Diagnostiska tester: sensitivitet, specificitet och prediktiva värden

Sammanfattning

Sensitivitet anger sannolikheten för positivt test hos personer som har mål­tillståndet, medan specificitet anger sannolikheten för negativt test hos personer som inte har det. Positivt och negativt prediktivt värde svarar på den kliniska frågan: hur sannolikt är det att patienten har, respektive inte har, tillståndet efter ett positivt eller negativt test? Prediktiva värden påverkas starkt av pretest­sannolikheten. Ett positivt test kan därför ha lågt prediktivt värde vid provtagning av en lågriskpopulation, även om sensitivitet och specificitet är höga [1,2].

Likelihoodkvoter är ofta mest användbara för att överföra ett testresultat till en enskild patient. Pretestodds multipliceras med testresultatets likelihoodkvot för att ge posttestodds. Resultatet omvandlas därefter till posttestsannolikhet enligt Bayes sats [3,4]. Ett test bör beställas bara om resultatet kan föra sannolikheten över en tröskel för behandling eller ytterligare utredning, eller under en tröskel där tillståndet kan avskrivas.

Sensitivitet och specificitet är inte oföränderliga laboratorieegenskaper. De varierar med vald beslutsgräns, sjukdomens svårighetsgrad, patienturval, klinisk miljö, testutförande och referensstandard. Resultat från diagnostiska studier måste därför bedömas utifrån både risk för bias och tillämpbarhet i den egna populationen. Säker diagnostisk användning kräver att man granskar hela paret sensitivitet och specificitet, konfidensintervallen, patientpopulationen, referensstandarden, hanteringen av inkonklusiva resultat och testets avsedda roll.

Grundläggande begrepp

Mål­tillstånd, indextest och referensstandard

En diagnostisk noggrannhetsstudie jämför ett indextest, det test som utvärderas, med en referensstandard, den metod som används för att avgöra om mål­tillståndet verkligen föreligger. Mål­tillståndet kan vara en sjukdom, ett stadium, en anatomisk förändring eller ett annat kliniskt relevant tillstånd.

Begreppet diagnostiskt test omfattar mer än laboratorieanalyser. Symtom, statusfynd, bilddiagnostik, histopatologi, mikrobiologi, fysiologiska undersökningar, kliniska poängsystem och algoritmer kan alla utvärderas som indextest.

Testets avsedda roll måste definieras innan noggrannheten tolkas:

• Screeningtest: används hos personer utan känd sjukdom.
• Triagetest: avgör vilka som behöver ett mer resurskrävande eller invasivt test.
• Tilläggstest: används efter befintlig utredning för att förbättra klassifikationen.
• Ersättningstest: avses ersätta ett etablerat test.
• Konfirmerande test: används främst för att bekräfta en misstänkt diagnos.
• Uteslutande test: används främst för att sänka sannolikheten till en acceptabel nivå.

Den kliniska rollen avgör vilka fel som är allvarligast. Ett triagetest som ska utesluta ett farligt tillstånd behöver vanligen mycket hög sensitivitet, medan ett test som leder till riskfylld behandling eller kirurgi ofta behöver hög specificitet [5].

Fyrfältstabellen

När både indextest och referensstandard klassificeras som positiva eller negativa uppstår fyra möjliga utfall.

Sensitivitet och specificitet beräknas vertikalt i tabellen, inom grupper med respektive utan mål­tillstånd. Prediktiva värden beräknas horisontellt, inom grupper med positivt respektive negativt test.

Centrala mått och formler

Total korrekt klassifikation kan vara missvisande. Om ett tillstånd förekommer hos 1 procent av populationen får strategin att kalla alla friska 99 procents korrekt klassifikation, trots att inget sjukdomsfall identifieras. Måttet bör därför inte ersätta rapportering av sensitivitet och specificitet.

Sensitivitet och specificitet

Sensitivitet

Sensitiviteten är sannolikheten för ett positivt test givet att mål­tillståndet föreligger:

Sensitivitet = P(test positivt | mål­tillstånd finns)

Ett test med 95 procents sensitivitet ger, i den studerade populationen och vid den aktuella beslutsgränsen, negativt resultat hos 5 procent av personerna med mål­tillståndet.

Hög sensitivitet är särskilt viktig när:

• ett missat tillstånd kan orsaka allvarlig skada
• effektiv tidig behandling finns
• testet används som första triage före definitiv diagnostik
• ett negativt resultat ska kunna avsluta eller förenkla utredningen.

Den kliniska konsekvensen av ett negativt test beror dock inte enbart på sensitiviteten. Specificiteten och pretest­sannolikheten påverkar LR− och därmed den kvarvarande posttestsannolikheten. Minnesregeln att ett negativt högsensitivt test utesluter sjukdom fungerar endast när sensitiviteten är tillräckligt hög i den aktuella populationen och när posttestsannolikheten verkligen hamnar under den kliniska uteslutningströskeln [1,4].

Specificitet

Specificiteten är sannolikheten för ett negativt test givet att mål­tillståndet saknas:

Specificitet = P(test negativt | mål­tillstånd saknas)

Ett test med 90 procents specificitet ger positivt resultat hos 10 procent av personerna utan mål­tillståndet.

Hög specificitet är särskilt viktig när:

• ett positivt resultat leder till riskfylld eller kostsam behandling
• diagnosen har stora psykologiska, sociala eller försäkringsmässiga konsekvenser
• testet används för att bekräfta en diagnos efter ett sensitivt triagetest
• falskt positiva resultat leder till invasiv fortsatt utredning.

Ett positivt högspecifikt test kan ge starkt stöd för diagnosen, men bara om den positiva likelihoodkvoten är tillräckligt stor och testet används i rätt kliniskt sammanhang.

Sensitivitet och specificitet måste rapporteras tillsammans

Sensitivitet och specificitet är ett par. Ett test kan inte värderas genom att bara ange det ena måttet. Ett laboratorietest med låg beslutsgräns kan exempelvis ha hög sensitivitet men låg specificitet. Om beslutsgränsen höjs minskar vanligen sensitiviteten samtidigt som specificiteten ökar.

Det är därför otillräckligt att beskriva ett test som exempelvis 95 procent korrekt utan att ange:

• vald beslutsgräns
• sensitivitet
• specificitet
• konfidensintervall
• patientpopulation
• referensstandard
• andel inkonklusiva eller saknade resultat.

Diagnostiska mått är dessutom känsliga för studieupplägget. Studier som jämför tydligt sjuka patienter med friska kontroller ger ofta högre noggrannhet än studier av konsekutiva patienter med realistisk diagnostisk osäkerhet [2,6].

Prediktiva värden och pretest­sannolikhet

Positivt prediktivt värde

PPV är sannolikheten för att mål­tillståndet föreligger efter ett positivt test:

PPV = P(mål­tillstånd finns | test positivt)

Detta ska inte förväxlas med sensitivitet. Sensitiviteten utgår från personer som redan är klassificerade som sjuka. PPV utgår från personer med ett positivt test och frågar hur många av dem som verkligen har tillståndet.

Negativt prediktivt värde

NPV är sannolikheten för att mål­tillståndet saknas efter ett negativt test:

NPV = P(mål­tillstånd saknas | test negativt)

Även detta är en omvänd betingad sannolikhet jämfört med specificiteten. Hög specificitet innebär inte automatiskt högt NPV.

Prevalens och klinisk sannolikhet

Prediktiva värden beror på andelen personer med mål­tillståndet i den testade populationen. När pretest­sannolikheten ökar:

• ökar PPV
• minskar NPV.

När pretest­sannolikheten minskar:

• minskar PPV
• ökar NPV.

Prevalensen i en diagnostisk studie kan användas som pretest­sannolikhet endast om studiepopulationen motsvarar den population där testet ska användas. För en enskild patient bör pretest­sannolikheten baseras på relevant klinisk information, såsom symtom, statusfynd, riskfaktorer, tidigare testresultat och vårdnivå [3].

Räkneexempel

Anta ett test med:

• sensitivitet 90 procent
• specificitet 90 procent
• pretest­sannolikhet 10 procent
• 1 000 testade personer.

PPV blir:

90 / (90 + 90) = 50 procent

NPV blir:

810 / (810 + 10) = 98,8 procent

Trots 90 procents sensitivitet och 90 procents specificitet har endast hälften av personerna med positivt test mål­tillståndet.

Om samma test används i en population med 1 procents pretest­sannolikhet blir det bland 10 000 personer:

• 90 sant positiva
• 10 falskt negativa
• 990 falskt positiva
• 8 910 sant negativa.

PPV blir då:

90 / (90 + 990) = 8,3 procent

Det positiva resultatet är alltså oftare falskt än sant. Exemplet visar varför bred provtagning av lågriskpersoner kan skapa många falskt positiva fynd även när testets specificitet förefaller hög.

Likelihoodkvoter och Bayes sats

Likelihoodkvoter

Likelihoodkvoten anger hur mycket mer sannolikt ett visst testresultat är hos en person med mål­tillståndet än hos en person utan det.

För ett binärt test gäller:

LR+ = sensitivitet / (1 minus specificitet)

LR− = (1 minus sensitivitet) / specificitet

LR+ ska vara så stor som möjligt. LR− ska vara så nära noll som möjligt.

Gränserna är pedagogiska tumregler, inte universella kliniska kriterier. Hur stor förändring som behövs beror på utgångssannolikheten och vilka beslut testet ska styra.

Från pretest till posttest

Bayes sats kan användas i tre steg:

1. Omvandla pretestsannolikhet till pretestodds.
2. Multiplicera pretestodds med relevant likelihoodkvot.
3. Omvandla posttestodds till posttestsannolikhet.

Formler:

Pretestodds = pretestsannolikhet / (1 minus pretestsannolikhet)

Posttestodds = pretestodds × likelihoodkvot

Posttestsannolikhet = posttestodds / (1 + posttestodds)

För testet i föregående exempel:

• sensitivitet 0,90
• specificitet 0,90
• LR+ = 0,90 / 0,10 = 9
• LR− = 0,10 / 0,90 = 0,11.

Vid 10 procents pretestsannolikhet är pretestodds 0,10 / 0,90 = 0,111.

Efter positivt test:

• posttestodds = 0,111 × 9 = 1
• posttestsannolikhet = 1 / 2 = 50 procent.

Efter negativt test:

• posttestodds = 0,111 × 0,11 = 0,0123
• posttestsannolikhet blir cirka 1,2 procent.

Resultaten motsvarar PPV och komplementet till NPV i fyrfältstabellen. Likelihoodkvoter är särskilt praktiska eftersom samma testegenskaper kan kombineras med olika pretestsannolikheter [3,4].

Flernivåtest och intervallspecifika likelihoodkvoter

Att dikotomisera kontinuerliga testresultat till positivt eller negativt förlorar information. Ett värde långt över beslutsgränsen ger ofta större sannolikhetsökning än ett gränsnära värde. På motsvarande sätt kan ett mycket lågt värde minska sannolikheten mer än ett knappt negativt resultat.

När data finns bör kontinuerliga eller ordinala test delas i kliniskt relevanta intervall, med en likelihoodkvot för varje intervall. Detta är ofta mer informativt än en enda beslutsgräns och rekommenderas vid kritisk rapportering av diagnostiska test [4].

Flera test i följd

Vid sekventiell testning blir posttestsannolikheten efter det första testet pretestsannolikhet inför nästa. Likelihoodkvoter kan multipliceras endast om testresultaten är tillräckligt oberoende givet sjukdomsstatus. Om två test mäter samma biologiska fenomen kan deras fel vara korrelerade. En enkel multiplikation riskerar då att överdriva evidensen.

Praktiskt bör man:

• uppdatera sannolikheten efter varje betydelsefullt resultat
• beakta om testen mäter samma eller olika fenomen
• undvika att behandla flera nära relaterade fynd som oberoende bevis
• använda validerade diagnostiska algoritmer när sådana finns.

Beslutsgränser och ROC-kurvor

Val av beslutsgräns

För ett kontinuerligt test måste en gräns väljas för vad som ska betraktas som positivt. Om högre värden talar för mål­tillståndet leder en sänkt gräns vanligen till:

• högre sensitivitet
• lägre specificitet
• fler falskt positiva resultat
• färre falskt negativa resultat.

En höjd gräns ger motsatt effekt.

Den diagnostiska beslutsgränsen är inte nödvändigtvis samma sak som laboratoriets referensintervall. Ett referensintervall beskriver vanligtvis fördelningen hos en referenspopulation. En klinisk beslutsgräns väljs för att skilja mellan handlingsalternativ och måste valideras för detta ändamål [1].

ROC-kurvan

En ROC-kurva visar sensitivitet på den vertikala axeln mot falskt positiv andel, det vill säga 1 minus specificitet, på den horisontella axeln för alla möjliga beslutsgränser [5].

Kurvan kan användas för att:

• beskriva avvägningen mellan sensitivitet och specificitet
• jämföra testets diskrimination vid olika gränser
• identifiera möjliga beslutsgränser
• jämföra test under förutsättning att jämförelsen är korrekt utformad.

Arean under ROC-kurvan

AUC kan tolkas som sannolikheten att en slumpmässigt vald person med mål­tillståndet får ett mer avvikande testvärde än en slumpmässigt vald person utan tillståndet. En AUC på 0,5 motsvarar ingen diskrimination, medan 1,0 motsvarar perfekt rangordning [5].

AUC har viktiga begränsningar:

• Den anger inte sensitivitet eller specificitet vid den kliniskt använda gränsen.
• Den väger delar av ROC-kurvan som kan vara kliniskt irrelevanta.
• Två test kan ha samma AUC men helt olika prestanda i det relevanta området.
• AUC säger inget direkt om kalibrering, prediktiva värden eller klinisk nytta.
• En hög AUC garanterar inte att ett användbart beslutströskelvärde finns.

Studier av ROC-analyser har visat vanliga problem med uteblivna konfidensintervall, otillräckliga jämförelser mellan test och felaktig analys av parade data [6]. Beslutsgränsen bör helst vara fördefinierad utifrån kliniska konsekvenser eller extern evidens. Om den väljs i samma datamaterial för att maximera exempelvis summan av sensitivitet och specificitet blir resultatet optimistiskt och kräver extern validering [7].

Från testegenskaper till kliniskt beslut

Testtröskel och behandlingströskel

Diagnostisk handläggning kan ses som tre sannolikhetsområden:

1. Under testtröskeln är mål­tillståndet så osannolikt att vidare testning inte är motiverad.
2. Mellan testtröskeln och behandlingströskeln kan ett test ändra handläggningen.
3. Över behandlingströskeln är sannolikheten så hög att behandling eller annan riktad åtgärd kan vara motiverad utan ytterligare test, förutsatt att riskerna med åtgärden är acceptabla.

Ett test är mest värdefullt när pretestsannolikheten ligger mellan trösklarna och när ett positivt eller negativt resultat kan flytta patienten över någon av dem.

flowchart TD
A["Bedöm klinisk<br>pretestsannolikhet"] --> B["Ligger sannolikheten inom<br>ett område där testet<br>kan ändra handläggningen?"]
B -->|"Nej, mycket låg"| C["Avstå test<br>och överväg annan förklaring"]
B -->|"Nej, mycket hög"| D["Överväg behandling eller<br>definitiv diagnostik"]
B -->|"Ja"| E["Välj test utifrån klinisk roll,<br>LR, risk och tillgänglighet"]
E --> F["Tolka resultatet med<br>Bayes sats"]
F --> G["Posttestsannolikhet under<br>uteslutningströskeln"]
F --> H["Posttestsannolikhet mellan<br>trösklarna"]
F --> I["Posttestsannolikhet över<br>åtgärdströskeln"]
G --> J["Avsluta eller rikta om<br>utredningen"]
H --> K["Komplettera med oberoende<br>test eller uppföljning"]
I --> L["Bekräfta vid behov och<br>inled riktad åtgärd"]

Diagnostisk noggrannhet är inte samma sak som klinisk nytta

Ett noggrant test förbättrar inte automatiskt patientutfall. Nyttan beror på:

• om resultatet ändrar kliniska beslut
• om efterföljande behandling är effektiv
• hur snabbt svaret erhålls
• kostnader och resursbehov
• komplikationer av provtagning eller fortsatt utredning
• konsekvenser av falskt positiva och falskt negativa resultat
• patientens värderingar.

STARD 2015 framhåller att diagnostiska studier ska ange testets avsedda användning, kliniska roll och möjliga konsekvenser för patienter [7,8]. Ett konkret exempel är snabbtest vid halsont. Randomiserade studier visade att teststyrd handläggning minskade andelen antibiotikaförskrivningar med cirka 25 procentenheter, men evidensen för komplikationer och andra patientnära utfall var osäker [20]. Noggrannhetsdata behöver alltså kompletteras med studier av hur testet påverkar vårdprocess och hälsa.

Beslutskurvanalys kan uppskatta nettovinsten av en teststrategi vid olika kliniska sannolikhetströsklar. Metoden väger sant positiva resultat mot falskt positiva utifrån konsekvenserna vid den valda tröskeln. Den kan visa att en modell med högre AUC ändå har lägre klinisk nytta på grund av bristande kalibrering eller olämpliga beslut [19].

Tolkning i olika kliniska situationer

Screening och låg pretest­sannolikhet

Vid screening är de flesta testade friska. Även en liten falskt positiv andel kan därför ge fler falskt positiva än sant positiva resultat. Kraven på specificitet, bekräftande testning och tydliga uppföljningsalgoritmer är höga.

Ett screeningprogram ska inte bedömas enbart utifrån sensitivitet. Man behöver även beakta:

• absolut antal falskt positiva
• överdiagnostik
• invasiva uppföljningsundersökningar
• oro och sjukdomsetikettering
• resursförbrukning
• om tidigare diagnostik förbättrar patientrelevanta utfall.

Akut farligt tillstånd

Vid misstanke om ett akut och farligt tillstånd är kostnaden för falskt negativt resultat ofta hög. Teststrategin bör därför prioritera låg LR−. Om pretestsannolikheten är hög kan ett negativt test med måttlig LR− vara otillräckligt för att utesluta tillståndet.

Ett negativt test får inte tolkas isolerat om:

• provet togs för tidigt eller sent i sjukdomsförloppet
• provkvaliteten var bristfällig
• behandlingen kan ha påverkat testet
• patienten tillhör en grupp där sensitiviteten är lägre
• testet inte validerats för aktuell klinisk presentation.

Konfirmerande diagnostik

När ett positivt test leder till betydande behandling, kirurgi eller långvarig diagnos krävs ofta hög LR+. Ibland behövs ett andra, metodologiskt oberoende test för att minska risken att samma störfaktor orsakar båda resultaten.

Bilddiagnostik

Bilddiagnostiska studier är särskilt känsliga för:

• undersökarens erfarenhet
• teknisk utrustning och protokoll
• kännedom om kliniska uppgifter
• kännedom om andra bildresultat
• otydliga eller flera beslutsgränser
• verifiering huvudsakligen av testpositiva patienter.

Testets kliniska roll måste anges. En metod kan vara tillräckligt specifik för att lokalisera en förändring inför kirurgi men otillräckligt sensitiv för att utesluta sjukdomen. I en Cochraneöversikt av bilddiagnostik vid endometrios varierade noggrannheten med anatomisk lokalisation och klinisk roll. Ingen undersökningsmetod kunde tillförlitligt ersätta kirurgisk diagnostik för all bäckenendometrios, trots god prestanda för vissa avgränsade lesioner [21].

Kritisk granskning av diagnostiska studier

Patienturval

Den mest tillämpbara designen omfattar vanligen konsekutiva eller slumpmässigt utvalda patienter som i klinisk praxis skulle övervägas för testet. En fallkontrollstudie där patienter med avancerad, säker sjukdom jämförs med friska kontroller skapar ett onaturligt brett spektrum. Sådana studier riskerar att överskatta både sensitivitet och specificitet.

Granska:

• inklusions- och exklusionskriterier
• vårdnivå och remissvägar
• tidigare testning
• sjukdomens stadium och svårighetsgrad
• relevanta differentialdiagnoser i gruppen utan mål­tillståndet
• om rekryteringen var konsekutiv, slumpmässig eller baserad på bekvämlighetsurval.

Empiriska metodöversikter har identifierat variation med demografi, sjukdomsprevalens, svårighetsgrad, verifiering, observatör och instrument som viktiga orsaker till varierande noggrannhetsresultat [9,11].

Referensstandard

Referensstandarden behöver inte vara perfekt, men den måste klassificera mål­tillståndet tillräckligt korrekt och oberoende av indextestet. En bristfällig referensstandard kan få ett bra indextest att framstå som sämre, eller tvärtom.

Risker omfattar:

• Inkorporeringsbias: indextestet ingår i referensdiagnosen.
• Granskningsbias: den som tolkar referensstandarden känner till indextestet.
• Differentiell verifiering: olika referensstandarder används beroende på indextestets resultat.
• Partiell verifiering: bara vissa patienter, ofta de testpositiva, genomgår referensstandarden.
• Förändring över tid: mål­tillståndet ändras mellan indextest och referensstandard.

Om ingen accepterad referensstandard finns kan man använda sammansatta kriterier, expertpanel, longitudinell uppföljning eller statistiska latenta klassmodeller. Varje metod kräver explicita antaganden och kan ge olika resultat [12]. Latenta klassmodeller behandlar den verkliga sjukdomsstatusen som en icke observerad variabel, men resultaten kan vara starkt beroende av antaganden om testens inbördes beroende och om noggrannheten är konstant mellan populationer [13].

Blindning och tillgänglig klinisk information

Indextest och referensstandard bör om möjligt tolkas utan kännedom om varandras resultat. Samtidigt måste studien efterlikna avsedd klinisk användning. Om en radiolog normalt har tillgång till symtom, tidigare bilder och laboratorievärden kan total blindning ge en mindre realistisk uppskattning.

Studien ska därför tydligt ange:

• vilken information testtolkaren hade
• vilken information referensbedömaren hade
• om beslutsgränserna var fördefinierade
• tolkarens utbildning och erfarenhet
• hur oenighet mellan bedömare hanterades.

Flöde, tidsintervall och bortfall

Alla inkluderade patienter bör redovisas. Särskild uppmärksamhet krävs när:

• referensstandard saknas hos många deltagare
• bortfallet skiljer sig mellan testpositiva och testnegativa
• behandlingen inleddes före verifiering
• ett långt intervall medger att tillståndet förändras
• inkonklusiva resultat utesluts ur analysen.

Att utesluta tekniskt misslyckade eller svårtolkade resultat kan ge en överdrivet positiv bild av testets praktiska prestanda. Andelen sådana resultat och deras kliniska hantering bör redovisas separat.

QUADAS-2 och STARD

QUADAS-2 bedömer diagnostiska studier inom fyra domäner:

1. patienturval
2. indextest
3. referensstandard
4. patientflöde och tidsförhållanden.

De tre första bedöms även med avseende på tillämpbarhet [10]. STARD 2015 är en rapporteringsriktlinje med 30 centrala punkter för transparent redovisning av diagnostiska noggrannhetsstudier [8]. STARD är inte en kvalitetsstämpel, men uteblivna uppgifter gör det svårt att bedöma bias.

Vid direkta jämförelser mellan två test är det bäst om båda testen utförs på samma patienter eller om patienter randomiseras mellan teststrategier. Skillnader mellan separata studier kan annars bero på population och genomförande snarare än testen. QUADAS-C kompletterar QUADAS-2 för sådana jämförelser [18].

Statistisk osäkerhet och metaanalys

Konfidensintervall

Alla diagnostiska mått är stickprovsuppskattningar och ska rapporteras med konfidensintervall. Precisionen för sensitivitet bestäms främst av antalet personer med mål­tillståndet, medan precisionen för specificitet bestäms av antalet utan tillståndet.

Ett resultat med 100 procents sensitivitet i en studie med tio sjuka patienter är mycket osäkert. Noll observerade falskt negativa resultat bevisar inte att den sanna sensitiviteten är 100 procent.

Diagnostiska studier är ofta för små. I en kartläggning av 43 studier var medianen 49 deltagare med mål­tillståndet och endast 5 procent rapporterade en förhandsberäkning av stickprovsstorlek [14]. I en senare granskning av 89 studier av depressionsinstrument redovisade bara 3 procent en användbar stickprovsberäkning, och endast 8 procent hade ett konfidensintervall för sensitiviteten med en bredd på högst 10 procentenheter [15].

Stickprovsstorleken bör planeras utifrån:

• minsta acceptabla sensitivitet och specificitet
• önskad bredd på konfidensintervallen
• förväntad prevalens
• andel inkonklusiva resultat och bortfall
• planerade subgruppsanalyser
• om flera test ska jämföras [16].

Metaanalys av diagnostisk noggrannhet

Sensitivitet och specificitet är korrelerade, särskilt när studier använder olika beslutsgränser. De bör därför inte metaanalyseras som helt oberoende utfall. Rekommenderade modeller omfattar bivariat modell och hierarkisk sammanfattande ROC-modell. Dessa tar hänsyn till både inomstudievariation, mellanstudievariation och sambandet mellan sensitivitet och specificitet [17].

En sammanvägd siffra ska inte tolkas utan att granska:

• skillnader i patientpopulation
• beslutsgränser
• provtagning och analysteknik
• referensstandard
• vårdmiljö
• studiernas risk för bias
• prediktionsintervall och heterogenitet.

Prediktiva värden bör vanligen inte överföras direkt från en metaanalys till en lokal population. De kan i stället beräknas utifrån sammanvägd sensitivitet, specificitet och en relevant lokal pretest­sannolikhet.

Praktisk checklista

När ett diagnostiskt testresultat ska värderas, kontrollera följande:

1. Vilket mål­tillstånd avses? Definitionen måste vara kliniskt relevant.
2. Vilken är testets roll? Screening, triage, tillägg, ersättning eller bekräftelse.
3. Vilken är pretestsannolikheten? Utgå från patient, vårdnivå och tidigare information.
4. Vilken beslutsgräns används? Kontrollera att den motsvarar studiens och laboratoriets validering.
5. Vilka är sensitivitet och specificitet? Läs dem som ett par.
6. Vilka är LR+ och LR−? Använd relevant likelihoodkvot för att uppdatera sannolikheten.
7. Hur precist är resultatet? Granska konfidensintervall och antal personer med respektive utan mål­tillståndet.
8. Liknar studiepopulationen patienten? Beakta ålder, stadium, samsjuklighet, symtom och tidigare testning.
9. Är referensstandarden trovärdig? Leta efter partiell, differentiell eller inkorporerad verifiering.
10. Hur hanterades inkonklusiva resultat och bortfall? Uteslutning kan överskatta testets prestanda.
11. Ändrar posttestsannolikheten handläggningen? Om inte, var testet sannolikt inte motiverat.
12. Är teststrategin kliniskt nyttig? Noggrannhet, kostnad, risk och patientutfall måste vägas samman.

Källor

1. Habibzadeh F. Diagnostic tests performance indices: an overview. Biochemia Medica 2025. PMID: 39974192
2. Eusebi P. Diagnostic accuracy measures. Cerebrovascular Diseases 2013. PMID: 24135733
3. Bours MJ. Bayes' rule in diagnosis. Journal of Clinical Epidemiology 2021. PMID: 33741123
4. Fischer JE, Bachmann LM, Jaeschke R. A readers' guide to the interpretation of diagnostic test properties: clinical example of sepsis. Intensive Care Medicine 2003. PMID: 12734652
5. Hajian-Tilaki K. Receiver Operating Characteristic (ROC) Curve Analysis for Medical Diagnostic Test Evaluation. Caspian Journal of Internal Medicine 2013. PMID: 24009950
6. Obuchowski NA, Lieber ML, Wians FH Jr. ROC curves in clinical chemistry: uses, misuses, and possible solutions. Clinical Chemistry 2004. PMID: 15142978
7. Cohen JF, Korevaar DA, Altman DG m.fl. STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open 2016. PMID: 28137831
8. Bossuyt PM, Reitsma JB, Bruns DE m.fl. STARD 2015: an updated list of essential items for reporting diagnostic accuracy studies. BMJ 2015. PMID: 26511519
9. Whiting P, Rutjes AW, Reitsma JB m.fl. Sources of variation and bias in studies of diagnostic accuracy: a systematic review. Annals of Internal Medicine 2004. PMID: 14757617
10. Whiting PF, Rutjes AW, Westwood ME m.fl. QUADAS-2: a revised tool for the quality assessment of diagnostic accuracy studies. Annals of Internal Medicine 2011. PMID: 22007046
11. Whiting P, Rutjes AW, Dinnes J m.fl. Development and validation of methods for assessing the quality of diagnostic accuracy studies. Health Technology Assessment 2004. PMID: 15193208
12. Rutjes AW, Reitsma JB, Coomarasamy A m.fl. Evaluation of diagnostic tests when there is no gold standard. A review of methods. Health Technology Assessment 2007. PMID: 18021577
13. Collins J, Huynh M. Estimation of diagnostic test accuracy without full verification: a review of latent class methods. Statistics in Medicine 2014. PMID: 24910172
14. Bachmann LM, Puhan MA, ter Riet G m.fl. Sample sizes of studies on diagnostic accuracy: literature survey. BMJ 2006. PMID: 16627488
15. Thombs BD, Rice DB. Sample sizes and precision of estimates of sensitivity and specificity from primary studies on the diagnostic accuracy of depression screening tools: a survey of recently published studies. International Journal of Methods in Psychiatric Research 2016. PMID: 27060912
16. Hajian-Tilaki K. Sample size estimation in diagnostic test studies of biomedical informatics. Journal of Biomedical Informatics 2014. PMID: 24582925
17. Ma X, Nie L, Cole SR m.fl. Statistical methods for multivariate meta-analysis of diagnostic tests: an overview and tutorial. Statistical Methods in Medical Research 2016. PMID: 23804970
18. Yang B, Mallett S, Takwoingi Y m.fl. QUADAS-C: A Tool for Assessing Risk of Bias in Comparative Diagnostic Accuracy Studies. Annals of Internal Medicine 2021. PMID: 34698503
19. Van Calster B, Wynants L, Verbeek JFM m.fl. Reporting and Interpreting Decision Curve Analysis: A Guide for Investigators. European Urology 2018. PMID: 30241973
20. Cohen JF, Pauchard JY, Hjelm N m.fl. Efficacy and safety of rapid tests to guide antibiotic prescriptions for sore throat. Cochrane Database of Systematic Reviews 2020. PMID: 32497279
21. Nisenblat V, Bossuyt PM, Farquhar C m.fl. Imaging modalities for the non-invasive diagnosis of endometriosis. Cochrane Database of Systematic Reviews 2016. PMID: 26919512