Wahrscheinlichkeit vor und nach dem Test

In der klinischen Praxis werden Wahrscheinlichkeiten nach dem Test oft nur grob geschätzt oder sogar erraten. Dies ist normalerweise akzeptabel, wenn ein pathognomonisches Zeichen oder Symptom gefunden wird, in welchem Fall es fast sicher ist, dass der Zielzustand vorliegt; oder in Abwesenheit des Findens eines Sine qua non-Zeichens oder Symptoms, in welchem Fall es fast sicher ist, dass der Zielzustand fehlt.

In Wirklichkeit ist die subjektive Wahrscheinlichkeit des Vorliegens eines Zustands jedoch niemals genau 0 oder 100%. Es gibt jedoch mehrere systematische Methoden, um diese Wahrscheinlichkeit abzuschätzen. Solche Verfahren basieren in der Regel darauf, dass der Test zuvor an einer Referenzgruppe durchgeführt wurde, bei der das Vorhandensein oder Fehlen der Bedingung bekannt ist (oder zumindest durch einen anderen Test geschätzt wird, der als sehr genau angesehen wird, z. B. durch „Goldstandard“), um Daten der Testleistung zu ermitteln. Diese Daten werden anschließend verwendet, um das Testergebnis jeder mit dem Verfahren getesteten Person zu interpretieren. Eine Alternative oder Ergänzung zu referenzgruppenbasierten Methoden ist der Vergleich eines Testergebnisses mit einem früheren Test an derselben Person, was bei Überwachungstests häufiger vorkommt.

Die wichtigsten systematischen referenzgruppenbasierten Methoden zur Schätzung der Wahrscheinlichkeit nach dem Test umfassen die in der folgenden Tabelle zusammengefassten und verglichenen Methoden, die in einzelnen Abschnitten weiter unten beschrieben werden.

Prädiktive Werte können verwendet werden, um die Wahrscheinlichkeit eines Individuums nach dem Test abzuschätzen wenn die Prätestwahrscheinlichkeit des Individuums in etwa gleich der Prävalenz in einer Referenzgruppe angenommen werden kann, an der sowohl Testergebnisse als auch Kenntnisse über das Vorhandensein oder Nichtvorhandensein der Erkrankung (beispielsweise einer Krankheit, wie sie durch „Goldstandard“ bestimmt werden kann) vorliegen.

Wenn das Testergebnis eine binäre Klassifizierung in positive oder negative Tests aufweist, kann die folgende Tabelle erstellt werden:

Die Vortestwahrscheinlichkeit kann wie folgt aus dem Diagramm berechnet werden:

Prätestwahrscheinlichkeit = (Wahr positiv + Falsch negativ) / Gesamtstichprobe

In diesem Fall ist auch die positive Wahrscheinlichkeit nach dem Test (die Wahrscheinlichkeit, die Zielbedingung zu haben, wenn der Test positiv ausfällt) numerisch gleich dem positiven Vorhersagewert, und die negative Wahrscheinlichkeit nach dem Test (die Wahrscheinlichkeit, die Zielbedingung zu haben, wenn der Test negativ ausfällt) ist numerisch komplementär zum negativen Vorhersagewert (= 1 -), wobei wiederum davon ausgegangen wird, dass die zu testende Person kein anderes Risiko hat faktoren, die dazu führen, dass das Individuum eine andere Wahrscheinlichkeit vor dem Test als die Referenzgruppe, mit der die positiven und negativen Vorhersagewerte des Tests ermittelt wurden.

Im obigen Diagramm wird diese positive Wahrscheinlichkeit nach dem Test, dh die Wahrscheinlichkeit nach dem Test eines Zielzustands bei positivem Testergebnis, berechnet als:

Positive Wahrscheinlichkeit nach dem Test = True positives / (True positives + False positives)

Ähnlich:

Die Wahrscheinlichkeit nach dem Test einer Krankheit bei negativem Ergebnis wird wie folgt berechnet::

Negative Posttest-Wahrscheinlichkeit = Falsch negative / (Falsch negative + Echte Negative)

Die Gültigkeit der obigen Gleichungen hängt auch davon ab, dass die Stichprobe aus der Population keine wesentliche Stichprobenverzerrung aufweist, die die Gruppen derjenigen, die an der Erkrankung leiden, und derjenigen, die dies nicht tun, wesentlich unverhältnismäßig von entsprechender Prävalenz und „Nichtprävalenz“ in der Population. In der Tat sind die obigen Gleichungen nicht gültig mit nur einer Fall-Kontroll-Studie, die separat eine Gruppe mit der Bedingung und eine Gruppe ohne sie sammelt.

Nach Likelihood ratioEdit

Die oben genannten Methoden sind ungeeignet, wenn die Prätestwahrscheinlichkeit von der Prävalenz in der Referenzgruppe abweicht, die unter anderem zur Ermittlung des positiven prädiktiven Werts des Tests verwendet wurde. Ein solcher Unterschied kann auftreten, wenn ein anderer Test vorausgegangen ist oder die an der Diagnose beteiligte Person der Ansicht ist, dass eine andere Vortestwahrscheinlichkeit verwendet werden muss, weil beispielsweise bestimmte Beschwerden, andere Elemente einer Anamnese oder Anzeichen in einer körperlichen Untersuchung bekannt sind, indem entweder auf jeden Befund als Test für sich mit seiner eigenen Sensitivität und Spezifität gerechnet wird oder zumindest eine grobe Schätzung der individuellen Vortestwahrscheinlichkeit vorgenommen wird.

In diesen Fällen ist die Prävalenz in der Referenzgruppe bei der Darstellung der Wahrscheinlichkeit des Individuums vor dem Test nicht vollständig genau, und folglich ist der Vorhersagewert (ob positiv oder negativ) bei der Darstellung der Wahrscheinlichkeit des Individuums nach dem Test, den Zielzustand zu haben, nicht vollständig genau.

In diesen Fällen kann eine Wahrscheinlichkeit nach dem Test genauer geschätzt werden, indem ein Wahrscheinlichkeitsverhältnis für den Test verwendet wird. Das Likelihood Ratio wird aus Sensitivität und Spezifität des Tests berechnet und hängt dabei nicht von der Prävalenz in der Referenzgruppe ab, und ebenso ändert es sich nicht mit veränderter Wahrscheinlichkeit vor dem Test, im Gegensatz zu positiven oder negativen Vorhersagewerten (die sich ändern würden). In der Tat ist die Gültigkeit der Wahrscheinlichkeit nach dem Test, die aus dem Wahrscheinlichkeitsverhältnis bestimmt wird, nicht anfällig für Stichprobenverzerrungen in Bezug auf diejenigen mit und ohne die Bedingung in der Populationsstichprobe und kann als Fall-Kontroll-Studie durchgeführt werden, die diejenigen mit und ohne die Bedingung.

Die Schätzung der Wahrscheinlichkeit nach dem Test aus der Wahrscheinlichkeit vor dem Test und dem Wahrscheinlichkeitsverhältnis lautet wie folgt:

• Pretest odds = (Pretest Wahrscheinlichkeit / (1 – Pretest Wahrscheinlichkeit)
• Posttest odds = Pretest odds * Likelihood ratio

In der obigen Gleichung wird die positive Wahrscheinlichkeit nach dem Test unter Verwendung des Likelihood Ratio positiv und die negative Wahrscheinlichkeit nach dem Test unter Verwendung des Likelihood Ratio negativ berechnet.

• Posttest Wahrscheinlichkeit = Posttest Chancen / (Posttest Chancen + 1)

Fagan nomogram

Die Beziehung kann auch durch ein sogenanntes Fagan-Nomogramm (rechts dargestellt) geschätzt werden, indem eine gerade Linie vom Punkt der gegebenen Wahrscheinlichkeit vor dem Test zum gegebenen Wahrscheinlichkeitsverhältnis in ihren Skalen gezogen wird, die wiederum die Wahrscheinlichkeit nach dem Test schätzt an dem Punkt, an dem diese gerade ihre Skala kreuzt.

Die Nachtestwahrscheinlichkeit kann wiederum als Vortestwahrscheinlichkeit für weitere Tests verwendet werden, wenn sie weiterhin in gleicher Weise berechnet wird.

• Diagramm, das Wahrscheinlichkeiten vor und nach dem Test betrifft, wobei die grüne Kurve (obere linke Hälfte) einen positiven Test und die rote Kurve (untere rechte Hälfte) einen negativen Test für den Fall von 90% Sensitivität und 90% Spezifität darstellt, entsprechend einem Likelihood Ratio positiv von 9 und einem Likelihood Ratio negativ von 0,111. Die Länge der grünen Pfeile repräsentiert die Änderung der absoluten (und nicht der relativen) Wahrscheinlichkeit bei einem positiven Test, und die roten Pfeile repräsentieren die Änderung der absoluten Wahrscheinlichkeit bei einem negativen Test.
  Aus der Länge der Pfeile ist ersichtlich, dass ein positiver Test bei niedrigen Vortestwahrscheinlichkeiten eine größere Änderung der absoluten Wahrscheinlichkeit ergibt als ein negativer Test (eine Eigenschaft, die allgemein gültig ist, solange die Spezifität nicht viel höher ist als die Empfindlichkeit). In ähnlicher Weise ergibt ein negativer Test bei hohen Wahrscheinlichkeiten vor dem Test eine größere Änderung der absoluten Wahrscheinlichkeit als ein positiver Test (eine Eigenschaft, die im Allgemeinen gültig ist, solange die Sensitivität nicht viel höher ist als die Spezifität).

• Beziehung zwischen Prä- und Post-Test-Wahrscheinlichkeiten für verschiedene Likelihood-Ratio-Positive (obere linke Hälfte) und verschiedene Likelihood-Ratio-Negative (untere rechte Hälfte).

Es ist möglich, eine Berechnung der Likelihood Ratios für Tests mit kontinuierlichen Werten oder mehr als zwei Ergebnissen durchzuführen, die der Berechnung für dichotome Ergebnisse ähnelt. Zu diesem Zweck wird für jede Ebene des Testergebnisses ein separates Likelihood-Verhältnis berechnet, das als Intervall- oder schichtspezifische Likelihood-Verhältnisse bezeichnet wird.

Beispielbearbeiten

Eine Person wurde mit dem Test auf okkultes Blut im Stuhl (FOB) untersucht, um die Wahrscheinlichkeit abzuschätzen, dass diese Person den Zielzustand Darmkrebs hat, und es fiel positiv aus (Blut wurde im Stuhl nachgewiesen). Vor dem Test hatte diese Person vor dem Test eine Wahrscheinlichkeit, an Darmkrebs zu erkranken, von beispielsweise 3% (0,03), wie dies beispielsweise durch Auswertung der Krankengeschichte, der Untersuchung und früherer Tests dieser Person hätte geschätzt werden können.

Die Sensitivität, Spezifität usw. des FOB-Tests wurden mit einer Bevölkerungsstichprobe von 203 Personen (ohne solche Vererbung) etabliert und fielen wie folgt aus:

Daraus können die Wahrscheinlichkeitsverhältnisse des Tests ermittelt werden:

1. Likelihood ratio positiv = Sensitivität / (1 – Spezifität) = 66.67% / (1 − 91%) = 7.4
2. Likelihood ratio negativ = (1 – Sensitivität) / Spezifität = (1 − 66.67%) / 91% = 0.37

• Pretest Wahrscheinlichkeit (in diesem Beispiel) = 0.03
• Pretest odds = 0.03 / (1 – 0.03) = 0.0309
• Positive Posttest-Quoten = 0.0309 * 7.4 = 0.229
• Positive posttest Wahrscheinlichkeit = 0.229 / (0.229 + 1) = 0.186 oder 18.6%

Somit hat diese Person eine Wahrscheinlichkeit nach dem Test (oder „Risiko nach dem Test“) von 18,6%, Darmkrebs zu haben.

Die Prävalenz in der Bevölkerungsstichprobe wird wie folgt berechnet:

• Prävalenz = (2 + 1) / 203 = 0.0148 oder 1.48%

Die Wahrscheinlichkeit des Individuums vor dem Test war mehr als doppelt so hoch wie die der Populationsstichprobe, obwohl die Wahrscheinlichkeit des Individuums nach dem Test weniger als doppelt so hoch war wie die der Populationsstichprobe (die durch den positiven Vorhersagewert des Tests von 10% geschätzt wird), im Gegensatz zu dem, was sich durch eine weniger genaue Methode der einfachen Multiplikation relativer Risiken ergeben würde.

Spezifische Quellen für Ungenauigkeitbearbeiten

Spezifische Quellen für Ungenauigkeiten bei der Verwendung des Likelihood Ratio zur Bestimmung einer Wahrscheinlichkeit nach dem Test umfassen Interferenzen mit Determinanten oder früheren Tests oder Überlappungen von Testzielen, wie unten erläutert:

Interferenz mit testEdit

Die Wahrscheinlichkeit nach dem Test, die aus der Wahrscheinlichkeit vor dem Test mit dem Likelihood Ratio geschätzt wird, sollte bei Personen mit anderen Determinanten (z. B. Risikofaktoren) als der Allgemeinbevölkerung sowie bei Personen, die früheren Tests unterzogen wurden, mit Vorsicht gehandhabt werden, da solche Determinanten oder Tests auch den Test selbst auf unvorhersehbare Weise beeinflussen und dennoch zu ungenauen Ergebnissen führen können. Ein Beispiel für den Risikofaktor Adipositas ist, dass zusätzliches Bauchfett das Abtasten von Bauchorganen erschweren und die Auflösung der abdominalen Sonographie verringern kann, und in ähnlicher Weise kann der restliche Bariumkontrast einer früheren Radiographie nachfolgende Bauchuntersuchungen beeinträchtigen, wodurch die Empfindlichkeiten und Spezifitäten solcher nachfolgenden Tests verringert werden. Auf der anderen Seite kann der Effekt der Interferenz möglicherweise die Wirksamkeit nachfolgender Tests im Vergleich zur Verwendung in der Referenzgruppe verbessern, z. B. einige Bauchuntersuchungen, die bei untergewichtigen Personen einfacher durchzuführen sind.

Testüberschneidungbearbeiten

Darüber hinaus hängt die Gültigkeit von Berechnungen zu einer Wahrscheinlichkeit vor dem Test, die sich aus einem früheren Test ableitet, davon ab, dass sich die beiden Tests in Bezug auf den zu testenden Zielparameter nicht signifikant überschneiden, wie z. B. Bluttests von Substanzen, die zu ein und demselben gestörten Stoffwechselweg gehören. Ein Beispiel für das Extrem einer solchen Überlappung ist dort, wo die Sensitivität und Spezifität für einen Bluttest, der „Substanz X“ detektiert, und ebenfalls für einen, der „Substanz Y“ detektiert, festgestellt wurde. Wenn „Substanz X“ und „Substanz Y“ tatsächlich ein und dieselbe Substanz sind, dann haben zwei aufeinanderfolgende Tests ein und derselben Substanz möglicherweise überhaupt keinen diagnostischen Wert, obwohl die Berechnung einen Unterschied zu zeigen scheint. Im Gegensatz zur oben beschriebenen Interferenz verringert eine zunehmende Überlappung von Tests nur deren Wirksamkeit. Im medizinischen Umfeld wird die diagnostische Validität erhöht, indem Tests verschiedener Modalitäten kombiniert werden, um wesentliche Überschneidungen zu vermeiden, beispielsweise bei der Kombination eines Bluttests, einer Biopsie und einer Röntgenaufnahme.

Methoden zur Überwindung von Ungenauigkeitenbearbeiten

Um solche Quellen von Ungenauigkeiten durch Verwendung von Wahrscheinlichkeitsverhältnissen zu vermeiden, wäre die optimale Methode, eine große Referenzgruppe gleichwertiger Personen zu sammeln, um separate Vorhersagewerte für die Verwendung des Tests bei solchen Personen festzulegen. Mit mehr Wissen über die Krankengeschichte, die körperliche Untersuchung und den vorherigen Test einer Person usw. diese Person wird differenzierter, mit zunehmender Schwierigkeit, eine Referenzgruppe zu finden, um maßgeschneiderte Vorhersagewerte zu ermitteln, wodurch eine Schätzung der Wahrscheinlichkeit nach dem Test durch Vorhersagewerte ungültig wird.

Eine andere Methode, um solche Ungenauigkeiten zu überwinden, ist die Auswertung des Testergebnisses im Kontext diagnostischer Kriterien, wie im nächsten Abschnitt beschrieben.

Durch relatives Risikobearbeiten

Die Wahrscheinlichkeit nach dem Test kann manchmal geschätzt werden, indem die Wahrscheinlichkeit vor dem Test mit einem relativen Risiko multipliziert wird, das durch den Test gegeben ist. In der klinischen Praxis wird dies normalerweise bei der Bewertung einer Krankengeschichte eines Individuums angewendet, wobei der „Test“ normalerweise eine Frage (oder sogar Annahme) in Bezug auf verschiedene Risikofaktoren ist, z. B. Geschlecht, Tabakrauchen oder Gewicht. Bei Verwendung relativer Risiken hängt die resultierende Wahrscheinlichkeit normalerweise eher mit dem Individuum zusammen, das den Zustand über einen bestimmten Zeitraum entwickelt (ähnlich der Inzidenz in einer Population), anstatt die Wahrscheinlichkeit eines Individuums zu sein, den Zustand in der Gegenwart zu haben, kann aber indirekt eine Schätzung des letzteren sein.

Die Verwendung der Hazard Ratio kann ähnlich wie das relative Risiko verwendet werden.

Ein Risikofaktorbearbeiten

Um ein relatives Risiko zu ermitteln, wird das Risiko in einer exponierten Gruppe durch das Risiko in einer nicht exponierten Gruppe geteilt.

Wenn nur ein Risikofaktor eines Individuums berücksichtigt wird, kann die Wahrscheinlichkeit nach dem Test geschätzt werden, indem das relative Risiko mit dem Risiko in der Kontrollgruppe multipliziert wird. Die Kontrollgruppe repräsentiert normalerweise die nicht exponierte Population, aber wenn ein sehr geringer Anteil der Population exponiert ist, kann die Prävalenz in der Allgemeinbevölkerung oft gleich der Prävalenz in der Kontrollgruppe angenommen werden. In solchen Fällen kann die Wahrscheinlichkeit nach dem Test geschätzt werden, indem das relative Risiko mit dem Risiko in der Allgemeinbevölkerung multipliziert wird.

Zum Beispiel wird die Inzidenz von Brustkrebs bei einer Frau im Vereinigten Königreich im Alter von 55 bis 59 Jahren auf ungefähr 280 Fälle pro 100.000 pro Jahr geschätzt, und der Risikofaktor, hochdosierter ionisierender Strahlung ausgesetzt worden zu sein Brust (zum Beispiel als Behandlungen für andere Krebsarten) verleiht ein relatives Brustkrebsrisiko zwischen 2, 1 und 4, 0 im Vergleich zu unbelichtet. Da ein geringer Anteil der Bevölkerung exponiert ist, kann die Prävalenz in der nicht exponierten Bevölkerung gleich der Prävalenz in der Allgemeinbevölkerung angenommen werden. Anschließend kann geschätzt werden, dass eine Frau im Vereinigten Königreich im Alter zwischen 55 und 59 Jahren, die hochdosierter ionisierender Strahlung ausgesetzt war, über einen Zeitraum von einem Jahr ein Brustkrebsrisiko zwischen 588 und 1.120 von 100.000 (dh zwischen 0,6% und 1.1%) haben sollte.

Multiple risk factorsEdit

Theoretisch kann das Gesamtrisiko bei Vorhandensein mehrerer Risikofaktoren grob geschätzt werden, indem mit jedem relativen Risiko multipliziert wird, ist jedoch im Allgemeinen viel weniger genau als die Verwendung von Likelihood Ratios und wird normalerweise nur durchgeführt, weil es viel einfacher ist, wenn nur relative Risiken angegeben werden, verglichen mit beispielsweise der Konvertierung der Quelldaten in Sensitivitäten und Spezifitäten und der Berechnung nach Likelihood Ratios. Ebenso werden in der Literatur häufig relative Risiken anstelle von Wahrscheinlichkeitsverhältnissen angegeben, da erstere intuitiver sind. Quellen für Ungenauigkeiten bei der Multiplikation relativer Risiken sind:

• Relative Risiken werden durch die Prävalenz der Erkrankung in der Referenzgruppe beeinflusst (im Gegensatz zu Likelihood Ratios, die dies nicht sind), und dieses Problem führt dazu, dass die Gültigkeit von Wahrscheinlichkeiten nach dem Test mit zunehmendem Unterschied zwischen der Prävalenz in der Referenzgruppe und der Prätestwahrscheinlichkeit für jedes Individuum weniger gültig wird. Jeder bekannte Risikofaktor oder vorherige Test eines Individuums führt fast immer zu einem solchen Unterschied, wodurch die Gültigkeit der Verwendung relativer Risiken bei der Schätzung der Gesamtwirkung mehrerer Risikofaktoren oder Tests verringert wird. Die meisten Ärzte berücksichtigen solche Prävalenzunterschiede bei der Interpretation der Testergebnisse nicht angemessen, was zu unnötigen Test- und Diagnosefehlern führen kann.
• Eine separate Quelle der Ungenauigkeit bei der Multiplikation mehrerer relativer Risiken unter Berücksichtigung nur positiver Tests besteht darin, dass das Gesamtrisiko im Vergleich zur Verwendung von Wahrscheinlichkeitsverhältnissen tendenziell überschätzt wird. Diese Überschätzung kann durch die Unfähigkeit der Methode erklärt werden, die Tatsache zu kompensieren, dass das Gesamtrisiko nicht mehr als 100% betragen kann. Diese Überschätzung ist bei kleinen Risiken eher gering, wird aber bei höheren Werten höher. Beispielsweise kann das Risiko, bei Frauen im Vereinigten Königreich unter 40 Jahren an Brustkrebs zu erkranken, auf etwa 2% geschätzt werden. Studien an aschkenasischen Juden haben auch gezeigt, dass eine Mutation in BRCA1 ein relatives Risiko von 21,6 für die Entwicklung von Brustkrebs bei Frauen unter 40 Jahren und eine Mutation in BRCA2 ein relatives Risiko von 3 birgt.3 der Entwicklung von Brustkrebs bei Frauen unter 40 Jahren. Aus diesen Daten kann geschätzt werden, dass eine Frau mit einer BRCA1-Mutation in einem Alter unter 40 Jahren ein Risiko von etwa 40% für die Entwicklung von Brustkrebs und eine Frau mit einer BRCA2-Mutation ein Risiko von etwa 6% hätte. In der eher unwahrscheinlichen Situation, sowohl eine BRCA1- als auch eine BRCA2-Mutation zu haben, würde eine einfache Multiplikation mit beiden relativen Risiken jedoch zu einem Risiko von über 140% führen, vor dem 40. Lebensjahr an Brustkrebs zu erkranken, was in der Realität unmöglich sein kann genau.

Der (letztgenannte) Effekt der Überschätzung kann kompensiert werden, indem Risiken in Quoten und relative Risiken in Quotenverhältnisse umgewandelt werden. Dies kompensiert jedoch nicht den (zuvor erwähnten) Effekt eines Unterschieds zwischen der Prätestwahrscheinlichkeit eines Individuums und der Prävalenz in der Referenzgruppe.

Eine Methode zur Kompensation beider Ungenauigkeitsquellen besteht darin, die relativen Risiken durch multivariate Regressionsanalyse zu ermitteln. Um ihre Gültigkeit zu behalten, müssen die als solche ermittelten relativen Risiken jedoch mit allen anderen Risikofaktoren in derselben Regressionsanalyse multipliziert werden, ohne dass andere Faktoren über die Regressionsanalyse hinaus hinzugefügt werden.

Darüber hinaus besteht bei der Multiplikation mehrerer relativer Risiken das gleiche Risiko, dass wichtige Überschneidungen der enthaltenen Risikofaktoren fehlen, ähnlich wie bei der Verwendung von Likelihood Ratios. Auch können unterschiedliche Risikofaktoren synergetisch wirken, so dass beispielsweise zwei Faktoren, die beide einzeln ein relatives Risiko von 2 aufweisen, ein relatives Gesamtrisiko von 6 aufweisen, wenn beide vorhanden sind, oder sich gegenseitig hemmen können, ähnlich wie bei der für die Verwendung von Likelihood Ratios beschriebenen Interferenz.

Nach diagnostischen Kriterien und klinischen Vorhersageregeln

Die meisten schweren Krankheiten haben diagnostische Kriterien und / oder klinische Vorhersageregeln festgelegt. Die Festlegung diagnostischer Kriterien oder klinischer Vorhersageregeln besteht aus einer umfassenden Bewertung vieler Tests, die als wichtig für die Schätzung der Wahrscheinlichkeit eines interessierenden Zustands angesehen werden, manchmal auch, wie er in Untergruppen unterteilt werden kann und wann und wie der Zustand zu behandeln ist. Eine solche Einrichtung kann die Verwendung von Vorhersagewerten, Wahrscheinlichkeitsverhältnissen sowie relativen Risiken umfassen.

Beispielsweise definieren die ACR-Kriterien für systemischen Lupus erythematodes die Diagnose als Vorhandensein von mindestens 4 von 11 Befunden, von denen jeder als Zielwert eines Tests mit eigener Sensitivität und Spezifität angesehen werden kann. Dabei wurden die Tests für diese Zielparameter bei kombinierter Anwendung beispielsweise hinsichtlich Interferenz zwischen ihnen und Überlappung von Zielparametern bewertet, um Ungenauigkeiten zu vermeiden, die sonst bei dem Versuch entstehen könnten, die Wahrscheinlichkeit der Erkrankung anhand von Likelihood Ratios der einzelnen Tests zu berechnen. Wenn diagnostische Kriterien für einen Zustand festgelegt wurden, ist es daher im Allgemeinen am besten geeignet, die Wahrscheinlichkeit nach dem Test für diesen Zustand im Kontext dieser Kriterien zu interpretieren.

Außerdem gibt es Risikobewertungstools zur Abschätzung des kombinierten Risikos mehrerer Risikofaktoren, wie das Online-Tool der Framingham Heart Study zur Abschätzung des Risikos für koronare Herzkrankheiten unter Verwendung mehrerer Risikofaktoren, einschließlich Alter, Geschlecht, Blutfette, Blutdruck und Rauchen, die viel genauer sind als die Multiplikation der einzelnen relativen Risiken jedes Risikofaktors.

Dennoch kann ein erfahrener Arzt die Wahrscheinlichkeit nach dem Test (und die von ihm motivierten Handlungen) durch eine breite Betrachtung einschließlich Kriterien und Regeln zusätzlich zu anderen zuvor beschriebenen Methoden abschätzen, einschließlich sowohl einzelner Risikofaktoren als auch der Leistungen von Tests, die durchgeführt wurden.