A teszt előtti és utáni valószínűség

a klinikai gyakorlatban a teszt utáni valószínűségeket gyakran csak durván becsülik vagy akár kitalálják. Ez általában elfogadható egy patognomonikus jel vagy tünet megállapításakor, ebben az esetben szinte biztos, hogy a célállapot jelen van; vagy sine qua non jel vagy tünet megtalálásának hiányában, ebben az esetben szinte biztos, hogy a célállapot hiányzik.

a valóságban azonban az állapot jelenlétének szubjektív valószínűsége soha nem pontosan 0 vagy 100%. Ennek ellenére számos szisztematikus módszer létezik ennek a valószínűségnek a becslésére. Az ilyen módszerek általában azon alapulnak, hogy korábban elvégezték a tesztet egy olyan referenciacsoporton, amelyben az állapot jelenléte vagy hiánya ismert (vagy legalábbis egy másik, nagyon pontosnak tekintett teszt, például az “aranystandard”), a teszt teljesítményének adatainak megállapítása érdekében. Ezeket az adatokat később felhasználják a módszerrel tesztelt bármely személy vizsgálati eredményének értelmezésére. A referenciacsoport-alapú módszerek alternatívája vagy kiegészítése a teszt eredményének összehasonlítása egy ugyanazon egyénen végzett korábbi teszttel, ami gyakoribb a monitorozási tesztekben.

a teszt utáni valószínűség becslésére szolgáló legfontosabb szisztematikus referenciacsoport-alapú módszerek a következő táblázatban összefoglalt és összehasonlított, valamint az alábbi szakaszokban ismertetett módszereket tartalmazzák.

prediktív értékekkelszerkesztés

a prediktív értékek felhasználhatók az egyén teszt utáni valószínűségének becslésére ha az egyén teszt előtti valószínűsége nagyjából megegyezik egy olyan referenciacsoport prevalenciájával, amelyen mind a vizsgálati eredmények, mind az állapot jelenlétére vagy hiányára vonatkozó ismeretek (például egy betegség, például az “arany standard” által meghatározott may) rendelkezésre állnak.

ha a teszt eredménye bináris osztályozás pozitív vagy negatív tesztekre, akkor a következő táblázat készíthető:

a teszt előtti valószínűség a diagramból a következőképpen számítható ki:

teszt előtti valószínűség = (igaz pozitív + hamis negatív) / teljes minta

ebben az esetben a pozitív teszt utáni valószínűség (a célállapot fennállásának valószínűsége, ha a teszt pozitívnak esik ki) számszerűen megegyezik a pozitív prediktív értékkel, és a negatív teszt utáni valószínűség (a célállapot fennállásának valószínűsége, ha a teszt negatívnak esik ki) számszerűen kiegészíti a negatív prediktív értéket ( = 1 -), ismét feltételezve, hogy a vizsgált egyénnek nincs semmilyen negatív prediktív értéke egyéb kockázati tényezők, amelyek azt eredményezik, hogy az egyén a teszt előtti valószínűség eltér a teszt pozitív és negatív prediktív értékeinek megállapításához használt referenciacsoporttól.

a fenti ábrán ezt a pozitív teszt utáni valószínűséget, vagyis a pozitív teszt eredményt adott célállapot teszt utáni valószínűségét a következőképpen számítjuk ki:

pozitív teszt utáni valószínűség = igaz pozitív / (igaz pozitív + hamis pozitív)

hasonlóképpen:

a negatív eredményt adott betegség teszt utáni valószínűségét úgy számítjuk ki, mint:

negatív posttest valószínűség = hamis negatívok / (hamis negatívok + igaz negatívok)

a fenti egyenletek érvényessége attól is függ, hogy a populációból származó minta nem rendelkezik jelentős mintavételi torzítással, ami a betegségben szenvedők csoportjait és azokat, akik nem lényegesen aránytalanok a megfelelő prevalenciával és a “nem prevalenciával” a populációban. Valójában a fenti egyenletek nem érvényesek pusztán egy esettanulmány-vizsgálattal, amely külön gyűjt egy csoportot a feltétellel, egy csoportot pedig anélkül.

valószínűségi arány szerintszerkeszt

a fenti módszerek nem alkalmazhatók, ha az elővizsgálati valószínűség eltér a referenciacsoport prevalenciájától, amelyet többek között a teszt pozitív prediktív értékének megállapításához használtak. Ez a különbség akkor fordulhat elő, ha egy másik vizsgálat előzi meg, vagy a diagnosztikában részt vevő személy úgy véli, hogy egy másik elővizsgálati valószínűséget kell használni, például konkrét panaszok, a kórtörténet egyéb elemei, a fizikális vizsgálat jeleinek ismerete miatt, vagy úgy, hogy minden egyes megállapítást önmagában tesztként számít ki, saját érzékenységével és specifikusságával, vagy legalább az egyes teszt előtti valószínűség durva becslésével.

ezekben az esetekben a referenciacsoport prevalenciája nem teljesen pontos az egyén teszt előtti valószínűségének ábrázolásában, következésképpen a prediktív érték (akár pozitív, akár negatív) nem teljesen pontos az egyén teszt utáni valószínűségének ábrázolásában a célállapot.

ezekben az esetekben a teszt utáni valószínűség pontosabban becsülhető meg a teszt valószínűségi arányának felhasználásával. A valószínűségi arányt a teszt érzékenységéből és specifikusságából számítják ki, így nem függ a referenciacsoport prevalenciájától, és hasonlóképpen nem változik a megváltozott teszt előtti valószínűséggel, ellentétben a pozitív vagy negatív prediktív értékekkel (amelyek megváltoznának). Valójában a valószínűségi arány alapján meghatározott teszt utáni valószínűség érvényessége nem érzékeny a mintavételi torzításra a populációs mintában szereplő állapotokkal vagy anélkül, és esettanulmányként is elvégezhető, amely külön gyűjti a feltétellel és anélkül.

a teszt utáni valószínűség becslése a teszt előtti valószínűség és valószínűségi arány alapján a következő:

• Pretest odds = (pretest valószínűség / (1 – pretest valószínűség)
• Posttest odds = Pretest odds * valószínűségi Arány

a fenti egyenletben a pozitív teszt utáni valószínűséget a valószínűségi arány pozitív, a negatív teszt utáni valószínűséget pedig a valószínűségi Arány negatív felhasználásával számítják ki.

• Posttest valószínűség = Posttest odds / (Posttest odds + 1)

Fagan nomogram

az összefüggést egy ún Fagan nomogram (jobbra látható) úgy is megbecsülhetjük, hogy egyenes vonalat készítünk az adott teszt előtti valószínűség pontjától az adott valószínűségi arányig a skálájukban, amely viszont megbecsüli a teszt utáni valószínűséget azon a ponton, ahol ez az egyenes keresztezi a skáláját.

a teszt utáni valószínűség viszont felhasználható teszt előtti valószínűségként további vizsgálatokhoz, ha továbbra is azonos módon számítják ki.

• a vizsgálat előtti és utáni valószínűségek diagramja, ahol a zöld görbe (bal felső fele) pozitív tesztet, a piros görbe (jobb alsó fele) negatív tesztet jelent, 90% – os érzékenység és 90%-os specifitás esetén, ami 9-es pozitív valószínűségi aránynak, 0,111-es negatív valószínűségi aránynak felel meg. A zöld nyilak hossza az abszolút (nem pedig a relatív) valószínűség változását jelzi pozitív teszt esetén, a piros nyilak pedig az abszolút valószínűség változását jelzik negatív teszt esetén.
  a nyilak hosszából látható, hogy alacsony teszt előtti valószínűségek esetén a pozitív teszt nagyobb változást eredményez az abszolút valószínűségben, mint a negatív teszt (olyan tulajdonság, amely általában addig érvényes, amíg a specifitás nem sokkal magasabb, mint az érzékenység). Hasonlóképpen, nagy teszt előtti valószínűségek esetén a negatív teszt nagyobb változást eredményez az abszolút valószínűségben, mint a pozitív teszt (olyan tulajdonság, amely általában érvényes, amíg az érzékenység nem sokkal magasabb, mint a specifitás).

• a különböző valószínűségi arány pozitív (bal felső fele) és a különböző valószínűségi Arány negatív (jobb alsó fele) teszt előtti és utáni valószínűségek közötti kapcsolat.

lehetőség van a valószínűségi arányok kiszámítására folyamatos értékekkel vagy kettőnél több eredménnyel rendelkező tesztek esetében, amely hasonló a dichotóm eredmények kiszámításához. Ebből a célból a vizsgálati eredmény minden szintjére külön valószínűségi arányt számítanak ki, amelyet intervallum-vagy rétegspecifikus valószínűségi arányoknak neveznek.

ExampleEdit

egy személyt a széklet okkult vérének (FOB) tesztjével szűrtek, hogy megbecsüljék a bélrák célállapotának valószínűségét, és pozitív lett (vért mutattak ki a székletben). A vizsgálat előtt, hogy az egyén volt egy pre-teszt valószínűsége bélrák, például, 3% (0,03), mint lehetett volna becsülni értékelésével, például, a kórtörténet, vizsgálat és a korábbi vizsgálatok, hogy az egyén.

az érzékenység, specificitás stb. a FOB-tesztet 203 fős populációs mintával (ilyen öröklődés nélkül) hozták létre, és a következőképpen esett ki:

ebből megállapítható a teszt valószínűségi aránya:

1. valószínűségi arány pozitív = érzékenység / (1-specifitás) = 66.67% / (1 − 91%) = 7.4
2. valószínűségi Arány negatív = (1-érzékenység) / specifitás = (1 − 66.67%) / 91% = 0.37

• Pretest valószínűség (ebben a példában) = 0.03
• Pretest odds = 0.03 / (1 – 0.03) = 0.0309
• pozitív posttest esélyek = 0.0309 * 7.4 = 0.229
• pozitív posttest valószínűség = 0.229 / (0.229 + 1) = 0.186 vagy 18.6%

így ennek az egyénnek a teszt utáni valószínűsége (vagy “teszt utáni kockázata”) a bélrák 18,6%-a.

a populációs mintában a prevalencia kiszámítása:

• előfordulás = (2 + 1) / 203 = 0.0148 vagy 1.48%

az egyén teszt előtti valószínűsége több mint kétszerese volt a populációs mintának, bár az egyén teszt utáni valószínűsége kevesebb, mint kétszerese volt a populációs mintának (amelyet a teszt pozitív prediktív értéke 10%), ellentétben azzal, amit a relatív kockázatok egyszerű megszorzásának kevésbé pontos módszere eredményezne.

a pontatlanság specifikus forrásaiszerkesztés

ha a valószínűségi arányt a teszt utáni valószínűség meghatározására használják, a pontatlanság specifikus forrásai közé tartozik a determinánsokkal való interferencia vagy a korábbi tesztek vagy a tesztcélok átfedése, az alábbiak szerint:

interferencia a teszteléssel

a teszt utáni valószínűséget a teszt előtti valószínűség valószínűségi arány alapján becsülve óvatosan kell kezelni az Általános populációtól eltérő más meghatározó tényezőkkel (például kockázati tényezőkkel) rendelkező egyéneknél, valamint azoknál az egyéneknél, akiken korábbi vizsgálatokat végeztek, mivel ezek a meghatározó tényezők vagy tesztek kiszámíthatatlanul befolyásolhatják magát a tesztet, és még mindig pontatlan eredményeket eredményezhetnek. Az elhízás kockázati tényezőjére példa, hogy a további hasi zsír megnehezítheti a hasi szervek tapintását és csökkentheti a hasi ultrahang felbontását, és hasonlóképpen, a korábbi radiográfiából származó bárium-kontraszt befolyásolhatja a későbbi hasi vizsgálatokat, valójában csökkentve az ilyen későbbi vizsgálatok érzékenységét és sajátosságait. Másrészt az interferencia hatása potenciálisan javíthatja a későbbi tesztek hatékonyságát a referenciacsoportban történő felhasználáshoz képest, például néhány hasi vizsgálat könnyebb, ha alulsúlyos embereken végzik.

A vizsgálatok Átfedéseszerkeszt

ezenkívül a számítások érvényessége bármely, a vizsgálat előtti valószínűségre vonatkozóan, amely önmagában egy korábbi vizsgálatból származik, attól függ, hogy a két vizsgálat nem mutat-e szignifikáns átfedést a vizsgált célparaméter tekintetében, mint például egy és ugyanazon zavaros anyagcsere-útvonalhoz tartozó anyagok vérvizsgálata. Egy példa az ilyen átfedés szélsőségére, ahol az érzékenységet és a specifitást az “X” anyagot kimutató vérvizsgálatra, valamint az “Y”anyagot kimutató vérvizsgálatra állapították meg. Ha valójában az “X anyag” és az “Y anyag” egy és ugyanaz az anyag, akkor egy és ugyanazon anyag két egymást követő vizsgálatának elvégzése egyáltalán nem járhat diagnosztikai értékkel, bár úgy tűnik, hogy a számítás különbséget mutat. A fent leírt interferenciával ellentétben a tesztek növekvő átfedése csak csökkenti hatékonyságukat. Az orvosi környezetben a diagnosztikai érvényesség a különböző módozatok tesztjeinek kombinálásával nő, hogy elkerüljék a jelentős átfedéseket, például vérvizsgálat, biopszia és röntgenfelvétel kombinációjával.

módszerek a pontatlanság leküzdésére

az ilyen pontatlansági források valószínűségi arányok alkalmazásával történő elkerülése érdekében az optimális módszer az egyenértékű egyének nagy referenciacsoportjának összegyűjtése lenne annak érdekében, hogy külön prediktív értékeket állapítsanak meg a teszt ilyen egyéneknél történő felhasználására. Azonban több ismerettel az egyén kórtörténetéről, fizikai vizsgálatáról és korábbi tesztjéről stb. ez az egyén differenciáltabbá válik, egyre nehezebben talál referenciacsoportot a testreszabott prediktív értékek megállapításához, érvénytelenné téve a teszt utáni valószínűség becslését prediktív értékekkel.

az ilyen pontatlanságok kiküszöbölésére egy másik módszer a teszt eredményének a diagnosztikai kritériumok összefüggésében történő értékelése, a következő szakaszban leírtak szerint.

relatív kockázattal

a teszt utáni valószínűség néha megbecsülhető úgy, hogy a teszt előtti valószínűséget megszorozzuk a teszt által adott relatív kockázattal. A klinikai gyakorlatban ezt általában az egyén kórtörténetének értékelésekor alkalmazzák, ahol a “teszt” általában kérdés (vagy akár feltételezés) a különféle kockázati tényezőkre, például a nemre, a dohányzásra vagy a súlyra vonatkozóan, de potenciálisan jelentős teszt lehet, például az egyén mérlegelésre helyezése. Relatív kockázatok alkalmazásakor az ebből eredő valószínűség általában inkább azzal függ össze, hogy az egyén egy bizonyos idő alatt kifejleszti az állapotot (hasonlóan a populációban előforduló előforduláshoz), ahelyett, hogy az egyén valószínűsége lenne annak, hogy a jelenben fennáll-e az állapot, de közvetetten az utóbbi becslése lehet.

a relatív kockázathoz hasonlóan a relatív hazárd használata is alkalmazható.

egy kockázati tényezőhitel

relatív kockázat megállapításához a kitett csoport kockázatát el kell osztani a nem kitett csoport kockázatával.

ha az egyénnek csak egy kockázati tényezőjét vesszük figyelembe, akkor a vizsgálat utáni valószínűséget úgy lehet megbecsülni, hogy a relatív kockázatot megszorozzuk a kontrollcsoport kockázatával. A kontrollcsoport általában a megvilágítatlan populációt képviseli, de ha a populáció nagyon alacsony hányada van kitéve, akkor az általános populációban a prevalencia gyakran feltételezhető, hogy megegyezik a kontrollcsoport prevalenciájával. Ilyen esetekben a vizsgálat utáni valószínűség úgy becsülhető meg, hogy a relatív kockázatot megszorozzuk az általános populációban fennálló kockázattal.

például az emlőrák előfordulása egy nőnél az Egyesült Királyságban 55-59 éves korban becslések szerint körülbelül 280 eset / 100 000 évente, és a mellkasra nagy dózisú ionizáló sugárzásnak való kitettség kockázati tényezője (például más rákos megbetegedések kezeléseként) az emlőrák relatív kockázatát 2,1 és 4,0 között növeli, összehasonlítva a megvilágítatlan. Mivel a populáció alacsony hányada van kitéve, feltételezhető, hogy a megvilágítatlan populáció prevalenciája megegyezik az általános populáció prevalenciájával. Ezt követően meg lehet becsülni, hogy az Egyesült Királyságban egy 55-59 év közötti nőnek, aki nagy dózisú ionizáló sugárzásnak van kitéve, 588 és 1.120 között 100.000 (azaz 0,6% és 1.1% között) közötti időszakban fennáll az emlőrák kialakulásának kockázata.

Multiple risk factorsEdit

elméletileg a teljes kockázat több kockázati tényező jelenlétében nagyjából becsülhető meg az egyes relatív kockázatokkal való szorzással, de általában sokkal kevésbé pontos, mint a valószínűségi arányok használata, és általában csak azért történik, mert sokkal könnyebb végrehajtani, ha csak relatív kockázatokat adunk meg, összehasonlítva például a forrásadatok érzékenységekre és sajátosságokra történő konvertálásával, és valószínűségi arányok alapján számolva. Hasonlóképpen, a szakirodalomban gyakran relatív kockázatokat adnak a valószínűségi arányok helyett, mert az előbbi intuitívabb. A relatív kockázatok szorzásának pontatlanságának forrásai a következők:

• a relatív kockázatokat befolyásolja az állapot prevalenciája a referenciacsoportban (ellentétben a valószínűségi arányokkal, amelyek nem), és ez a kérdés azt eredményezi, hogy a teszt utáni valószínűségek érvényessége kevésbé érvényes, mivel növekszik a különbség a referenciacsoport prevalenciája és a teszt előtti valószínűség között bármely egyén esetében. Bármely ismert kockázati tényező vagy az egyén korábbi tesztje szinte mindig ilyen különbséget eredményez, csökkentve a relatív kockázatok alkalmazásának érvényességét több kockázati tényező vagy teszt teljes hatásának becslésében. A legtöbb orvos a vizsgálati eredmények értelmezésekor nem veszi megfelelően figyelembe az ilyen előfordulási különbségeket, ami szükségtelen tesztelési és diagnosztikai hibákat okozhat.
• a relatív kockázatok szorzásának külön pontatlansága, csak a pozitív teszteket figyelembe véve, az, hogy hajlamos túlbecsülni a teljes kockázatot a valószínűségi arányok használatához képest. Ez a túlbecslés azzal magyarázható, hogy a módszer nem képes kompenzálni azt a tényt, hogy a teljes kockázat nem haladhatja meg a 100% – ot. Ez a túlbecslés meglehetősen kicsi a kis kockázatoknál, de magasabb értékeknél magasabb lesz. Például az Egyesült Királyságban a nőknél 40 évnél fiatalabb korban az emlőrák kialakulásának kockázata körülbelül 2% – ra becsülhető. Az askenázi zsidókon végzett vizsgálatok azt is kimutatták, hogy a BRCA1 mutációja 21,6 relatív kockázatot jelent a mellrák kialakulására a 40 év alatti nőknél, a BRCA2 mutációja pedig 3 relatív kockázatot jelent.3 a mellrák kialakulása 40 év alatti nőknél. Ezekből az adatokból becsülhető, hogy egy BRCA1 mutációval rendelkező nőnél az emlőrák kialakulásának körülbelül 40% – ának kockázata lenne 40 évnél fiatalabb korban, a BRCA2 mutációval rendelkező nőknél pedig körülbelül 6% lenne a kockázat. Abban a meglehetősen valószínűtlen helyzetben, hogy mind a BRCA1, mind a BRCA2 mutáció fennáll, egyszerűen mindkét relatív kockázattal való szaporodás az emlőrák kialakulásának több mint 140% – ának kockázatát eredményezné 40 éves kor előtt, ami a valóságban nem lehet pontos.

a túlbecslés (utóbbi említett) hatása kompenzálható a kockázatok odds-re, a relatív kockázatok pedig odds-arányokra történő átalakításával. Ez azonban nem kompenzálja az egyén teszt előtti valószínűsége és a referenciacsoport prevalenciája közötti különbség (előbb említett) hatását.

a fenti pontatlanság mindkét forrásának kompenzálására szolgáló módszer a relatív kockázatok többváltozós regresszióanalízissel történő megállapítása. Érvényességének megőrzése érdekében azonban az ilyenként megállapított relatív kockázatokat meg kell szorozni az összes többi kockázati tényezővel ugyanabban a regresszióanalízisben, a regresszióanalízisen kívüli egyéb tényezők hozzáadása nélkül.

ezenkívül a többszörös relatív kockázatok szorzása ugyanolyan kockázattal jár, hogy hiányzik a mellékelt kockázati tényezők fontos átfedése, hasonlóan a valószínűségi arányok alkalmazásához. A különböző kockázati tényezők szinergiában is működhetnek, aminek eredményeként például két olyan tényező, amelynek mindkettő egyenként relatív kockázata 2, teljes relatív kockázata 6, ha mindkettő jelen van, vagy gátolhatja egymást, némileg hasonlóan a valószínűségi arányok használatához leírt interferenciához.

diagnosztikai kritériumok és klinikai előrejelzési szabályok szerintSzerkesztés

a legtöbb súlyos betegség diagnosztikai kritériumokat és/vagy klinikai előrejelzési szabályokat állapított meg. A diagnosztikai kritériumok vagy a klinikai előrejelzési szabályok megállapítása számos olyan teszt átfogó értékeléséből áll, amelyeket fontosnak tartanak az érdekes állapot valószínűségének becslésében, néha azt is, hogy hogyan kell alcsoportokra osztani, és mikor és hogyan kell kezelni az állapotot. Az ilyen megállapítás magában foglalhatja a prediktív értékek használatát, valószínűségi arányok, valamint relatív kockázatok.

például a szisztémás lupus erythematosus ACR kritériumai a diagnózist legalább 4 11 lelet jelenléteként határozzák meg, amelyek mindegyike a saját érzékenységével és specifikusságával rendelkező teszt célértékének tekinthető. Ebben az esetben ezeket a célparamétereket együttesen alkalmazva értékelték, például a köztük lévő interferencia és a célparaméterek átfedése tekintetében, ezáltal törekedve arra, hogy elkerüljék azokat a pontatlanságokat, amelyek egyébként felmerülhetnek, ha a betegség valószínűségét az egyes vizsgálatok valószínűségi arányai alapján próbálják kiszámítani. Ezért, ha EGY állapotra diagnosztikai kritériumokat állapítottak meg, általában a legmegfelelőbb az adott állapot teszt utáni valószínűségét e kritériumok összefüggésében értelmezni.

vannak olyan kockázatértékelési eszközök is, amelyek több kockázati tényező együttes kockázatának becslésére szolgálnak, mint például a Framingham Heart Study online eszköze a szívkoszorúér-betegség kimenetelének becslésére több kockázati tényező felhasználásával, beleértve az életkorot, a nemet, a vérzsírokat, a vérnyomást és a dohányzást, sokkal pontosabb, mint az egyes kockázati tényezők egyedi relatív kockázatainak szorzása.

mégis, egy tapasztalt orvos megbecsülheti a teszt utáni valószínűséget (és az általa motivált tevékenységeket) széles körű megfontolással, beleértve a kritériumokat és szabályokat a korábban leírt egyéb módszerek mellett, beleértve mind az egyéni kockázati tényezőket, mind az elvégzett tesztek teljesítményét.