18. Senzitivita, špecificita, ROC analýza

Zdroj
ručne priradené
Pridané

Pozrieť na YouTube →

Preber si túto prednášku so svojou AI

Skopíruj pripravený podklad a vlož ho do ChatGPT, Claude alebo inej AI — bude ťa učiť alebo skúšať len z tejto prednášky.

Otvoriť AI: ChatGPT · Claude · Gemini

Zhrnutie prednášky

Prednáška vysvetľuje hodnotenie správnosti diagnostického testu pomocou senzitivity a špecificity, ktoré v roku 1947 zaviedol bioštatistik Jakob Jerušalmi pri diagnostike tuberkulózy z röntgenových snímok. Výsledky testu sa porovnávajú so zlatým štandardom a zhrnú sa v kontingenčnej tabuľke 2x2 na skutočne a falošne pozitívne a negatívne prípady. Senzitivita udáva podiel správne odhalených chorých, špecificita podiel správne identifikovaných zdravých, pričom oba ukazovatele nezávisia od prevalencie choroby. Na príklade tisíc osôb (200 chorých, 800 zdravých) vychádza senzitivita 80 % a špecificita 90 %. Pravdepodobnosť, že pozitívne testovaný je naozaj chorý, je však len približne 66 %, čo vedie k pozitívnej predikčnej hodnote a Bayesovmu prepočtu s využitím prevalencie.

  • - Senzitivita je podiel pozitívne testovaných spomedzi všetkých skutočne chorých.
  • - Špecificita je podiel negatívne testovaných spomedzi všetkých skutočne zdravých.
  • - Test sa validuje voči zlatému štandardu a výsledky sa zhrnú v tabuľke 2x2 (TP, TN, FP, FN).
  • - Senzitivita a špecificita nezávisia od prevalencie choroby, vypovedajú o kvalite testu.
  • - Falošne pozitívne prípady znamenajú zbytočné ďalšie vyšetrenia, falošne negatívne riziko šírenia choroby a neliečenia.
  • - V príklade (senzitivita 80 %, špecificita 90 %) je pravdepodobnosť choroby pri pozitívnom teste iba približne 66 %.
  • - Pravdepodobnosť choroby pri pozitívnom teste (predikčná hodnota) závisí od prevalencie; prednáška ďalej uvádza ROC analýzu.

Zhrnutie pripravené s pomocou AI z prepisu videa.