es la proporción de resultados o "descubrimientos" que son falsos. El FOR es la proporción de falsos negativos que se rechazan incorrectamente. Esencialmente, cuanto más altos son el VPP y el VAN, menor será el FDR y el FOR, lo cual es una buena noticia para la confiabilidad de los resultados de su prueba.

¿Cómo debo equilibrar la sensibilidad con la especificidad?

Cuando los resultados se dan en una escala móvil de valores, en lugar de un resultado positivo o negativo definitivo, los valores de sensibilidad y especificidad son especialmente importantes. Le permiten determinar dónde dibujar puntos de corte para llamar a un resultado positivo o negativo, o tal vezincluso sugiera un área gris donde se recomendaría una nueva prueba. Por ejemplo, si coloca el límite para un resultado positivo en un nivel muy bajo línea punteada de color púrpura, puede capturar todas las muestras positivas, por lo que la prueba es muy sensible., esto puede significar que muchas muestras que son realmente negativas podrían considerarse positivas y, por lo tanto, se consideraría que la prueba tiene poca especificidad. Por lo tanto, encontrar un equilibrio es vital para una prueba eficaz y utilizable.

El uso de una curva de características operativas del receptor ROC puede ayudar a alcanzar ese punto óptimo y equilibrar los falsos negativos con los falsos positivos. Sin embargo, el contexto también es importante para determinar si los falsos negativos son menos problemáticos que los falsos positivos, o viceversa.Por ejemplo, si es imperativo que se identifiquen todos los positivos, por ejemplo, en una cuestión de vida o muerte, entonces puede estar dispuesto a tolerar un mayor número de falsos positivos para evitar perder alguno. En este caso, los falsos positivos se pueden descartar aún más.abajo de la línea.

¿Qué es una curva ROC?

Una curva ROC es una representación gráfica que muestra cómo la sensibilidad y la especificidad de una prueba varían entre sí. Para construir una curva ROC, las muestras que se sabe que son positivas o negativas se miden usando la prueba.

El TPR sensibilidad se traza contra el FPR 1 - especificidad para valores de corte dados para dar un gráfico similar al que se muestra a continuación. Idealmente, se elige un punto alrededor del hombro de la curva que limite los falsos positivos mientras quemaximizando los verdaderos positivos.

Una prueba que arrojara una curva ROC como la línea amarilla no sería mejor que una suposición aleatoria, el azul pálido es bueno, pero una prueba representada por la línea azul oscuro sería excelente. Haría la determinación de corte relativamente simple y produciría unaalta tasa de verdaderos positivos a muy baja tasa de falsos positivos: sensible y específica.