我们已经更新了我们的隐私政策要更清楚,我们如何使用您的个人数据。

我们使用cookie为您提供更好的体验,阅读我们的Cookie政策

广告

在开发诊断测试或评估结果时,重要的是要了解这些测试的可靠性,因此是您获得的结果是值得可靠的。通过使用已知疾病状态的样本,可以计算允许您评估这一点的敏感性和特异性等值。



敏感性值告诉你什么?


灵敏度测试也被称为真正的阳性率(TPR)并且是真正阳性的样本的比例,它使用所讨论的测试给出阳性结果。例如,正确识别面板中所有正样本的测试非常敏感。另一个只检测面板中60%的阳性样本的测试将被视为具有较低的敏感性,因为它缺少阳性并提供更高的a假负率(FNR)。还称为II型错误,错误的否定是失败拒绝假零假设(空假设是样本为负)。



特异性测量告诉你什么?


特异性测试,也称为真阴性率(TNR),使用真正负面的测试测试负面测试的样本的比例。例如,将所有健康人员视为对特定疾病的负面的测试是非常具体的。错误地识别30%的健康人作为具有这种情况的另一个测试将被视为更低的特定,具有更高假阳性率(FPR)。也称为I型错误,误报是拒绝真正的假设(空假设是样本为负)。



如何计算敏感性和特异性值?


一个理想的测试很少忽视你正在寻找的东西(即,它是敏感的),很少为别的东西误认为它(即它是具体的)。因此,在评估诊断测试时,计算该测试的灵敏度和特异性是重要的,以确定其有效性。


诊断测试的敏感性表示为样本测试阳性的概率(作为百分比),因为患者具有疾病。


以下等式用于计算测试的灵敏度:


敏感性=真正的积极数量

(真正的正面数量+错误否定数量)

=真正的积极数量

患有疾病的人数


测试的特异性表达为测试返回阴性结果的概率(作为百分比),因为该患者没有疾病。


以下等式用于计算测试的特异性:


特异性=真正的否定数量

(真正的否定数量+误报的数量)

=真正的否定数量

没有这种疾病的人数


敏感性VS特异性示例


您有一个要评估的新诊断测试。您有一个验证样本的小组,您可以知道它们是否肯定是从患病或健康的个人处于测试的状态。您的示例面板由150个积极和400个负面组成。


通过测定运行样本后,将结果与其已知的疾病状况进行比较并找到:


真正的阳性(测试结果积极,真是正面)= 144.

假阳性(测试结果正,但实际上是负面的)= 12

真正的否定(测试结果为负,真是太负面)= 388.

假阴性(测试结果为负,但实际上是积极的)= 6.


或者,在列联表中显示:


真正的积极

真正消极

总数

检测呈阳性

144.

12.

156.

测试消极

6.

388.

394

列总

150.

400

550.


灵敏度= 144 /(144 + 6)

= 144/150

= 0.96

= 96%敏感


特异性= 388 / (388 + 12)

= 388/400

= 0.97

特定= 97%


有关敏感性和特异性的更多信息,请阅读完整的文章这里

注意:填写四个值以计算测试的灵敏度和特异性。点击这里了解有关敏感性和特异性计算器的更多信息。


数量积极的试验结果
数量消极的试验结果
已知的样品数量积极的
已知的样品数量消极的