Biostatistik 2 del 3 Flashcards
I den perfekta världen:
behåller vi en nollhypotes när den är sann och förkastar en nollhypotes när den är falsk
Ibland blir det dock fel:
- Vi förkastar en sann nollhypotes (typ I-fel)
- Vi behåller en felaktig nollhypotes (typ II-fel)
- Hör till att ni ska veta att det kan bli fel. Överkurs att veta vilket som är typ I respektive typ II-fel
Så test av nollhypotes kan bli fel
- Hur är det med våra diagnostiska tester?
Urinstix, blodtrycksmätning, febertermometer, bakterieodling, PCRanalys,
Blir dessa alltid rätt? Dvs visar korrekt resultat?
diagram: Friska och sjuka
Tröskelvärde
centralvärde
falska + & -
Tröskelvärde: stäcket “mellan kurvirna (cuf- off), mätpunkt.
Centralvärde: stäcket i mitten i respektive kurva.
Falskt negativt/ positivt: på ena sidan om tröskelvärdet kommer några vara negativa/ positiva
_____________________
Därför måste man ha anledning för att göra ett test
Exempel från tidigare i föreläsningen, fast testresultat istället för exponering:
* 100 friska katter, 3 testpositiva och 97 testnegativa
* 100 katter sjuka i diarré, 70 testpositiva
* Hur blir uppställningen?
Totalt är 73 testpositiva och 97+30 testnegativa
* Av de sjuka testar 70 positivt, vi missar alltså 30 individer
* Men 3 av de friska testar positivt
_______________________________________
Det spelar ingen roll om man har testpositiv uppe eller på sidan. Samma med ex exponering osv.
____________________
_______Test + _______ Test -
Sjuk__ 70 ___________ 30 {{ 100
Frisk__ 3_____________ 97 {{ 100
Tests känslighet (Se – sensitivity- på engelska) 2*
Kollar mest dem som är sjuka, intresserade av dem som är sjuka
_______
* Att de som är sjuka testar positivt
* Räknas ut som en andel: delen av de sjuka som testar positivt
________
* probability that a test result will be positive when the disease is present
(true positive rate).
* Exempel: 30 sjuka varav 27 testar positivt:
* Exempel: 30 sjuka varav 15 testar positivt: (SE 15 delat på 30)
________________________
_____Test +_____ Test - (PPV, NPV)
Sjuk__ 27________ 3_____ {{ 30
Frisk
_________
SE 27 delar med 30. Okej att svara så på tenta
Tests känslighet (Se – sensitivity- på engelska)
* De som testar negativt fast de har sjukdomen – vad kallas dessa?
Falskt negativa
Tests känslighet (Se – sensitivity- på engelska)
När är det viktigt att ha hög känslighet på testet, dvs ’alla’ som är sjuka fångas upp på testet?
1) Allvarlig men behandlingsbar sjukdom. Ex livmoderhalscancer på kvinnor. (viktigt att vi hittar dem)
2) För att utesluta sjukdom (ex ta in ny häst i stallet)
3) När få i populationen som har sjukdomen testas och man vill hitta sjukdomen
Tests specificitet (Sp på engelska)
När vill man ha hög specificitet?
1) Hög kostnad att felklassificera friska som sjuka
2) Bekräfta misstanke om sjukdom: testet ffa användbart om det är positivt
3) När hög andel i populationen som har sjukdomen testas och man vill utesluta sjukdomen (kollar på populationen)
Hur kan man göra för att alla falska positiva blir korrekt klassificerade som sjukdomsnegativa?
* Although the ideal (but unrealistic) situation is for a 100% accurate test, a good alternative is to subject patients who are initially positive to a test with high sensitivity/low specificity, to a second test with low sensitivity/high specificity. In this way, nearly all of the false positives may be correctly identified as disease negative.
- Dvs först ett test med hög SE+låg SP, sedan test med lägre SE och hög SP
__
För att få fram en korrekt lösning tillslut
För att bli säker kan man använda 2 olika test
Ställa upp en tabell testprestanda
Undersöka andelen av de testpositiva som faktiskt är sjuka
- detta kallas ________ ________ _________-
Undersöka andelen av de testpositiva som faktiskt är sjuka
- detta kallas POSITIVT PREDIKTIVT VÄRDE (ex 70 delat på 73)
!Sannolikheten att en patient som testar positivt är sjuk
!Dvs hur bra är testet på att förutspå att patienten är sjuk?
Här är det 70/73 dvs väldigt hög sannolikhet
Andelen sjuka delat på test +
ställa upp en tabell testprestanda
Undersöka andelen av de testnegativa som faktiskt är friska
(eller i alla fall inte har just den sjukdom man testar för)
- detta kallas __________ _________ _____________
Undersöka andelen av de testnegativa som faktiskt är friska
(eller i alla fall inte har just den sjukdom man testar för)
- detta kallas NEGATIVT PREDIKTIVT VÄRDE
!Sannolikheten att en patent som testar negativt är frisk
!Dvs hur bra är testet på att förutspå att patienten är frisk?
Här är det 97/127 dvs ganska hög sannolikhet (76%)
Vad innebär att ett test inte är fullkomligt?
- Att ni kommer få fel resultat ibland.
- Är det värre att missa några sjuka eller att råka få med friska i sjukgruppen?
- Beror på problemet.
Guldstandard (perfekt mätmetod)
The gold standard is the best single test (or a combination of tests) that is considered the current preferred method of diagnosing a particular disease (X).
All other methods of diagnosing X, including any new test, need to be compared against this ′gold′ standard.
Sällan vi har goldstandard
-icke perfekt test är det vi får ta istället
-biologisk variation
Nyckelbegrepp
* Punktestimat/punktskattning & Konfidensintervall
* Korstabell – 2x2-tabell (two by two table) – med olika användningsområden
* Standardavvikelse (standard deviation) (för urvalet) och medelfel
(standard error) (för populationen)
* Medelfelet används till att hitta gränserna för 95% ki
* P-värde
* Nollhypotes - mothypotes
* Statistisk signifikans
* Diagnostiska testers förmåga att klassa prov korrekt: sensitivitet och specificitet
* Falskt positiva, falskt negativa
* Positivt respektive negativt prediktivt värde – hur bra på att förutspå ifall patienten är sjuk resp frisk
* Guldstandard
ja
Teasts specificitet (sp - specificity - på engelska) 2*
Testet för dem friska
_________________
* alla de som är friska testar negativt
* Räknas ut som andel: delen av de friska som testar negativt
______________
EX: 30 friska varav 20 testar negativt (20 delat på 30)
________
_____Test +______________Test -
SE Sjuk___________ ____ falskt negativt
SP Frisk__ Falskt positiv__ 20 {{ 30
