Czym różnią się między sobą testy na koronawirusa?

Opublikowano: 04.06.2020 | Kategorie: Publicystyka, Zdrowie

Liczba wyświetleń: 1094

Wyniki fałszywie pozytywne, fałszywie negatywne, czułość, specyficzność – to pojęcia oceniające skuteczność testów przeprowadzanych m.in. na obecność koronawirusa. Co oznaczają te sformułowania, wyjaśnia prof. Marek Majewski z Uniwersytetu Łódzkiego. Dla zobrazowania porównuje pacjentów do klientów banku, starających się o kredyt.

Jak tłumaczy naukowiec z Wydziału Matematyki i Informatyki UŁ w opracowaniu przekazanym PAP przez Uniwersytet Łódzki, pojęcia te są używane zarówno w diagnostyce medycznej, jak i w analizie danych, gdzie konstruuje się modele matematyczne.

“Wyobraźmy sobie zbiór danych zawierający informacje o historii kont bankowych klientów pewnego banku. Model klasyfikacyjny może nam w tym przypadku pomóc w odpowiedzi na pytanie, czy dany klient będzie (lub nie będzie) solidnie spłacać kredyt, o który wnioskuje – proponuje prof. Majewski. – Zupełnie podobna sytuacja jest w przypadku pewnych testów diagnostycznych. Mają one odpowiedzieć na pytanie, czy pacjent należy do jednej z dwóch kategorii: jest chory na pewną chorobę, czy też jest zdrowy.”

Naukowiec wyjaśnia, że jakość takich modeli ocenia się za pomocą tych samych technik i pojęć. Potrzeba do tego pewnego zbioru danych, np. stu klientów albo stu pacjentów, o których wiadomo, że będą (lub nie będą) spłacać kredyt albo czy są (lub nie są zakażeni). Taki zbiór nazywa się zbiorem testowym.

W przypadku klientów banku zbiór testowy może być zbudowany na podstawie danych o historii klientów. W przypadku medycyny – będzie to porównanie z pewnym (absolutnie wiarygodnym) testem referencyjnym (tzw. gold standard).

Inne testy ocenia się, porównując je z tym “złotym” testem”. Dla każdej osoby ze “złotego” zbioru przeprowadza się oceniany test i porównuje jego wynik go z danymi rzeczywistymi. Jak wylicza prof. Majewski, istnieją cztery możliwe wyniki takiego porównania.

Po pierwsze – wynik testu jest pozytywny, czyli wg testu pacjent jest zakażony, choć w rzeczywistości jest zdrowy. Taki przypadek nazywa się fałszywie pozytywnym (false positive). Po drugie – wynik testu jest pozytywny i w rzeczywistości pacjent jest zakażony. Wtedy wynik jest prawdziwie pozytywny (true positive). Po trzecie – wynik testu jest negatywny, czyli wg testu pacjent jest zdrowy, choć w rzeczywistości pacjent chory – wynik fałszywie negatywny (false negative). I po czwarte – wynik testu jest negatywny i w rzeczywistości pacjent jest zdrowy. To wynik prawdziwie negatywny (true negative).

Liczbę obserwacji, dla których otrzymano poszczególne wyniki, zestawia się zwykle w tabeli (tzw. macierzy pomyłek). Na podstawie macierzy pomyłek wprowadza się parametry danego testu. Prof. Majewski definiuje najważniejsze z nich.

Współczynnik dokładności ACC (accuracy rate) oznacza liczbę obserwacji sklasyfikowanych poprawnie podzieloną przez liczbę wszystkich obserwacji.

Błąd modelu (error rate) oznacza iloraz obserwacji fałszywie sklasyfikowanych, do liczby wszystkich obserwacji.

Czułość (sensitivity) – mierzy proporcję liczby poprawnych pozytywnych klasyfikacji względem liczby wszystkich (prawdziwie) pozytywnych przypadków. Czułość odpowiada na pytanie, jaką część wyników pozytywnych wykrywa test albo jakie jest prawdopodobieństwo, że test wykonany dla osoby chorej wykaże, że jest ona chora.

Specyficzność (specifity) testu to liczba prawdziwie negatywnych klasyfikacji względem wszystkich (prawdziwie) negatywnych przypadków. Specyficzność informuje, jaką część wyników negatywnych wykrywa test albo jakie jest prawdopodobieństwo, że dla osoby zdrowej test wykaże, że osoba jest zdrowa.

Precyzja przewidywania pozytywnego (positive predictive value – PPV) mierzy proporcję prawdziwie pozytywnych klasyfikacji względem wszystkich pozytywnych klasyfikacji. Precyzja przewidywania pozytywnego odpowiada na pytanie, ile z pozytywnie sklasyfikowanych przypadków zostało dobrze sklasyfikowanych albo jeśli wynik testu jest pozytywny, to jakie jest prawdopodobieństwo, że badana osoba jest chora.

Precyzja przewidywania negatywnego (negative predictive value – NPV) to stosunek liczby przypadków prawdziwie negatywnie sklasyfikowanych do wszystkich negatywnych klasyfikacji. Wskaźnik odpowiada na pytanie: jeśli wynik testu jest negatywny, to jakie jest prawdopodobieństwo, że osoba badana jest zdrowa?

“W diagnostyce medycznej do interpretacji dwóch ostatnich wskaźników należy podchodzić ostrożnie ponieważ, jak wykazano, zależą on od tzw. chorobowości (czyli liczby osób aktualnie chorych, ang. prevelence). Przykładowo, wraz ze wzrostem chorobowości PPV również rośnie. Niemniej jednak w analizie danych nadal są one stosowane” – mówi prof. Majewski.

Naukowiec zaznacza, że testy, które dają bardzo wysoką dokładność, zwykle są drogie. Tańsze są na ogół tzw. testy przesiewowe. Jego zdaniem, sensownie jest używać takich testów przesiewowych, które mają wysoką precyzję przewidywania negatywnego. Dają one możliwie najmniej wyników fałszywie negatywnych.

Autorstwo: Karolina Duszczyk
Źródło: NaukawPolsce.PAP.pl

1 Star2 Stars3 Stars4 Stars5 Stars Liczba głosów: 5, średnia ocena: 3,40 (max 5)
Loading...

TAGI: , ,

OD ADMINISTRATORA PORTALU

Hej! Cieszę się, że odwiedziłeś naszą stronę! Naprawdę! Jeśli zależy Ci na dalszym rozpowszechnianiu niezależnych informacji, ujawnianiu tego co przemilczane, niewygodne lub ukrywane, możesz dołożyć swoją cegiełkę i wesprzeć "Wolne Media" finansowo. Darowizna jest też pewną formą „pozytywnej energii” – podziękowaniem za wiedzę, którą tutaj zdobywasz. Media obywatelskie, jak nasz portal, nie mają dochodów z prenumerat ani nie są sponsorowane przez bogate korporacje by realizowały ich ukryte cele. Musimy radzić sobie sami. Jak możesz pomóc? Dowiesz się TUTAJ. Z góry dziękuję za wsparcie i nieobojętność!

Poglądy wyrażane przez autorów i komentujących użytkowników są ich prywatnymi poglądami i nie muszą odzwierciedlać poglądów administracji "Wolnych Mediów". Jeżeli materiał narusza Twoje prawa autorskie, przeczytaj informacje dostępne tutaj, a następnie (jeśli wciąż tak uważasz) skontaktuj się z nami! Jeśli artykuł lub komentarz łamie prawo lub regulamin, powiadom nas o tym formularzem kontaktowym.

2
Dodaj komentarz

Chcesz skomentować? Zaloguj się!
  Subskrybuj  
najnowszy najstarszy
Powiadom o
polantek
Użytkownik
polantek

W przypadku tych testów RNA przyjmuje się pewną wartość graniczną, której przekroczenie (lub nie) zależy od tzw. wzmocnienia testu. Manipulując tym wzmocnieniem można manipulować danymi wyjściowymi i cały ten matematyczno-statystyczny wywód, opisany tutaj jest nieistotny. W ten sposób można sztucznie tworzyć wrażenie wzrostu lub spadku zachorowalności. Normalnemu, przeciętnemu Kowalskiemu trudno jest kontestować, ale środowiska naukowe i medyczne przejmują na siebie całą odpowiedzialność za zło wyrządzone i to które się jeszcze wydarzy bo milczą i nie protestują!!!

BANDZIORkaq
Użytkownik
BANDZIORkaq

A co jesli pacjent jest kozą, papają lub olejem napędowym, czyli pacjentem negatywnym z wynikiem pozytywnym? Jaki termin na określenie czułości i specyfiki, może np. ściema? Fake? Jak to będzie po łacinie?

Potrzebujemy Twojej pomocy!

 
Wyczerpują się środki na działalność Naszego Portalu. W tym miesiącu pomoc finansowa zmalała i istnieje zagrożenie zbiórki na działalność w sierpniu. Dlatego prosimy wszystkich dobrych i szczodrych ludzi, dla których los Naszego Portalu nie jest obojętny, ponieważ go cenią za kulturę słowa oraz wzbogacenie ich wiedzy i życia, o pomoc w szczęśliwym ukończeniu zbiórki na działalność nadchodzącym miesiącu. Aby zapewnić Naszemu Portalowi stabilność w przyszłości, zachęcamy również do dołączania do elitarnej, stałej grupy wspierających. Zostań naszym sponsorem! Nie pozwól aby portal „Wolne Media” zawiesił działalność! Ważny jest każdy grosik! Czy nam pomożesz?

Nasze konto bankowe TUTAJ – Konto PayPala TUTAJ