Diagnostisch onderzoek Flashcards
(26 cards)
wat is het onderscheid tussen de volgende testen:
Diagnostische test, Prognostische test, Screeningstest, Statistische toets,
- Diagnostische test: onderscheid maken tussen aan- en afwezigheid van een ziekte of aandoening bij een individu;
- Prognostische test: aangeven of een individu de bestudeerde ziekte in de toekomst zal krijgen;
- Screeningstest: opsporen van voorstadia of risicofactoren voor een toekomstige ziekte bij een individu;
- Statistische toets: onderscheid maken tussen de situatie waarin de nulhypothese waar is en de situatie waarin deze hypothese niet waar is (dus waarin de alternatieve hypothese waar is).
Wat betekent het als een test een gouden standaard is? En wat wordt dit eigenlijk genoemd?
Als een test een gouden standaard is dan betekent het dat de test dit per definitie precies doet. Bij diagnostiek zal de ziekte bijvoorbeeld altijd dan opgespoord worden.
Geen enkele test is perfect daarom wordt dit ook wel referentiestandaard of referentietest genoemd: de test die op dat moment de meest aanvaardbare standaardtest voor een bepaald ziektebeeld of bepaalde aandoening is.
Waarom wordt de referentietest niet altijd uitgevoerd bij diagnostisch testen?
- vaak worden andere diagnostische tests uitgevoerd, die meestal minder invasief, minder belastend voor de patiënt of minder duur zijn
Wat betekent sensitiviteit en specificiteit bij diagnostisch toetsen?
En waarom zijn de twee belangrijk?
sensitiviteit (percentage mensen met de ziekte/aandoening dat positief wordt getest) laat de gevoeligheid van de test zien
specificiteit (percentage mensen zonder de ziekte/aandoening dat negatief wordt getest) laat zien of de uitkomst specifiek is voor het doel
Een hoge sensitiviteit is belangrijk om geen ziektegevallen te missen en een hoge specificiteit is van belang voor het onderscheid tussen zieken en niet-zieken.
Wanneer kan een dichotome test (2x2 tabel) genomen worden?
Deze tabel kan gemaakt worden als een diagnostische test slechts twee mogelijke resultaten heeft
Wat kun je ook met sensitiviteit en specificiteit bepalen?
je kunt ook het aantal fout-negatieven (wel ziek, maar negatieve uitslag) en het aantal fout-positieven (niet ziek, maar positieve uitslag) bepalen.
Hoe ziet een 2x2 tabel eruit en wat zijn de formules hierbij voor sensitiviteit en specificiteit?
Positieve uitslag
A = Patiënt met aandoening
B = Patiënt zonder aandoening
Negatieve uitslag
C = Patiënt met aandoening
D = Patiënt zonder aandoening
Sensitiviteit = A / (A+C)
Specificiteit = D / (B+D)
Wat betekent positief voorspellende waarde en negatief voorspellende waarde?
De positief voorspellende waarde (sensitiviteit) zegt iets over het aantal mensen dat een positieve testuitslag heeft en ook daadwerkelijk de ziekte heeft
De negatief voorspellende waarde (specificiteit) zegt iets over het aantal mensen dat een negatieve testuitslag heeft en de ziekte ook niet heeft.
Wat kan er met de regel van Bayes gedaan worden?
Deze regel maakt het mogelijk om op een exacte wijze een waarschijnlijkheid of opinie (gevormd op basis van achtergrondgegevens), aan te passen aan de uitslag van een testresultaat.
Waar wordt de regel van Bayes gebruikt?
- Het wiskundig formuleren van medische diagnoses (zoals bij de interpretatie van ECG-inspanningsproeven en de beoordeling van diagnostische waarden van klinisch-chemisch onderzoek);
- Het epidemiologisch denken over screening;
- Een nieuwe denkrichting in de statistische interferentie (zowel medisch als niet-medisch).
Wat betekent a priori opinie en a posteriori opinie? Op welke twee manieren kunnen deze gevormd worden?
a priori opinie = opinie vooraf het testen
a posteriori opinie = opinie na het testen
Ze kunnen subjectief (mening van de arts) of objectief (met berekeningen) gemaakt worden.
Waarom is het belangrijk dat een screeningstest een hoge positief voorspellende waarde en specificiteit heeft, vooral bij ingrijpende gevolgen en lage prevalentie van een ziekte?
Omdat een hoge voorspellende waarde voorkomt dat mensen onnodig worden blootgesteld aan ingrijpende gevolgen, zoals een operatie. Bij een lage prevalentie is een hoge specificiteit belangrijk om het aantal fout-positieve uitslagen te beperken, aangezien anders onterecht veel mensen negatieve gevolgen kunnen ondervinden.
Wat gebeurt er bij een lage a priori kans op ziekte (bijv. 1%)
Een positieve test zegt dan weinig; de kans dat je echt ziek bent blijft klein.
Voorbeeld: Bij 1% ziekteprevalentie, 60% gevoeligheid, 10% fout-positieven — hoe groot is de kans dat iemand met een positieve test echt ziek is?
0.01 * 1000 = 10 mensen
60% gevoelig dus 6 mensen
990 * 0.1 = 99
6 van de 105 positief geteste mensen zijn echt ziek → dat is 5,7%.
Wat gebeurt er bij een hoge a priori kans op ziekte (bijv. 90%) met een positieve test?
Een positieve test zegt dan ook niet veel nieuws; je wist al dat ziekte waarschijnlijk was.
Voorbeeld: Bij 90% ziekteprevalentie, 60% gevoeligheid, 10% fout-positieven — hoe groot is de kans dat iemand met een positieve test echt ziek is?
10% wordt fout-positief → 10% van 100 = 10 mensen
900 * 0.6 = 540
540 van de 550 positief geteste mensen zijn echt ziek → dat is 98,2%.
Wanneer heeft een test de meeste toegevoegde waarde?
Bij een middelhoge a priori kans op ziekte (ongeveer 30–70%); dan helpt een test echt om duidelijkheid te geven.
Waarom zegt een positieve test bij een lage of hoge a priori kans weinig?
Omdat je bij lage kans waarschijnlijk toch al gezond bent en bij hoge kans waarschijnlijk toch al ziek — de test verandert je inschatting nauwelijks.
Hoe werkt Bayesiaanse interfentie?
Bij Bayesiaanse interferentie worden de nulhypothesen en alternatieve hypothesen niet aanvaard of verworpen, maar wordt hun geloofwaardigheid op basis van het resultaat van een statistische test aangepast.
Hoe werkt klassieke statische interfentie?
klassieke statistische interferentie wordt een nulhypothese aanvaard of verworpen (de nulhypothese is het tegenovergestelde van de hypothese die de onderzoeker heeft bedacht).
Wat is de betekenis van de likelihood ratio bij een positieve test (LR+) en een negatieve test (LR-), en hoe interpreteer je verschillende waarden?
Likelihood ratio positief (LR+):
Verhouding:
kans op positieve test bij zieke / kans op positieve test bij niet-zieke
LR+ = 1 → test geeft geen informatie
LR+ > 1 → hogere kans dat persoon ziek is bij positieve test
LR+ → ∞ → test is pathognomonisch (positief betekent ziekte)
Likelihood ratio negatief (LR-):
Verhouding:
kans op negatieve test bij zieke / kans op negatieve test bij niet-zieke
LR- = 1 → test geeft geen informatie
LR- < 1 → negatieve test maakt ziekte minder waarschijnlijk
LR- → 0 → ziekte kan volledig worden uitgesloten bij negatieve test
wat zijn de formules van likehood ratio met sensitiviteit en specificiteit?
LR+ = sensitiviteit / (1-specificiteit)
LR- = (1-sensitiviteit) / specificiteit
hoe bereken je odds en kans?
odds = 4 tegen 1
4 / 1 + 4 = 4/5 = 80%
odds = 0.8 / 1 - 0,8 = 4
wat is pretest odds en hoe bereken je dit?
Pretest odds = 1−voorafkans
voorafkans
Voorafkans = hoe groot is de kans dat iemand ziek is vóórdat je test?
Dit is meestal gelijk aan de prevalentie (hoe vaak de ziekte voorkomt in de populatie).
Als 20% van de mensen de ziekte hebben dan is voorafkans bv 0.20
wat is posttests odds en hoe bereken je dit?
Posttest odds = LR × pretest odds
LR (Likelihood Ratio) = hoe informatief is de test?
LR+: bij positieve test
LR–: bij negatieve test
Bij LR = 5
5 x 0,25 = 1,25
wat is achterafkans en hoe bereken je dit
Achterafkans=
Posttest odds /
1+posttest odds
Je rekent de odds terug naar een kans (zoals je gewend bent in percentages).
Is letterlijk gewoon
odds / 1 + odds
