Diagnostiska test och prevalens

Modellen

Bayes sats i sin kliniska form. Sensitivitet och specificitet är egenskaper hos TESTET; prediktiva värden är egenskaper hos testet OCH populationen. Det är därför samma test byter karaktär när det flyttas från akutmottagningen till en screeningpopulation.

Likelihoodkvoten är det som gör satsen användbar vid sängkanten: den multiplicerar oddset och är oberoende av prevalensen. LR+ över 10 eller LR− under 0,1 ändrar handläggningen; mellan 0,5 och 2 gör ett test sällan någon nytta alls.

Rutnätet visar naturliga frekvenser i stället för procent. Samma siffror presenterade som andelar får de flesta att räkna fel, medan personer i en kohort får både läkare och patienter att räkna rätt.

LR+ = Se / (1 − Sp) LR− = (1 − Se) / Spoddsefter = oddsföre · LRPPV = Se·P / (Se·P + (1 − Sp)·(1 − P))NPV = Sp·(1 − P) / (Sp·(1 − P) + (1 − Se)·P)

Vad som är värt att pröva

• Jämför D-dimer vid låg risk med D-dimer vid hög risk. Testet är identiskt. Vid låg förtestsannolikhet utesluter ett negativt svar lungemboli; vid hög gör det inte det. Slutsatsen: testet ska inte tas när förtestsannolikheten är hög.
• Ta Screening, ovanlig sjukdom och läs av falska larm per hittat fall. Ett test med 90 % sensitivitet och 95 % specificitet ger nio friska utredda per sjuk funnen — och det är ett bra test.
• Dra specificiteten från 95 till 99 % i samma läge. Positivt prediktivt värde mer än fyrdubblas. Vid screening är det specificiteten som avgör om programmet är genomförbart, inte sensitiviteten.
• Följ kurvan och lägg märke till att PPV faller brant redan under tio procents prevalens medan NPV knappt rör sig. Det är asymmetrin bakom nästan alla feltolkade testsvar.
• Ställ in ett test med LR+ omkring 2 och se hur lite oddset ändras. Ett sådant test kan vara statistiskt signifikant i en studie och ändå aldrig ändra ett beslut.