Prueba diagnóstica (tabla 2x2)

Comando:

Estadísticas Curvas ROC Prueba diagnóstica (tabla 2x2)

Descripción

Este procedimiento crea una tabla 2x2 a partir de 2 variables con datos dicotómicos, una variable de prueba (la variable para la que desea obtener las características de prueba) y una variable de clasificación (un estándar de oro).

En esta tabla 2x2 se calculan características de prueba como la sensibilidad, la especificidad, la razón de verosimilitud positiva y negativa, la prevalencia de la enfermedad, así como el valor predictivo positivo y negativo.

Entrada requerida

• Variable : seleccione la variable de interés. Esta variable contiene los resultados de la prueba diagnóstica cuyas características desea obtener. Para obtener la tabla 2x2, esta variable debe ser dicotómica y codificarse como 0 para resultados negativos y como 1 para positivos.
  Si sus datos están codificados de manera diferente (pero siguen siendo dicotómicos), puede utilizar la herramienta Definir estado para recodificar sus datos.
• Variable de clasificación : seleccione o ingrese una variable dicotómica que indique el diagnóstico (0=negativo, 1=positivo).
  Si sus datos están codificados de manera diferente, puede utilizar la herramienta Definir estado para recodificar sus datos.
• Filtro : (opcionalmente) un filtro para incluir solo un subgrupo seleccionado de casos (por ejemplo, EDAD>21, SEXO='Masculino').
• Opcionalmente, introduzca la prevalencia de la enfermedad : si el tamaño de la muestra en los grupos positivo (enfermedad presente) y negativo (enfermedad ausente) no refleja la prevalencia real de la enfermedad, puede introducirla en el cuadro de entrada correspondiente. Esto afectará los valores predictivos positivos y negativos, así como la precisión.
  Si su variable es continua, puede usar una expresión lógica para obtener la codificación 0 y 1 requerida. Por ejemplo, si tiene una variable que contiene las mediciones de PSA, puede usar la expresión lógica PSA>4como variable. Esta expresión generará el valor 1 (VERDADERO) para los casos con PSA > 4 y 0 (FALSO) para los casos con PSA ≤ 4.

  

  También puedes utilizar la función lógica IF(PSA>4,1,0)que da el mismo resultado.

  Resultados

  Las siguientes estadísticas se informan con sus intervalos de confianza del 95 %:

  

  • Sensibilidad : probabilidad de que el resultado de una prueba sea positivo cuando la enfermedad está presente (tasa de positivos verdaderos).
  • Especificidad : probabilidad de que el resultado de una prueba sea negativo cuando la enfermedad no está presente (tasa de verdaderos negativos).
  • AUC : Área bajo la curva ROC.
  • Razón de verosimilitud positiva : razón entre la probabilidad de un resultado positivo de la prueba dada la presencia de la enfermedad y la probabilidad de un resultado positivo de la prueba dada la ausencia de la enfermedad, es decir
    $$ +LR = \frac { True\ positive\ rate } { False\ positive\ rate } = \frac { Sensitivity} { 1 - Specificity} $$
  • Razón de verosimilitud negativa : razón entre la probabilidad de un resultado negativo de la prueba dada la presencia de la enfermedad y la probabilidad de un resultado negativo de la prueba dada la ausencia de la enfermedad, es decir
    $$ -LR = \frac { False\ negative\ rate } { True\ negative\ rate } = \frac { 1 - Sensitivity} { Specificity} $$
  • Valor predictivo positivo : probabilidad de que la enfermedad esté presente cuando la prueba es positiva.
    $$ PPV = \frac {sensitivity \times prevalence } {sensitivity \times prevalence + (1-specificity)\times (1-prevalence) } $$
  • Valor predictivo negativo : probabilidad de que la enfermedad no esté presente cuando la prueba es negativa.
    $$ NPV = \frac {specificity \times (1-prevalence) }{ (1-sensitivity) \times prevalence + specificity \times (1-prevalence) } $$
  • Precisión : probabilidad general de que un paciente esté clasificado correctamente.
    $$ Accuracy = sensitivity \times prevalence + specificity \times (1-prevalence) $$

  La sensibilidad, la especificidad, la prevalencia de la enfermedad, el valor predictivo positivo y negativo, así como la precisión se expresan como porcentajes.

  Los intervalos de confianza para la sensibilidad, especificidad y precisión son intervalos de confianza de Clopper-Pearson 'exactos'.

  Los intervalos de confianza para las razones de verosimilitud se calculan utilizando el 'método logarítmico', como se indica en la página 109 de Altman et al. 2000.

  Los intervalos de confianza para los valores predictivos son los intervalos de confianza logit estándar dados por Mercaldo et al. 2007; excepto cuando el valor predictivo es 0 o 100%, en cuyo caso se informa un intervalo de confianza de Clopper-Pearson.

  Literatura

  • Altman DG, Machin D, Bryant TN, Gardner MJ (Eds) (2000) Statistics with confidence, 2^nd ed. BMJ Books.
  • Gardner IA, Greiner M (2006) Receiver-operating characteristic curves and likelihood ratios: improvements over traditional methods for the evaluation and application of veterinary clinical pathology tests. Veterinary Clinical Pathology 35:8-17.
  • Griner PF, Mayewski RJ, Mushlin AI, Greenland P (1981) Selection and interpretation of diagnostic tests and procedures. Annals of Internal Medicine 94:555-600.
  • Hanley JA, McNeil BJ (1982) The meaning and use of the area under a receiver operating characteristic (ROC) curve. Radiology 143:29-36.
  • Mercaldo ND, Lau KF, Zhou XH (2007) Confidence intervals for predictive values with an emphasis to case-control studies. Statistics in Medicine 26:2170-2183.
  • Metz CE (1978) Basic principles of ROC analysis. Seminars in Nuclear Medicine 8:283-298.
  • Zhou XH, NA Obuchowski, DK McClish (2002) Statistical methods in diagnostic medicine. New York: Wiley.
  • Zweig MH, Campbell G (1993) Receiver-operating characteristic (ROC) plots: a fundamental evaluation tool in clinical medicine. Clinical Chemistry 39:561-577.

  Véase también

  • Prueba diagnóstica (calcula las características de la prueba en una tabla de 2x2 proporcionada por el usuario)
  • Análisis de la curva ROC en MedCalc