การทดสอบใด ๆ ที่ทำกับประชากรเฉพาะจะต้องสามารถคำนวณได้ ความไว, ความจำเพาะ, ค่าพยากรณ์เชิงบวก, และ ค่าพยากรณ์เชิงลบ เพื่อกำหนดประโยชน์ของการทดสอบในการตรวจหาโรคหรือลักษณะเฉพาะของประชากร หากเราต้องการใช้การทดสอบเพื่อทดสอบคุณลักษณะบางอย่างในกลุ่มตัวอย่าง สิ่งที่เราจำเป็นต้องรู้คือ:
- การทดสอบนี้จะตรวจจับได้มากน้อยเพียงใด การดำรงอยู่ ลักษณะบางอย่างของบุคคล กับ ลักษณะดังกล่าว (ความไว) ?
- การทดสอบนี้จะตรวจจับได้มากน้อยเพียงใด ขาด ลักษณะบางอย่างของบุคคล ที่ไม่มี ลักษณะเหล่านี้ (ความจำเพาะ) ?
- เป็นไปได้แค่ไหนที่คนที่มีผลตรวจเหมือนกัน เชิงบวก อย่างแท้จริง มี ลักษณะเหล่านี้ (ค่าพยากรณ์บวก)?
-
เป็นไปได้มากน้อยเพียงใดที่ผู้มีผลการทดสอบ เชิงลบ อย่างแท้จริง ไม่มี ลักษณะเหล่านี้ (ค่าพยากรณ์เชิงลบ)?
ค่าเหล่านี้มีความสำคัญมากในการคำนวณหา ตรวจสอบว่าการทดสอบมีประโยชน์สำหรับการวัดลักษณะเฉพาะในประชากรที่กำหนดหรือไม่
บทความนี้จะแสดงวิธีการคำนวณค่าเหล่านี้
ขั้นตอน
วิธีที่ 1 จาก 1: การนับตัวเอง
ขั้นตอนที่ 1 กำหนดประชากรที่จะสุ่มตัวอย่าง เช่น ผู้ป่วย 1,000 คนในคลินิก
ขั้นตอนที่ 2 กำหนดโรคหรือลักษณะที่ต้องการ เช่น ซิฟิลิส
ขั้นตอนที่ 3 มีมาตรฐานทองคำมาตรฐานสำหรับกำหนดความชุกของโรคหรือลักษณะที่ต้องการ เช่น เอกสารด้วยกล้องจุลทรรศน์แบบ dark-field ของแบคทีเรีย Treponema pallidum จากเศษแผลซิฟิลิส ร่วมกับผลการวิจัยทางคลินิก
ใช้การทดสอบมาตรฐานทองคำเพื่อกำหนดว่าใครมีลักษณะและใครไม่มี จากภาพประกอบ สมมติว่า 100 คนมีคุณสมบัติและ 900 คนไม่มี
ขั้นตอนที่ 4 ทำการทดสอบที่คุณสนใจเพื่อกำหนดความไว ความจำเพาะ ค่าพยากรณ์เชิงบวก และค่าพยากรณ์เชิงลบสำหรับประชากรกลุ่มนี้
ต่อไป ทำแบบทดสอบสำหรับทุกคนในกลุ่มตัวอย่าง ตัวอย่างเช่น สมมติว่านี่คือการทดสอบพลาสม่ารีเอจินอย่างรวดเร็ว (RPR) เพื่อตรวจหาซิฟิลิส ใช้เพื่อทดสอบ 1,000 คนในกลุ่มตัวอย่าง
ขั้นตอนที่ 5. สำหรับผู้ที่มีคุณสมบัติ (ตามที่กำหนดโดยมาตรฐานทองคำ) ให้บันทึกจำนวนคนที่ทดสอบเป็นบวกและจำนวนคนที่ทดสอบเป็นลบ
ทำเช่นเดียวกันกับคนที่ไม่มีคุณสมบัติ (ตามที่กำหนดโดยมาตรฐานทองคำ) คุณจะมีตัวเลขสี่ตัว ผู้ที่มีลักษณะและผลการทดสอบเป็นบวกคือ ผลบวกจริง (ผลบวกจริงหรือ TP). ผู้ที่มีลักษณะและผลการทดสอบติดลบคือ เชิงลบเท็จ (เชิงลบเท็จหรือ FN). ผู้ที่ไม่มีลักษณะและผลการทดสอบเป็นบวกคือ ผลบวกลวง (ผลบวกลวงหรือ FP). ผู้ที่ไม่มีลักษณะและผลการทดสอบติดลบคือ เนกาทีฟจริง (เนกาทีฟจริงหรือ TN). ตัวอย่างเช่น สมมติว่าคุณได้ทำการทดสอบ RPR กับผู้ป่วย 1,000 ราย ในบรรดาผู้ป่วยซิฟิลิส 100 ราย พบว่า 95 รายมีผลตรวจเป็นบวก ส่วนที่เหลืออีก 5 รายเป็นลบ ในบรรดาผู้ป่วย 900 รายที่ไม่มีซิฟิลิส 90 คนมีผลตรวจเป็นบวก และอีก 810 รายเป็นลบ ในกรณีนี้ TP=95, FN=5, FP=90 และ TN=810
ขั้นตอนที่ 6 ในการคำนวณความไว ให้หาร TP ด้วย (TP+FN)
ในตัวอย่างข้างต้น การคำนวณคือ 95/(95+5)= 95% ความอ่อนไหวบอกเราว่าการทดสอบมีแนวโน้มที่จะให้ผลบวกกับบุคคลที่มีลักษณะเป็นอย่างไร ในบรรดาคนที่มีลักษณะเฉพาะ สัดส่วนใดที่ทดสอบในเชิงบวก? ความไว 95% ดีเพียงพอ
ขั้นตอนที่ 7 ในการคำนวณความจำเพาะ ให้หาร TN ด้วย (FP+TN)
ในตัวอย่างข้างต้น การคำนวณคือ 810/(90+810)= 90% ความเฉพาะเจาะจงบอกเราเกี่ยวกับความน่าจะเป็นของการทดสอบที่ให้ผลลบกับคนที่ไม่มีลักษณะเฉพาะ ในบรรดาคนที่ไม่มีคุณลักษณะนี้ สัดส่วนใดเป็นลบทดสอบ? ความจำเพาะ 90% ดีพอ
ขั้นตอนที่ 8 ในการคำนวณค่าพยากรณ์เชิงบวก (NPP) ให้หาร TP ด้วย (TP+FP)
ในบริบทข้างต้น การคำนวณคือ 95/(95+90) = 51.4% ค่าพยากรณ์ที่เป็นบวกจะบอกถึงความน่าจะเป็นของบุคคลที่มีคุณสมบัติถ้าผลการทดสอบเป็นบวก ในบรรดาผู้ที่ทดสอบในเชิงบวก สัดส่วนใดมีลักษณะเฉพาะ? NPP 51.4% หมายความว่าหากผลการทดสอบของคุณเป็นบวก ความน่าจะเป็นที่จะเป็นโรคนี้จริงๆ คือ 51.4%
ขั้นตอนที่ 9 ในการคำนวณค่าพยากรณ์เชิงลบ (NPN) ให้หาร TN ด้วย (TN+FN)
จากตัวอย่างข้างต้น การคำนวณคือ 810/(810+5)= 99.4% ค่าพยากรณ์เชิงลบจะบอกถึงแนวโน้มที่บุคคลจะไม่มีลักษณะเฉพาะหากผลการทดสอบเป็นลบ ในบรรดาผู้ที่ทดสอบเชิงลบ สัดส่วนใดที่ขาดคุณสมบัติที่เป็นปัญหาจริง ๆ NPN 99.4% หมายความว่าถ้าผลการทดสอบของบุคคลเป็นลบ ความน่าจะเป็นที่จะไม่มีโรคในบุคคลนั้นคือ 99.4%
เคล็ดลับ
- ความแม่นยำ หรือประสิทธิภาพ คือเปอร์เซ็นต์ของผลการทดสอบที่ระบุอย่างถูกต้องโดยการทดสอบ กล่าวคือ (ผลบวกจริง + ผลลบจริง)/ผลการทดสอบรวม = (TP+TN)/(TP+TN+FP+FN)
- การตรวจคัดกรองที่ดีต้องมีความไวสูง เพราะคุณต้องการได้ทุกอย่างที่มีลักษณะเฉพาะ การทดสอบที่มีความไวสูงมากนั้นมีประโยชน์ในการวินิจฉัยโรคหรือลักษณะเฉพาะหากผลลัพธ์เป็นลบ ("SNOUT": ความไว-กฎ OUT)
- ลองทำตาราง 2x2 เพื่อให้ง่ายขึ้น
- เข้าใจว่าความไวและความจำเพาะเป็นคุณสมบัติที่แท้จริงของการทดสอบนั้น ไม่ ขึ้นอยู่กับประชากรที่มีอยู่นั่นคือ ค่าทั้งสองควรเหมือนกันหากทำการทดสอบเดียวกันในประชากรที่แตกต่างกัน
- การทดสอบความสามารถในการตรวจสอบที่ดีนั้นมีความเฉพาะเจาะจงสูง เนื่องจากคุณต้องการให้การทดสอบมีความเฉพาะเจาะจงและไม่ต้องติดป้ายกำกับผู้ที่ไม่มีคุณลักษณะโดยสมมติว่ามี การทดสอบที่มีความจำเพาะสูงมากมีประโยชน์สำหรับ ล้อมรอบ โรคหรือลักษณะบางอย่างหากผลเป็นบวก ("SPIN": กฎเฉพาะ IN)
- ในทางกลับกัน ค่าพยากรณ์เชิงบวกและค่าพยากรณ์เชิงลบ ขึ้นอยู่กับความชุกของลักษณะนี้ในประชากรเฉพาะ ยิ่งต้องการคุณลักษณะที่หายากเท่าใด ค่าพยากรณ์เชิงบวกก็จะยิ่งต่ำลง และค่าการทำนายเชิงลบก็จะยิ่งสูงขึ้น (เนื่องจากความน่าจะเป็นก่อนการทดสอบนั้นต่ำสำหรับลักษณะเฉพาะที่หายาก) ในทางกลับกัน ยิ่งคุณลักษณะทั่วไปมากเท่าใด ค่าการทำนายเชิงบวกก็จะยิ่งสูงขึ้นและค่าการทำนายเชิงลบก็จะยิ่งต่ำลง (เนื่องจากความน่าจะเป็นก่อนการทดสอบนั้นสูงสำหรับคุณลักษณะทั่วไป)
- พยายามทำความเข้าใจแนวคิดเหล่านี้ให้ดี