Test diagnostico - e-Learning
Transcript
Test diagnostico - e-Learning
Definizione Test diagnostico Un test diagnostico è una qualunque procedura utile all'identificazione di uno stato di malattia. Viene utilizzato: all’inizio del decorso clinico per la diagnosi; in qualsiasi momento del decorso clinico per conoscere lo stato di malattia. Esempi : misura e valutazione di … Glicemia diabete SGOT e SGPT malattie epatiche Proteinuria malattie renali Mondo ideale Definizione Idealmente un test diagnostico dovrebbe fornire: Esito di un test Positivo Induce a sospettare presenza di malattia Negativo Induce a sospettare assenza di malattia Un test può essere rilevato su scala quantitativa (o qualitativa politomica), ma viene spesso dicotomizzato a fini decisionali sulla base di opportuni valori soglia (cut-off). • esiti POSITIVI nei soggetti che presentano la malattia. • esiti NEGATIVI nei soggetti che non presentano la malattia. …..ma nella realtà MONDO IDEALE Test positivoTest negativo -malati-sani- MONDO REALE Test positivo sani 1 Una buona procedura diagnostica Una buona procedura diagnostica DEVE essere: 1. riproducibile (tra ed entro operatori/procedure) ….e meglio se: - facile da eseguire Esempi: Tumori: esame istologico Diabete: analisi del glucosio nel sangue - non invasiva/rischiosa - dai costi contenuti Esiti del test e malattia Performance del test Gli individui sottoposti ad un test diagnostico, possono essere classificati in funzione dell'esito del test e della presenza della malattia. T- Totale Per analizzare la validità di una procedura diagnostica è necessario un confronto indipendente. Gold standard Una procedura diagnostica di riferimento che classifica gli individui rispetto al loro vero stato di malattia: malato (M+) o sano (M-). 2. accurata T+ Validità della procedura diagnostica M+ M- Totale Veri Positivi (a) Falsi Negativi (c) Falsi Positivi (b) Veri Negativi (d) Positivi (a+b) Negativi (c+d) Malati (a+c) Sani (b+d) Sani + Malati (a+b+c+d) Per valutare la performance di un test si calcolano i seguenti indici: Sensibiltà Specificità 2 Sensibilità del test Sensibilità del test Considerando solo i soggetti malati (M+): M+ M- Totale Veri Positivi (a) Falsi Positivi (b) Positivi (a+b) T- Falsi Negativi (c) Veri Negativi (d) Negativi (c+d) Totale Malati (a+c) Sani (b+d) Sani + Malati (a+b+c+d) T+ SENSIBILITÀ (Sn): probabilità che un test diagnostico dia esiti positivi (T+) nei malati (M+) M+ M- T+ a b T- c d SENSIBILITÀ (Sn): la capacità di identificare correttamente i malati. La Sensibilità è la proporzione di malati che risultano positivi al test. Sn : P T + M + = P(T + M+ ) P M + = a a+c Specificità del test Specificità del test Considerando solo i soggetti sani (M-): M+ M- Totale Veri Positivi (a) Falsi Positivi (b) Positivi (a+b) T- Falsi Negativi (c) Veri Negativi (d) Negativi (c+d) Totale Malati (a+c) Sani (b+d) Sani + Malati (a+b+c+d) T+ SPECIFICITÀ (Sp): probabilità che un test diagnostico dia esiti negativo (T-) nei sani (M-) M+ M- T+ a b T- c d SPECIFICITÀ (Sp): capacità di identificare correttamente i sani. La Specificità è la proporzione di sani che risultano negativi al test. Sp: P T- M- = P(T- M- ) P M - = d b+d 3 Accuratezza del test Performance del test Considerando tutti i soggetti: M+ M- Totale Veri Positivi (a) Falsi Positivi (b) Positivi (a+b) T- Falsi Negativi (c) Veri Negativi (d) Negativi (c+d) Totale Malati (a+c) Sani (b+d) Sani + Malati (a+b+c+d) T+ Per valutare la performance di un test si calcolano i seguenti indici: Sensibiltà Specificità Accuratezza: probabilità di corretta classificazione Acc : P(T M ) P(T M ) ad abcd Il punto di vista del medico Quando il medico esamina l’esito di un test diagnostico ignora se il paziente sia sano o malato, ma vorrebbe che: un esito positivo significasse malato; un esito negativo significasse sano. PURTROPPO NON SEMPRE CIÒ È VERO Performance del test Per valutare la performance di un test si calcolano i seguenti indici: Sensibiltà Specificità Per valutare le conseguenze di un test sui pazienti si calcolano i seguenti indici: Valore predittivo positivo Valore predittivo negativo 4 Valore predittivo positivo Valore predittivo negativo M+ M- Totale M+ M- Totale Veri Positivi (a) Falsi Positivi (b) Positivi (a+b) Veri Positivi (a) Falsi Positivi (b) Positivi (a+b) T- Falsi Negativi (c) Veri Negativi (d) Negativi (c+d) T- Falsi Negativi (c) Veri Negativi (d) Negativi (c+d) Totale Malati (a+c) Sani (b+d) Sani + Malati (a+b+c+d) Totale Malati (a+c) Sani (b+d) Sani + Malati (a+b+c+d) T+ Valore predittivo dell’esito positivo (VPP): la probabilità che un soggetto positivo al test sia malato. VPP: P M+ T + = P(M+ T + ) PT + = a a+b Valore predittivo positivo e negativo Il valore predittivo dipende dalla sensibilità e dalla specificità del test. T+ Valore predittivo dell’esito negativo (VPN): la probabilità che un soggetto negativo al test sia sano. VPN: P M- T- = P(M- T- ) PT - = d c+d n=100; Prevalenza=40% Sn = 90%; Sp = 80% malati sani Diversamente da Sensibilità e Specificità, il valore predittivo è fortemente influenzato dalla prevalenza. M+ M- Totale T+ VP (a) FP (b) Positivi (a+b) T- FN (c) VN (d) Negativi (c+d) Totale Malati (a+c) Sani (b+d) Sani + Malati il rapporto malati/(sani+malati) è detto prevalenza della malattia. VPP=36/48=75% VPN=48/52=92.3% 5 Effetto della prevalenza sul valore predittivo…un esempio n=100; Prevalenza=10% Sn = 90%; Sp = 80% malati sani Il valore predittivo positivo diminuisce al diminuire della prevalenza di malattia. Il valore predittivo negativo aumenta al diminuire della prevalenza di malattia. Nel valutare tali indici è dunque necessario conoscere a quale popolazione ci si riferisce e sapere quale è la prevalenza della malattia in tale popolazione. VPP=9/27=33% VPN=72/73=98.6% Effetto della prevalenza sul valore predittivo…un esempio Effetto della prevalenza sul valore predittivo PSA (Acido fosfatase prostatico) e tumore della prostata Sn = 70%; Sp = 90% Prevalenza VPP VPN Pop. Generale 35/100000 0.4% 100% Uomini, età≥ 75 500/100000 5.6% 99.8% Nodulo prostatico sospetto 50000/100000 Quando la prevalenza della malattia nella popolazione è elevata, la performance (in termini di VVP) di tutti i test è buona. 93.0% 75.0% Tuttavia, per valori di prevalenza molto bassi il valore predittivo positivo di tutti i test si avvicina a zero; in queste condizioni, qualsiasi test diventa virtualmente inutile a scopo diagnostico. 6 Come riscrivere i Valore Predittivo (Teorema di Bayes) Valore predittivo di un esito positivo al test: VPP = P M + | T + = Sn Prev Sn Prev + (1-Sp) (1-Prev) Un esempio.. 1000 donne tra i 50 e i 69 anni vengono sottoposte a uno screening per tumore mammario tramite mammografia e 150 di esse risultano positive. Alla biopsia, a 50 di queste è diagnosticato un tumore alla mammella. Nell’anno successivo, delle donne risultate negative alla mammografia, 30 sviluppano tumore alla mammella, diagnosticato a seguito di sintomi clinici. Tumore alla mammella (in base esito biopsia e follow-up) Valore predittivo di un esito negativo al test: Sp (1-Prev) VPN = P M | T = Sp (1-Prev) + (1-Sn) Prev - - Un esempio.. TEST: Mammografia si no Totale Positivo 50 100 150 Negativo 30 820 850 Totale 80 920 1000 Un altro esempio.. Tumore alla mammella (in base esito biopsia e follow-up) Positivo TEST: Mammografia Negativo Totale • • • • • • • si no Totale 50 100 150 30 820 850 80 920 1000 Veri positivi = 50 Falsi positivi = 100 Prevalenza = 80/1000 = 0.08 (8%) Sensibilità = 50/80 = 62.5% Specificità = 820/920 = 89.1% VPP = 50/150 = 33.3% VPN= 820/850 = 96.5% Anemia da deficienza di ferro Ferritina Presente Assente Total Positivo (< 65 mmol/L) 731 270 1001 Negativo (65 mmol/L) Totale 78 1500 1578 809 1770 2579 • • • • • • • Veri positivi = 731 Falsi positivi = 270 Prevalenza = 809/2579 = 0.31 (31%) Sensibilità = 731/809 = 90.4% Specificità = 1500/1770 = 84.7% VPP = 731/1001 = 73.0% VPN = 1500/1578 = 95.1% 7 Test diagnostico su scala continua Anemia da deficienza di ferro Ferritina Presente Assente Total Test diagnostico su scala continua Come cambiano le proprietà del test diagnostico se si scelgono cut-off diversi? Cominciamo con il considerare un cut-off di 50 mmol/L: Positivo (< 65 mmol/L) 731 270 1001 Negativo (65 mmol/L) Totale 78 1500 1578 Ferritina 2579 Positivo (<50 mmol/L) 631 170 801 Negativo (50 mmol/L) Totale 178 1600 1778 809 1770 2579 809 1770 Finora abbiamo parlato di test il cui esito è in forma dicotomica: positivo o negativo. In questo esempio il test per la diagnosi di anemia è misurato su scala continua ed è stato reso dicotomico sulla base del valore soglia di 65 mmol/L. Perché è stato scelto proprio questo cut-off? Test diagnostico su scala continua Passiamo ora a 70 mmol/L: Ferritina Anemia da deficienza di ferro Presente Assente Total Positivo (<70 mmol/L) 781 320 1101 Negativo (70 mmol/L) Totale 28 1450 1478 809 1770 2579 • Prevalenza = 809/2579 = 0.31 (31%) • Sensibilità = 781/809 = 96.5% • Specificità = 1450/1770 = 81.9% Anemia da deficienza di ferro Presente Assente Total • Prevalenza = 809/2579 = 0.31 (31%) • Sensibilità = 631/809 = 78.0% • Specificità = 1600/1770 = 90.4% Test diagnostico su scala continua Sulla base dei risultati ottenuti, quale valore soglia utilizzerò per dicotomizzare? Cut-off (mmol/L) 50 65 70 Sensibilità (%) 78.0 90.4 96.5 Specificità (%) 90.4 84.7 81.9 Sensibilità e Specificità sono caratteristiche intrinseche al test, con la proprietà che, al variare del cut-off, l’aumento dell’una comporta la diminuzione dell’altra. 8 Curva ROC - (Receiver Operating Characteristic) Scelta valore soglia ottimale La curva ROC rappresenta graficamente i valori di sensibilità (SE) ed il complemento a 1 della specificità (1-SP) calcolati in corrispondenza di diversi valori soglia. Il «migliore» valore soglia è quello corrispondente al punto che più si avvicina all’angolo in alto a sinistra del grafico che identifica il test perfetto, ovvero quello che ha SE=100 e SP=100 (1-SP=0). N.B. esistono altri criteri per la scelta del valore soglia ottimale. Curva ROC: AUC Curva ROC: confronto fra test diagnostici Per valutare l’abilità diagnostica del test nel complesso è possibile utilizzare l’indice AUC (Area Under the Curve). Il suo valore è pari all’area sottesa alla curva ROC. Quanto più l’AUC si avvicina a 1 (area massima), tanto più il test classifica correttamente sani e malati. Il valore minimo è invece pari a 0.5. Test inutile SE=1-SP Perchè il test in giallo (eccellente) è superiore a quello in viola (buono)? SE AUC=0.943 - A parità di 1-SP=P(T+|M-): P(T+|M+) > P(T+|M+) (ci sono più veri positivi) 1-SP - A parità di SE=P(T+|M+): less false positives P(T+|M-) < P(T+|M-) (ci sono meno falsi positivi) 9 Curva ROC: confronto fra test diagnostici Test diagnostico MoCA-BJ Visuo* *visuospatial subscale AUC 0.66 0.63 IC 95% 0.59–0.72 0.56–0.69 Xiong Chen, Rui Zhang, Ying Xiao, Jiaqi Dong, Xun Niu, Weijia Kong. Reliability and Validity of the Beijing Version of the Mo ntreal Cognitive Assessment in the Evaluation of Cognitive Function of Adult Patients with OSAHS. PLOS ONE July 24, 2015 10