حساسیت در مقابل ویژگی: تعریف، فرمول‌ها و تفسیر
7 Views
در آموزش مقاله نویسی پزشکی، حساسیت (Sensitivity) و ویژگی یا اختصاصیت (Specificity) دو معیار کلیدی هستند که برای ارزیابی عملکرد آزمایش‌های تشخیصی یا سیستم‌های طبقه‌بندی در آمار، پزشکی و یادگیری ماشینی استفاده می‌شوند. این معیارها، قابلیت‌های ذاتی یک آزمایش را ارزیابی می‌کنند. و بخش مهمی از روش های مقاله در رشته های پزشکی را به خود اختصاص می دهند.
حساسیت (که نرخ مثبت واقعی نیز نامیده می‌شود) میزان موفقیت یک آزمایش در شناسایی صحیح موارد مثبت را اندازه‌گیری می‌کند. ویژگی (نرخ منفی واقعی) میزان موفقیت آن در شناسایی صحیح موارد منفی را اندازه‌گیری می‌کند. این مقادیر برای تعیین توانایی یک آزمایش در تشخیص یک بیماری یا رد آن بسیار مهم هستند.
این محاسبات به یک ماتریس درهم‌ریختگی متکی هستند که نتایج آزمایش را به چهار نتیجه طبقه‌بندی می‌کند: مثبت‌های واقعی (TP)، مثبت‌های کاذب (FP)، منفی‌های واقعی (TN) و منفی‌های کاذب (FN).
آزمایش‌های بارداری یک مثال عملی ارائه می‌دهند. این آزمایش‌ها با تشخیص هورمون hCG در ادرار، که در دوران بارداری وجود دارد، کار می‌کنند. یک آزمایش بسیار حساس تقریباً همه افراد باردار را به درستی شناسایی می‌کند و موارد منفی کاذب را به حداقل می‌رساند. به عنوان مثال، بسیاری از آزمایش‌های بارداری خانگی حساسیت بالای ۹۹٪ را در صورت استفاده از روز اول قطع پریود تبلیغ می‌کنند.
از سوی دیگر، ویژگی به این اشاره دارد که آزمایش چقدر خوب از نتایج مثبت کاذب در افرادی که باردار نیستند، جلوگیری می‌کند. مطالعات نشان داده‌اند که ویژگی این آزمایش‌ها نیز بالا است، معمولاً حدود ۹۸٪ تا ۹۹٪، که نشان می‌دهد اکثر کاربران غیرباردار به درستی نتیجه منفی را نشان می‌دهند.
در این پست، شما یاد خواهید گرفت که حساسیت و ویژگی یا اختصاصیت به چه معناست، چگونه آنها را محاسبه و تفسیر کنید، چگونه در مثال‌های دنیای واقعی مانند آزمایش‌های بارداری اعمال می‌شوند و نقاط قوت و ضعف آنها نسبت به سایر معیارها چیست.
تعریف حساسیت
حساسیت به این سوال پاسخ می‌دهد: از بین تمام افرادی که واقعاً این بیماری را دارند، آزمایش چه نسبتی را به درستی مثبت تشخیص می‌دهد؟
حساسیت بر توانایی تشخیص یک بیماری در صورت وجود آن تمرکز دارد. به عبارت دیگر، یک آزمایش با حساسیت بالا به این معنی است که افراد مبتلا به این بیماری به احتمال زیاد نتایج آزمایش مثبتی خواهند داشت. توانایی بالا در تشخیص یک بیماری زمانی که عدم تشخیص آن خطرناک است، بسیار مهم است.
فرمول حساسیت
فرمول محاسبه حساسیت به شرح زیر است:
حساسیت = مثبت واقعی / (مثبت واقعی + منفی کاذب)
حساسیت، قابلیت تشخیص را با استفاده از یک نسبت اندازه‌گیری می‌کند. صورت کسر، تعداد موارد مثبت واقعی است و مخرج شامل همه افرادی است که بیماری را دارند – آنهایی که به درستی شناسایی شده‌اند (TP) و آنهایی که از دست رفته‌اند (FN).
در فرمول حساسیت، توجه داشته باشید که فقط زمانی می‌تواند بالا باشد که موارد منفی کاذب در مخرج کم باشد. به عبارت دیگر، نرخ تشخیص بالا به این معنی است که آزمایش با تولید موارد منفی کاذب، موارد زیادی را از دست نمی‌دهد.
تعریف ویژگی
ویژگی یا اختصاصیت در آزمایش به این سوال پاسخ می‌دهد: از بین همه افرادی که بیماری را ندارند، آزمایش چه نسبتی را به درستی منفی تشخیص می‌دهد؟
اختصاصیت بر رد کردن بیماری تمرکز دارد. به عبارت دیگر، یک آزمایش با اختصاصیت بالا به این معنی است که افراد بدون بیماری به احتمال زیاد نتایج آزمایش منفی خواهند داشت. آزمایشی که در رد کردن بیماری عالی عمل می‌کند، اکثر افراد سالم را به درستی منفی طبقه‌بندی می‌کند و از برچسب‌گذاری نادرست آنها به عنوان مثبت جلوگیری می‌کند. اختصاصیت بالا زمانی ضروری است که عواقب مثبت‌های کاذب، مانند درمان غیرضروری یا اضطراب، قابل توجه باشد.
فرمول اختصاصیت
فرمول محاسبه اختصاصیت به شرح زیر است:
اختصاصیت = منفی‌های واقعی / (منفی‌های واقعی + مثبت‌های کاذب)
ویژگی یا اختصاصیت، توانایی رد کردن یک بیماری را با استفاده از یک نسبت ارزیابی می‌کند. صورت کسر، تعداد موارد منفی واقعی است. مخرج شامل تعداد کل افرادی است که آن بیماری را ندارند. این مجموع شامل کسانی است که به درستی آزمایش منفی داشته‌اند و کسانی که نتیجه مثبت کاذب (TN + FP) گرفته‌اند.
در فرمول ویژگی، توجه داشته باشید که فقط زمانی می‌تواند بالا باشد که موارد مثبت کاذب در مخرج کم باشد. به عبارت دیگر، نرخ بالای رد کردن بیماری به این معنی است که آزمایش با تولید موارد مثبت کاذب، موارد منفی واقعی زیادی را از دست نمی‌دهد.
مثال محاسبه حساسیت در مقابل ویژگی
فرض کنید یک مطالعه از یک آزمایش تشخیصی جدید روی ۱۰۰ نفر استفاده می‌کند که ۴۰ نفر از آنها مبتلا به بیماری و ۶۰ نفر غیرمبتلا هستند. بیایید حساسیت آزمایش را در مقابل ویژگی محاسبه کنیم.
این آزمایش ۳۶ مورد از آنها را به درستی شناسایی می‌کند (مثبت واقعی) اما ۴ مورد را از دست می‌دهد (منفی کاذب). همچنین ۵۰ فرد سالم (منفی واقعی) را به درستی شناسایی می‌کند و ۱۰ فرد سالم را به اشتباه مبتلا به این بیماری (مثبت کاذب) تشخیص می‌دهد.
حساسیت = ۳۶ / (۳۶ + ۴) = ۰.۹۰ یا ۹۰٪
اختصاصیت = ۵۰ / (۵۰ + ۱۰) = ۰.۸۳ یا ۸۳٪
این نتایج نشان می‌دهد که این آزمایش در تشخیص بیماری در صورت وجود (حساسیت بالا) خوب است و در رد کردن آن در صورت عدم وجود (اختصاصیت متوسط تا بالا) نسبتاً دقیق است.
مقادیر معیار حساسیت در مقابل ویژگی
مقادیر معیار برای حساسیت و ویژگی می‌توانند بسته به زمینه و هدف آزمایش متفاوت باشند. به عنوان مثال، یک آزمایش غربالگری برای یک بیماری شدید ممکن است حساسیت بالا را برای به حداقل رساندن موارد از دست رفته در اولویت قرار دهد، در حالی که یک آزمایش تأییدی ممکن است ویژگی بالا را برای جلوگیری از مثبت کاذب هدف قرار دهد. هیچ حد آستانه جهانی برای آنچه “بالا” یا “پایین” محسوب می‌شود، وجود ندارد، اما جدول زیر تفاسیر رایج پذیرفته شده را نشان می‌دهد:
- 90-100%: عالی
- 80-89%: خوب
- 70-79%: معمولی
- 60-69%: ضعیف
- زیر 60%: خیلی ضعیف
اینها دستورالعملهای کلی هستند – زمینه اهمیت دارد. اگر بیماری نادر باشد و آزمایش تأییدی پس از آن انجام شود، حساسیت «ضعیف» ممکن است قابل قبول باشد. برعکس، حتی یک ویژگی «خوب» نیز ممکن است در یک محیط با شیوع پایین منجر به هشدارهای کاذب زیادی شود.
نقاط قوت و ضعف حساسیت و ویژگی
اگرچه حساسیت و ویژگی به ارزیابی عملکرد یک آزمایش در شرایط کنترل‌شده کمک می‌کنند، اما محدودیت‌هایی دارند. از همه مهم‌تر، آنها میزان شیوع بیماری در جمعیت را در نظر نمی‌گیرند.
شیوع یک بیماری در یک جمعیت می‌تواند هنگام اعمال حساسیت و ویژگی آزمایش‌ها بر نتایج فردی، به ویژه در زمینه‌های غربالگری بیماری‌های نادر، منجر به برداشت‌های گمراه‌کننده شود.
به عنوان مثال، آزمایشی با ویژگی بالا می‌تواند همچنان بسیاری از نتایج مثبت کاذب را نشان دهد، زمانی که پزشکان از آن به طور گسترده در جمعیتی با شیوع پایین استفاده می‌کنند. این پدیده، پارادوکس مثبت کاذب است. این می‌تواند یک وضعیت عجیب ایجاد کند که در آن اکثر افرادی که نتیجه مثبت می‌گیرند، در واقع آن بیماری را ندارند. در مورد پارادوکس مثبت کاذب و مغالطه نرخ پایه اطلاعات کسب کنید.
این مشکل، اهمیت در نظر گرفتن معیارهای اضافی مانند ارزش پیش‌بینی مثبت (PPV) و ارزش پیش‌بینی منفی (NPV) را که شیوع را در تفسیر نتایج آزمایش‌های فردی لحاظ می‌کنند، برجسته می‌کند.
به طور خلاصه، حساسیت و ویژگی، توانایی ذاتی آزمایش را در تشخیص یا رد یک بیماری در جمعیت‌های دارای بیماری و بدون آن در یک محیط کنترل‌شده توصیف می‌کنند. آنها برای ارزیابی و مقایسه کیفیت ذاتی آزمایش‌های تشخیصی ایده‌آل هستند و به محققان و پزشکان کمک می‌کنند تا تعیین کنند کدام آزمایش، یک بیماری را بهتر تشخیص می‌دهد یا رد می‌کند. اگر می‌خواهید دقت آزمایش‌های مختلف را مقایسه کنید و بین آنها انتخاب کنید، حساسیت و ویژگی بهترین معیارها هستند.
در مقابل، PPV و NPV با در نظر گرفتن میزان شیوع بیماری در جمعیت، نشان می‌دهند که نتیجه آزمایش برای یک فرد خاص به چه معناست. این معیارها احتمال اینکه یک نتیجه مثبت یا منفی خاص، منعکس کننده وضعیت واقعی یک فرد باشد را تخمین می‌زنند.
پاسخگوی سوالات و نظرات شما هستیم