2. Positivt/negativt prediktivt värde
POSITIVT PREDIKTIVT VÄRDE
Positivt prediktivt värde (PPV) beskriver den verkliga chansen att ha sjukdomen vid positiv undersökning. Tillskillnad från sensitivitet och specificitet tas hänsyn till dom falskt positiva/negativa utfallen. En stor fallgrop är dess relation med prevalens.
| Har sjukdomen | Har inte sjukdomen | |
|---|---|---|
| Test positiv | a (True Positiv) | b (False Positive) |
| Test negativ | c (False Negative) | d (True Negative) |
PPV =
Exempel:
| Har sjukdomen | Har inte sjukdomen | |
|---|---|---|
| Test positiv | 0.96 x 300 = 288 | 700 - 350 = 350 |
| Test negativ | 300 - 288 = 12 | 0.5 x 700 = 350 |
| Prevalens 30% | 300 | 700 |
Detta ger ett PPV på :
Låt oss nu öka prevalensen i den studerade populationen till 60%:
| Har sjukdomen | Har inte sjukdomen | |
|---|---|---|
| Test positiv | 0.96 x 600 = 576 | 400 - 200 = 200 |
| Test negativ | 600 - 576 = 24 | 0.5 x 400 = 200 |
| Prevalens 60% | 600 | 400 |
Detta ger ett PPV på :
Med dessa exempel kan man förstå att prevalens utgör en nyckelroll för att PPV ska ha värde. Det är därför viktigt att man väljer rätt patientgrupp när man ska applicera PPV.
NEGATIVT PREDIKTIVT VÄRDE
Negativt prediktivt värde (NPV) beskriver den verkliga chansen att inte ha sjukdomen. Här tas dom falskt negativa i beaktning.
| Har sjukdomen | Har inte sjukdomen | |
|---|---|---|
| Test positiv | a (True Positiv) | b (False Positive) |
| Test negativ | c (False Negative) | d (True Negative) |
NPV =
Samma principer som på PPV appliceras på NPV.
PROBLEM MED PREVALENS
Följande grafer är tagna från en artikel skriven av Suzanne Ekelund "Why D-dimer tests cannot be used to exclude venous thromboembolism in patients with high pretest probability".
Grafen visar entydigt att när prevalens ökar eller minskar påverkar detta dramatiskt PPV och NPV. Pilarna visar värdena för en undersökning med 90% sensitivitet och 90% specifictet. Ta din tid att verkligen förstå grafen, detta utgör kruxet i att förstå dessa begreppt.
NPV är en kvot som illustrerar en undersöknings prediktiva förmåga. Denna kalkyleras genom äkta negativa och falskt negativa. Mängden falskt negativa beror på hur många som har sjukdomen, det vill säga prevalensen i en population. Falskt negativa finns i kvotens nämnare. Kvoten blir därför mindre och mindre ju fler falskt negativa vi har. Man kan se det som en spädningseffekt.
Med ökande sensitivitet minskar mängden falskt negativa eftersom fler äkta positiva föreligger. Detta har då en mitigerande effekt vid höga prevalenser och NPV. Motsatsen är givetvis sann för PPV, i.e vid hög specificitet minskar mängden falskt positiva och därför ökar PPV.
D-dimer är en undersökning som har ett högt negativt prediktivt för lungemboli på utvalda populationer. Grafen illustrerar riskerna med att ta ett D-dimer på en högrisk population.
Wells score har flera stratifieringsmodeller. "Three-tier model" beskriver low risk (0-2 poäng) med incidens på 1.3%, moderate risk (2-6 poäng) med 16.2% incidens, och high risk (>6 poäng) med incidens på 37.1%.
Estimeringar från Spanish national consensus visar att prevalensen av lungemboli i low-pretest probability grupper är 10%, i moderate-pretest probability är 25%, och i high-pretest probability är >60%.
Här ser vi att om man använder D-dimer som har en sensitivitet på 95% vid högriskgruppen, där prevalensen estimerats till 60%, får vi ett NPV på ca 87%. Alltså i 13% av fallen får vi ett falskt negativt värde med potentiellt livshotande komplikationer. FDA har som kriterie att ett NPV på minst 97% för att använda D-Dimer som rule-out-undersökning. Med den logiken ska egentligen D-Dimer endast användas på låg- och medelrisk patienter, vilket är dagens praxis!
BOTTOM LINE
- PPV/NPV är användbara instrument för att tolka positiva/negativa provsvar.
- Viktigt att ha koll på prevalens i den grupp man undersöker.
| PPV/NPV (%) | Värdering |
|---|---|