(Denna sida är planerad för översyn och vidareutveckling.)
(antal aktiva besökare uppdateras automatiskt var 4:e minut)
Om du vill informera om att denna webbsida finns...
Sensitivitet och specificitet löser i regel fel problem. De berättar hur testet fungerar men inte hur patienten mår. Prediktivt värde (=förutsägande värde) talar om sannolikheten att den enskilda patienten har det som testet avser att hitta.
När vi använder ett test vet vi inte vem som har eller saknar t. ex. sjukdomen. Vi kan använda sensitivitet, specificitet och den sökta egenskapens (sjukdomens?) förekomst (=prevalens) för att räkna ut prediktivt värde. Av dessa tre är det oftast prevalensen som påverkar prediktivt värde mest. Positivt prediktivt värde (PPV) är chansen att egenskapen (sjukdomen?) verkligen finns hos den testade individen om testet är positivt. Följdaktligen är negativt prediktivt värde (NPV) chansen att egenskapen (sjukdomen?) saknas hos den testade individen om testet är negativt. Om prevalensen av egenskapen (sjukdomen?) minskar så minskar det positiva prediktiva värdet medan det negativa prediktiva värdet ökar. Slutsatsen är att om prevalensen ändras så kan sensitivitet och specificitet kanske ändras men det prediktiva värdet kommer ovillkorligen att ändras.
Man bör komma ihåg att prediktivt värde är ett statistiskt begrepp och inte ett medicinskt. Inom statistiken räknar man prediktivt värde på många olika fenomen, exempelvis sannolikheten att det idag blir en medelvind över 10m/sekund.
Tänk dig att vi vill ta reda på om en person har betahemolyserande streptokockbakterier i halsen. Vi gör testet svalgodling som har sensitiviteten c:a 90% och specificiteten c:a 97%. Det låter ju som ett bra test. Anta att vi testar 1000 individer som redan är väl utredda med något annat slags test (Tabell 2). Just därför vet vi att exakt 10% av dessa 1000 individerna har streptokocker i halsen. Vi ser då att om vårt test är positivt innebär det 77% chans att individen har streptokocker i halsen.
| Tabell 2 – Exempel för att räkna ut prediktivt värde (PPV=Positivt prediktivt värde, NPV=Negativt prediktivt värde) | |||
| Har bakterier | Saknar bakterier | ||
| Positivt test | 90 | 27 | 117 |
| Negativt test | 10 | 873 | 883 |
| Totalt antal: | 100 | 900 | 1 000 |
| Sensitivitet = 90/100=90% | Specificitet = 873/900=97% | ||
| PPV = 90/117 = 77% | NPV = 873/883 = 99% | ||
I vårt exempel ser vi att för en enskild patient med negativ svalgodling så är det 99% chans att personen verkligen inte har streptokockbakterier i svalget. Det vore alltså dumt att ge antibiotika i det läget. Ett positivt test säger för den enskilde patienten att det är 77% chans att det finns streptokockbakterier i svalget. Ju lägre prevalens av fenomenet/sjukdomen man letar efter desto mindre användbart är PPV medan svaret på NPV blir mer värdefullt. Vid stigande prevalens gäller det omvända. Generellt gäller att ju högre värden på prediktivt värde desto mer användbart är det (mer om detta längre fram).
Om vi tänker oss att leta efter individer med en viss sjukdom där vi vet att prevalensen är 0,001%. Med andra ord en mycket ovanlig sjukdom. Om vi bara tar en person slumpmässigt vald är alltså chansen att den individen har sjukdomen 0,001%. Låt oss nu göra ett test med egenskapen 90% sensitivitet och 97% specificitet (samma testegenskaper som en svalgodling). För räkneexemplets skull tänker vi oss att 1 miljon individer undersöks (Tabell 3). Här ser vi att sannolikheten för att individen har sjukdomen ökar från 0,001% före testet till 0,03% efter ett positivt test. Blir vi klokare av det?!
| Tabell 3 – Exempel på prediktivt värde vid låg prevalens (PPV=Positivt prediktivt värde, NPV=Negativt prediktivt värde) | |||
| Har sjukdom | Saknar sjukdom | ||
| Positivt test | 9 | 30 000 | 30 009 |
| Negativt test | 1 | 969 990 | 969 991 |
| Totalt antal: | 10 | 999 990 | 1 000 000 |
| Sensitivitet = 9/10=90% | Specificitet = 969990/999990=97% | ||
| PPV = 9/30009 = 0,03% | NPV = 969990/969991 = 100% | ||
Av detta (något extrema) exempel lär vi oss att prevalensen har en mycket stor inverkan på hur högt, och därmed användbart, det prediktiva värdet skall bli. Ju högre prediktivt värde desto större klinisk användbarhet av testet. Hur högt måste det vara för att testet skall kunna anses vara användbart? Det beror på situationen. Letar vi efter en farlig sjukdom som lätt kan botas med en biverkningsfri behandling så nöjer vi oss med ett lägre positivt prediktivt värde (PPV). Omvänt gäller att letar vi efter mindre farliga sjukdomar där behandlingen har tveksam effekt eller biverkningarna är märkbara så kräver vi ett högre PPV (mer om detta längre fram).
Man ser ibland skrivet att singla slant innebär att PPV och NPV båda är 50%. Detta är fel! Om man använder det beprövade testet slantsingling är sensitivitet och specificitet 50%. Det prediktiva värdet blir helt beroende av prevalensen. I exemplet med streptokockbakterier (Tabell 2) skulle testet slantsingling ha PPV 10% och NPV 90%. Detta innebär att om rätt sida av slanten kom upp (den som vi definierat som negativt test) skulle slantsingling vara tillräckligt bra för att vara jämförbart med en del av de tester som vi läkare använder i vår vardag.Kommer snart…