Efter ett sommaruppehåll är vi tillbaka med vår diagnostik-serie som vi började med i våras. Del 1 är en kort introduktion i ämnet. I del 2 – Test går vi igenom principerna för ett test medan vi i del 3 – vad är det frågan om? pratar om vad man skall tänka på innan man beställer ett test. Här kommer nu del 4 då vi går igenom hur man värderar hur bra ett test är på att svara på våra frågor. Denna kommer delas in i 2 artiklar där vi i denna pratar om sensitivitet och specificitet samt positivt- och negativt prediktivt värd. Den andra delen kommer diskutera Likelihoodratios och applicera detta praktiskt.

Vad kan vi få för svar från ett test?

Grundinformationen som vi jobbar med när vi skall analysera hur bra ett test är utgår ifrån tabellen nedan. Detta är ett sätt att visuellt ställa upp de olika svaren vi kan få när vi använder ett test. Om vi antar att ett test bara kan vara positivt eller negativt kan vi få fyra olika utfall (A, B, C, D). Det viktigaste att inse här är att vi just får fyra olika svar från ett test och inte bara två (positivt/negativ). Vi måste alltid värdera om svaret är sant eller inte. Med denna tabell i bakhuvudet kan vi börja bedöma test.

Positiv (sjuk) Negativ (frisk) Summa
Test positiv A (sant positiv) B (falsk positiv) A+B
Test negativ C (falsk negativ) D (sant negativ) C+D
Summa A+C B+D A+B+C+D
Sensitivitet och Specificitet (Sens/Spec)

De vanligaste begreppen vi har för att beskriva ett test och hur bra det presterar är sensitivitet och specificitet. Man räknar ut dem från tabellen ovan genom:

Sensitivitet: A/A+C – Andelen (A) av alla sjuka (A+C) som har ett positivt test.

Specificitet: D/B+D – Andelen (D) av alla friska (B+D) som har ett negativt test.

När man talar om olika test brukar man referera till dess prestanda utifrån sensitivitet och specificitet. Dess förmåga att hitta alla med sjukdom respektive dess förmåga att fria dem utan sjukdom. Sensitiviteten är andelen sjuka personer som har ett positivt test och Specificiteten är andelen friska människor som har ett negativt test. Vi vill generellt att våra test skall ha så hög sensitivitet och specificitet som möjligt. Det räcker dock inte med att bara en av dessa värden är höga (se begränsningar nedan) utan vi vill att båda är relativt höga. Sens/Spec är grunden för att kunna bedöma hur bra ett test är generellt. De är dock inte så bra att använda i specifika kliniska situationer.

Begränsningar

Problemet är att Sens/Spec bara talar om för oss i grova mått hur bra ett test är. Har vi ett test med hög Sens/Spec så vet vi att det generellt är ett bra test och tvärt om.. Mer än så säger det oss inte. En test med sensitivitet på 90% innebär inte att det 90% chans att man är sjuk om man har ett positivt test. Det säger att man till 90% sannolikhet får ett positivt om man är sjuk.

Till vänster i bilden är risken att man är sjuk med ett positivt test 9/14 = 64% (9 röda av totalt 14 som får ett positivt test). Inte 90% som man kan förledas att tro. Det är 90% av alla som är sjuka som har ett positivt test (9/10 röda får positivt test) och 50% av alla friska som får ett negativt test. Vi vet dock inte innan testet vilka som är sjuka och inte. Vet du inte om din patient är sjuk eller inte är det svårt att använda sensitivitet/specificitet för att tolka ditt testresultat. Då skall du använda positivt prediktivt värde eller likelihood ratios.

Negativt och Positivt prediktivt värde

Prediktiva värden är inte lika vanligt förekommande som Sens/Spec men har ofta en större nytta “på golvet”. Här tittar man på hur bra ett test är att prediktera ett utfall hos en patient vilket är närmare det vi vill göra när vi applicerar ett test.

Negativt Prediktivt Värde (NPV): D/C+D = Andelen negativa test (D) som är sant negativa (C+D)

Positivt Prediktivt Värde (PPV): A/A+B = Andelen positiva test (A) som är sant positiva (A+B)

Skillnaden är att man tar hänsyn till prevalensen (förekomsten av) en sjukdom i gruppen man testar. Prevalensen är sannolikheten att personen har en sjukdom utan att man har gjort något test (Pre-test probability). Vet man prevalensen kan man utifrån testet räkna ut sannolikheten för sjukdom baserat på testresultatet (Post-test probability). Ett prediktivt värde ligger, precis som Sens/Spec, mellan 0-1 eller 0-100% men kan användas direkt. Ett negativt prediktivt värde på 98% ger en sannolikhet på 2% för att en person med ett negativt test skall ha sjukdomen. Motsvarande gäller för positivt prediktivt värde. Har man dessa värden och patienterna man träffar stämmer överens med den i studien är alltså NPV/PPV betydligt mer användbart.

Begräsningar

Begränsningen med NPV/PPV är att man behöver veta prevalensen av sjukdom i den population man testar.  

Låg prevalens Hög prevalens
Sjuk Pos Sjuk Neg Sjuk Pos Sjuk Neg
Test Pos 90 100 Test Pos 90 10
Test Neg 10 900 Test Neg 10 90
Sens 90% 90/(10+90) Sens 90% 90/(90+10)
Spec 90% 900/(100+900) Spec 90% 90/(10+90)
NPV 98.9% 900/(900+10) NPV 90% 90/(90+10)
PPV 47.4% 90/(100+90) PPV 90% 90/(10+90)
Prevalens 9% 100/1100 Prevalens 50% 100/200

Som ni kan se i de två exemplen ovan är Sens/Spec samma för testen i båda grupperna. Men i den betydligt sjukare population (höger) blir de prediktiva värdena helt annorlunda. Detta är också en av anledningarna till att vara noga med att bedöma populationen i studier där man testar ett nytt diagnostiskt verktyg. Man kan, som ni ser ovan, manipulera siffrorna ganska mycket genom att använda verktyget på en väldigt sjuk eller väldigt frisk grupp.

Sammanfattning

Diagnostiska testers prestanda beskrivs på olika sätt och man kan i olika situationer behöva använda olika värden i olika situationer.

  • Sensitivitet och Specificitet: ger bra uppfattning om generell prestanda för ett test och är grunden för att räkna ut prediktiva värden och Likelihood ratios, men hjälper dig inte när du står men en patient och har ett testresultat. Ett test där summan av Sens+Spec är 1 eller nära 1 är mer eller mindre värdelöst. Ju närmare 2 desto bättre.
  • Negativt och Positivt prediktivt värde: Liknar sensitivitet och specificitet men tar hänsyn till prevalensen av sjukdomen. Ger en mer rättvis bild och går att använda kliniskt.

Pre-publication review: Michael von Schickfus, Specialist i Akutsjukvård