Предполагая перекрестную классификацию, подобную показанной ниже (здесь, для инструмента скрининга)
мы можем определить четыре показателя точности скрининга и прогнозирующей силы:
- Чувствительность (se), a / (a + c), т. Е. Вероятность того, что скрининг обеспечит положительный результат при наличии заболевания;
- Специфичность (sp), d / (b + d), т. Е. Вероятность того, что скрининг даст отрицательный результат, если болезнь отсутствует;
- Положительная прогностическая ценность (PPV), a / (a + b), т. Е. Вероятность пациентов с положительными результатами теста, которые правильно поставили диагноз (как положительный);
- Отрицательное прогностическое значение (NPV), d / (c + d), то есть вероятность пациентов с отрицательными результатами теста, которые правильно диагностированы (как отрицательные).
Каждые четыре показателя представляют собой простые пропорции, рассчитанные по наблюдаемым данным. Таким образом, подходящим статистическим тестом будет биномиальный (точный) тест , который должен быть доступен в большинстве статистических пакетов или во многих онлайн-калькуляторах. Проверенная гипотеза состоит в том, значительно ли отличаются наблюдаемые пропорции от 0,5 или нет. Однако я обнаружил, что более интересно предоставить доверительные интервалы, а не один критерий значимости, поскольку он дает информацию о точности измерения. В любом случае, для воспроизведения результатов, которые вы показали, вам нужно знать общие поля вашей двусторонней таблицы (вы указали только PPV и NPV в виде%).
В качестве примера предположим, что мы наблюдаем следующие данные (вопросник CAGE является проверочной анкетой на алкоголь):
тогда в R PPV будет рассчитываться следующим образом:
> binom.test(99, 142)
Exact binomial test
data: 99 and 142
number of successes = 99, number of trials = 142, p-value = 2.958e-06
alternative hypothesis: true probability of success is not equal to 0.5
95 percent confidence interval:
0.6145213 0.7714116
sample estimates:
probability of success
0.6971831
Если вы используете SAS, вы можете взглянуть на примечание об использовании 24170: как я могу оценить чувствительность, специфичность, положительные и отрицательные прогностические значения, ложноположительные и отрицательные вероятности и отношения правдоподобия? ,
Для вычисления доверительных интервалов используется гауссовское приближение, (1.96 - квантиль стандартного нормального распределения при или с %), используется на практике, особенно когда пропорции довольно малы или велики (что часто имеет место здесь). p=0,9751-α/2α=5p ± 1,96 × p ( 1 - p ) / n---------√р = 0,9751 - α / 2α = 5
Для дальнейшего ознакомления, вы можете посмотреть на
Newcombe, RG. Двусторонние доверительные интервалы для одной пропорции: сравнение семи методов .
Статистика в медицине , 17, 857-872 (1998).