Skip to content
กลับไปยังผลการค้นหา

การออกแบบการศึกษาความแม่นยำในการวินิจฉัย

ผู้เสนอ
Bossuyt, Reitsma, and STARD group (2003); clinical epidemiology pioneers
ปี
2003-2015
ประเภท
Research Design
กลุ่มวิธี
diagnostic evaluation

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การศึกษาความแม่นยำในการวินิจฉัยประเมินว่าการทดสอบวินิจฉัยใหม่ (หรือตัวบ่งชี้ทางชีวภาพ, รูปแบบการถ่ายภาพ, การประเมินทางคลินิก) สามารถตรวจจับการมีอยู่หรือไม่มีอยู่ของโรคได้ดีเพียงใดเมื่อเทียบกับมาตรฐานอ้างอิง (gold standard) การศึกษาความแม่นยำในการวินิจฉัยซึ่งได้รับการรับรองมาตรฐานตั้งแต่ปี 2003 โดย STARD (Standards for Reporting of Diagnostic Accuracy Studies) เป็นพื้นฐานสำคัญของการแพทย์ทางคลินิก ในการพิจารณาว่าการทดสอบใหม่สามารถปรับปรุงการวินิจฉัยและการรักษาผู้ป่วยได้อย่างไรและมากน้อยเพียงใด

แนวคิดเบื้องหลังวิธีการ

ลองจินตนาการถึงการทดสอบเลือดใหม่ที่อ้างว่าสามารถตรวจหามะเร็งได้ตั้งแต่ระยะเริ่มต้น การศึกษาความแม่นยำในการวินิจฉัยจะรวบรวมผู้ป่วย 500 ราย โดย 250 รายมีมะเร็งที่ได้รับการยืนยันแล้ว (จากการตัดชิ้นเนื้อ) และอีก 250 รายไม่มีมะเร็ง ผู้ป่วยทั้งหมดจะได้รับการทดสอบเลือดใหม่ ผลการทดสอบ: การทดสอบสามารถตรวจพบมะเร็งในผู้ป่วย 240 รายจาก 250 ราย (ความไว (sensitivity) 96% - สามารถตรวจหามะเร็งได้ดี) แต่กลับแจ้งผลบวกผิดพลาดในผู้ป่วยสุขภาพดี 50 รายจาก 250 ราย (ความจำเพาะ (specificity) 20% - มีการแจ้งผลบวกผิดพลาดจำนวนมาก) แพทย์จะใช้ Likelihood Ratios: หากผลการทดสอบเป็นบวก โรคมีความเป็นไปได้มากน้อยเพียงใด? หากผลเป็นลบ โรคมีความเป็นไปได้น้อยลงเพียงใด? ความไวสูงหมายถึง 'ผลลบสามารถตัดโรคออกไปได้' (การทดสอบคัดกรองที่ดี) ความจำเพาะสูงหมายถึง 'ผลบวกสามารถยืนยันโรคได้' (การทดสอบยืนยันที่ดี) การแลกเปลี่ยนระหว่างความไวและความจำเพาะเป็นสิ่งสำคัญ: คุณไม่สามารถทำให้ทั้งสองค่าสูงสุดได้พร้อมกัน

ประวัติศาสตร์

การศึกษาความแม่นยำในการวินิจฉัยพัฒนามาจากระบาดวิทยาช่วงต้นศตวรรษที่ 20 (ความไวและความจำเพาะถูกกำหนดโดย Yerushalmy ในปี 1947) สาขาวิชานี้มีความเข้มงวดมากขึ้นในช่วงทศวรรษ 1990 เมื่อ Sackett, Jaeschke และคนอื่นๆ ตีพิมพ์คู่มือผู้ใช้ที่เน้นความถูกต้องและประโยชน์ทางคลินิก โครงการ STARD (Standards for Reporting of Diagnostic Accuracy Studies) ซึ่งเปิดตัวในปี 2003 โดย Bossuyt และคณะ ได้จัดทำแนวทางที่เป็นระบบสำหรับการออกแบบและการรายงานการศึกษา STARD ได้กลายเป็นมาตรฐานทองคำ โดยได้รับการยอมรับจากวารสารและแหล่งทุนหลัก (NIH, EU) ความก้าวหน้า ได้แก่ แนวทางแบบเบย์ (Bayesian approaches), การวิเคราะห์อภิมาน (meta-analysis) ของการศึกษาเชิงวินิจฉัย (การทบทวนอย่างเป็นระบบ) และการเน้นการนำไปปฏิบัติจริง

ควรใช้เมื่อใด

ใช้การศึกษาความแม่นยำในการวินิจฉัยเมื่อ: (1) พัฒนาหรือประเมินการทดสอบวินิจฉัยใหม่, รูปแบบการถ่ายภาพ, หรือตัวบ่งชี้ทางชีวภาพ, (2) เปรียบเทียบการทดสอบวินิจฉัยสองรายการเพื่อพิจารณาว่ารายการใดดีกว่า, (3) กำหนดว่าการทดสอบสามารถตรวจจับโรคในประชากรทางคลินิกได้อย่างแม่นยำหรือไม่, (4) ประเมินว่าการทดสอบมีประสิทธิภาพเหมือนกันในกลุ่มย่อยหรือไม่ (ตามอายุ, เพศ, ระยะของโรค, โรคร่วม), (5) ให้ข้อมูลแนวทางการปฏิบัติทางคลินิกเกี่ยวกับการนำการทดสอบมาใช้, (6) ประเมินการทดสอบคัดกรองในประชากรที่ไม่มีอาการ, (7) ประเมินการทดสอบวินิจฉัยในการตัดสินใจทางคลินิก (นำไปสู่การเลือกการรักษาหรือไม่?)

ข้อจำกัดและข้อควรพิจารณา

  • การกำหนดมาตรฐานอ้างอิง: 'gold standard' อาจไม่สมบูรณ์แบบหรือไม่ได้รับการยอมรับเป็นสากล หากมาตรฐานอ้างอิงมีข้อบกพร่อง การศึกษาทั้งหมดก็จะบกพร่อง
  • อคติจากสเปกตรัม (Spectrum bias): หากประชากรที่ศึกษาไม่ได้แสดงถึงสเปกตรัมทางคลินิกของโรค (เช่น มีแต่กรณีรุนแรง, ขาดกรณีที่ไม่รุนแรง) การประมาณค่าความแม่นยำจะไม่สามารถนำไปใช้ได้ทั่วไป
  • การเลือกเกณฑ์ (Threshold selection): สำหรับการทดสอบแบบต่อเนื่อง (เช่น ระดับตัวบ่งชี้ทางชีวภาพ) การเลือกค่าตัดจะกำหนดการแลกเปลี่ยนระหว่างความไว/ความจำเพาะ เกณฑ์ที่แตกต่างกันจะให้ความแม่นยำที่แตกต่างกัน การศึกษาต้องทดสอบเกณฑ์ที่หลากหลายหรือให้เหตุผลสำหรับค่าตัดเพียงค่าเดียว
  • การปกปิดข้อมูลที่ไม่สมบูรณ์: หากผู้ดำเนินการทดสอบทราบสถานะโรค หรือผู้ประเมินมาตรฐานอ้างอิงทราบผลการทดสอบดัชนี อคติจะทำให้ความแม่นยำสูงเกินจริง
  • อคติในการตีพิมพ์ (Publication bias): การศึกษาความแม่นยำที่ให้ผลลบหรือไม่สรุปอาจไม่ได้รับการตีพิมพ์ ทำให้ค่าประมาณความแม่นยำที่ตีพิมพ์สูงเกินจริง

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • ตรงไปตรงมาและโปร่งใส: ตอบคำถาม 'การทดสอบนี้ตรวจจับโรคได้อย่างแม่นยำหรือไม่?' ได้อย่างชัดเจน
  • ระเบียบวิธีที่เป็นมาตรฐาน: แนวทาง STARD รับประกันการรายงานที่สอดคล้องกันและป้องกันอคติ
  • ความเกี่ยวข้องในทางปฏิบัติ: ผลลัพธ์นำไปสู่การตัดสินใจทางคลินิกและการนำการทดสอบมาใช้โดยตรง
  • ตัวชี้วัดหลายประการ: ความไว, ความจำเพาะ, ค่าทำนาย, LRs, และ ROC curves ให้ภาพประสิทธิภาพของการทดสอบที่ละเอียดอ่อน
  • การประเมินกลุ่มย่อย: สามารถประเมินได้ว่าการทดสอบทำงานได้ดีเท่าเทียมกันในประชากรที่หลากหลายหรือไม่ (สำคัญต่อความเท่าเทียม)

การประยุกต์ใช้

  • โรคหัวใจและหลอดเลือด: การประเมินการทดสอบ troponin สำหรับการวินิจฉัยภาวะกล้ามเนื้อหัวใจตายเฉียบพลัน; การให้คะแนนแคลเซียมในหลอดเลือดหัวใจสำหรับการทำนายโรคหลอดเลือดหัวใจ
  • การวินิจฉัยมะเร็ง: การประเมินตัวบ่งชี้เนื้องอกใหม่, การถ่ายภาพ (MRI, PET), หรือเทคนิคการตัดชิ้นเนื้อสำหรับการตรวจจับตั้งแต่ระยะเริ่มต้น
  • โรคติดเชื้อ: การประเมินการทดสอบวินิจฉัยอย่างรวดเร็ว (เช่น การทดสอบอย่างรวดเร็วสำหรับไข้หวัดใหญ่, COVID-19, มาลาเรีย) เทียบกับมาตรฐานทองคำ (PCR, การเพาะเลี้ยงเชื้อ)
  • โรคทางระบบประสาท: การประเมินการทดสอบวินิจฉัยสำหรับโรคอัลไซเมอร์, พาร์กินสัน, หรือโรคปลอกประสาทเสื่อมแข็ง (ตัวบ่งชี้ในน้ำไขสันหลัง, การถ่ายภาพ)
  • คะแนนทางคลินิกและแบบจำลองการทำนาย: การตรวจสอบระบบการให้คะแนนวินิจฉัย (เช่น CURB-65 สำหรับความรุนแรงของปอดบวม) เทียบกับมาตรฐานอ้างอิงผลลัพธ์ทางคลินิก

วิธีการทำงาน

วิธีการทำงาน

1

กำหนดโรคหรือภาวะเป้าหมาย (เช่น มะเร็งต่อมลูกหมาก, โรคหลอดเลือดหัวใจ, เบาหวานชนิดที่ 2) กำหนดการทดสอบดัชนี (index test): การทดสอบใหม่ที่กำลังประเมิน (เช่น ตัวบ่งชี้ในเลือดใหม่, ผลการถ่ายภาพ, คะแนนทางคลินิก) กำหนดมาตรฐานอ้างอิง (reference standard): 'gold standard' ที่ยอมรับสำหรับการวินิจฉัยโรค (เช่น การตัดชิ้นเนื้อสำหรับมะเร็ง, การถ่ายภาพหลอดเลือดสำหรับโรคหลอดเลือดหัวใจ, การทดสอบความทนทานต่อกลูโคสทางปากสำหรับเบาหวาน) รวบรวมกลุ่มตัวอย่างผู้เข้าร่วมที่แสดงถึงประชากรเป้าหมาย: ผสมผสานระหว่างผู้ที่มีและไม่มีโรค, อายุ, ระยะของโรค, และโรคร่วมที่สะท้อนถึงการปฏิบัติทางคลินิก การปกปิดข้อมูล (Blind): ผู้ทำการทดสอบดัชนีต้องไม่ทราบสถานะโรค (เพื่อหลีกเลี่ยงอคติโดยไม่รู้ตัวในการตีความ) ผู้ประเมินมาตรฐานอ้างอิงต้องไม่ทราบผลการทดสอบดัชนี ทำการทดสอบทั้งสองกับผู้เข้าร่วมทั้งหมด (หรือกลุ่มตัวอย่างย่อยที่เป็นตัวแทน) บันทึกและยืนยันสถานะโรค ใช้เกณฑ์การตีความที่เป็นกลางและได้มาตรฐานสำหรับการทดสอบทั้งสอง บันทึกผู้เข้าร่วมที่ไม่สามารถทำการทดสอบใด ๆ ได้ (การปฏิเสธ, ข้อห้าม)

สูตร
Recruit representative sample of individuals (both with and without target disease); administer index test (new test) and reference standard (gold standard) to all; ensure blinding: test operator blind to disease status, reference standard assessor blind to index test result.
2

สร้างตารางวิเคราะห์ความถี่แบบ 2×2: แถว = การทดสอบดัชนี (บวก/ลบ), คอลัมน์ = โรคมี/ไม่มีอยู่ นับผลบวกจริง (TP: ทดสอบบวก, โรคมีอยู่), ผลบวกลวง (FP: ทดสอบบวก, โรคไม่มีอยู่), ผลลบจริง (TN: ทดสอบลบ, โรคไม่มีอยู่), ผลลบปลอม (FN: ทดสอบลบ, โรคมีอยู่) คำนวณตัวชี้วัดสำคัญ: ความไว (Sn) = TP / (TP + FN) = ความน่าจะเป็นที่ผลทดสอบเป็นบวกเมื่อมีโรค ความจำเพาะ (Sp) = TN / (TN + FP) = ความน่าจะเป็นที่ผลทดสอบเป็นลบเมื่อไม่มีโรค Likelihood Ratio ผลบวก (LR+) = Sn / (1 − Sp) = ผลการทดสอบเพิ่มความน่าจะเป็นของโรคมากน้อยเพียงใด Likelihood Ratio ผลลบ (LR−) = (1 − Sn) / Sp = ผลการทดสอบลดความน่าจะเป็นของโรคมากน้อยเพียงใด Positive Predictive Value (PPV) = TP / (TP + FP) = ความน่าจะเป็นที่จะเป็นโรคเมื่อผลทดสอบเป็นบวก (ขึ้นอยู่กับความชุก) Negative Predictive Value (NPV) = TN / (TN + FN) = ความน่าจะเป็นที่จะไม่เป็นโรคเมื่อผลทดสอบเป็นลบ คำนวณช่วงความเชื่อมั่น 95% โดยใช้วิธี binomial หรือ Wilson score พล็อตเส้นโค้ง Receiver Operating Characteristic (ROC) (ความไวเทียบกับ 1−ความจำเพาะที่เกณฑ์การทดสอบต่าง ๆ) คำนวณ Area Under Curve (AUC): 0.5 = การเดาสุ่ม, 0.7–0.8 = ยอมรับได้, 0.8–0.9 = ดีเยี่ยม, >0.9 = โดดเด่น

สูตร
Construct 2×2 table (index test × disease presence). Calculate Sensitivity = TP/(TP+FN), Specificity = TN/(TN+FP), LR+ = Sensitivity/(1-Specificity), LR− = (1-Sensitivity)/Specificity, AUC of ROC curve.
3

ต้องการความไวสูง (เช่น >95%) สำหรับการทดสอบคัดกรอง: ผลลบสามารถตัดโรคออกไปได้อย่างน่าเชื่อถือ (NPV สูง) ต้องการความจำเพาะสูง (เช่น >95%) สำหรับการทดสอบยืนยัน: ผลบวกสามารถยืนยันโรคได้อย่างน่าเชื่อถือ (PPV สูง) LR+ >10 เป็นหลักฐานเชิงบวกที่แข็งแกร่ง (เพิ่มความน่าจะเป็นของโรคอย่างมาก) LR− <0.1 เป็นหลักฐานเชิงลบที่แข็งแกร่ง (ลดความน่าจะเป็นของโรคอย่างมาก) ตีความในบริบททางคลินิก: ความน่าจะเป็นก่อนการทดสอบ (pre-test probability) คืออะไร (ความชุกของโรคในประชากร)? ผลการทดสอบจะเปลี่ยนแปลงสิ่งนี้ผ่านทฤษฎีบทของเบย์ (Bayes' theorem): ความน่าจะเป็นหลังการทดสอบ (post-test probability) = (LR+ × pre-test odds) / (1 + LR+ × pre-test odds) ตัวอย่างเช่น หากความชุกของโรคคือ 10% การทดสอบที่มี LR+ = 10 จะเพิ่มความน่าจะเป็นหลังการทดสอบเป็นประมาณ 50% AUC >0.8 บ่งชี้ว่าการทดสอบมีประโยชน์ทางคลินิก รายงานความแม่นยำสำหรับกลุ่มย่อย: การทดสอบมีประสิทธิภาพแตกต่างกันในกลุ่มชายเทียบกับหญิง, กลุ่มอายุน้อยเทียบกับสูงหรือไม่? ประโยชน์ทางคลินิกยังขึ้นอยู่กับต้นทุน ความปลอดภัย และความพร้อมของการทดสอบ

สูตร
Interpret Sensitivity (ability to detect disease), Specificity (ability to exclude disease), LR+/LR− (how likelihood of disease shifts with test result); report confidence intervals; assess clinical utility and threshold selection.

ข้อผิดพลาดที่พบบ่อย

  • การใช้ความชุกของโรคจากประชากรที่ศึกษาเมื่อนำไปใช้กับประชากรทางคลินิกที่แตกต่างกัน: ค่าทำนาย (PPV, NPV) ขึ้นอยู่กับความชุกของโรค การทดสอบที่มี PPV สูงในประชากรที่มีความชุกสูงอาจมี PPV ต่ำในประชากรที่มีความชุกต่ำ ใช้ LR แทน ซึ่งไม่ขึ้นกับความชุก
  • การสมมติว่าการทดสอบดัชนีเป็นอิสระจากมาตรฐานอ้างอิง: หากการทดสอบทั้งสองวัดตัวบ่งชี้ทางชีวภาพเดียวกัน ความแม่นยำจะสูงเกินจริงเนื่องจากความสัมพันธ์ ไม่ใช่การตรวจจับที่เป็นอิสระอย่างแท้จริง ใช้การทดสอบที่เป็นอิสระอย่างแท้จริง
  • ขนาดตัวอย่างเล็ก: การศึกษาที่มีผู้เข้าร่วมน้อยกว่า 100 ราย มักมีช่วงความเชื่อมั่นที่กว้างมาก ความแม่นยำไม่เพียงพอ ตั้งเป้าหมายที่ ≥100 รายที่มีโรคและ 100 รายที่ไม่มีโรค
  • การละเลยอคติจากสเปกตรัม: การรวมเฉพาะกรณีโรคที่รุนแรงหรือเฉพาะกรณีโรคที่ไม่รุนแรง จะทำให้ความไวหรือความจำเพาะเอนเอียง ลงทะเบียนกรณีที่เป็นตัวแทนตลอดสเปกตรัมของโรค
  • การตีความความไว/ความจำเพาะมากเกินไป: หากไม่ทราบความชุก ค่าเหล่านี้เพียงอย่างเดียวไม่สามารถบอกถึงประโยชน์ทางคลินิกได้ รายงาน LR และค่าทำนาย; ใช้แผนภาพความน่าจะเป็น (likelihood nomograms) เพื่อแปลงผลการทดสอบเป็นความน่าจะเป็นทางคลินิก

คำถามที่พบบ่อย

อะไรคือความแตกต่างระหว่าง Sensitivity และ Positive Predictive Value (PPV)?

Sensitivity คือความน่าจะเป็นที่ผลทดสอบจะเป็นบวกเมื่อมีโรคอยู่ ถามว่า 'ถ้าฉันเป็นโรคนี้ การทดสอบจะตรวจพบหรือไม่?' ความไวสูงหมายถึงมีผลลบปลอมน้อย (การทดสอบไม่ค่อยพลาดโรค) PPV คือความน่าจะเป็นที่จะเป็นโรคเมื่อผลทดสอบเป็นบวก ถามว่า 'ถ้าผลทดสอบของฉันเป็นบวก ฉันเป็นโรคนี้หรือไม่?' PPV ขึ้นอยู่กับความชุกของโรค: การทดสอบเดียวกันจะมี PPV สูงกว่าในประชากรที่มีความชุกสูง และ PPV ต่ำกว่าในประชากรที่มีความชุกต่ำ Sensitivity คงที่สำหรับการทดสอบและเกณฑ์ที่กำหนด สำหรับการปฏิบัติทางคลินิก PPV มักมีความสำคัญมากกว่า (คุณต้องการทราบว่าผลบวกหมายถึงโรคหรือไม่) แต่ก็ขึ้นอยู่กับประชากร ควรรายงานทั้งสองค่า และใช้ Likelihood Ratios ซึ่งมีความเสถียรมากกว่าในประชากรต่างๆ

ROC curve คืออะไร และ AUC หมายถึงอะไร?

ROC (Receiver Operating Characteristic) curve พล็อต Sensitivity (อัตราผลบวกจริง) เทียบกับ 1−Specificity (อัตราผลบวกปลอม) เมื่อคุณเปลี่ยนแปลงเกณฑ์การวินิจฉัย สำหรับการทดสอบแบบต่อเนื่อง (เช่น ความดันโลหิต, ระดับตัวบ่งชี้ทางชีวภาพ) ค่าตัดที่เป็นไปได้แต่ละค่าจะให้ค่าความไว/ความจำเพาะที่แตกต่างกัน ROC curve แสดงการแลกเปลี่ยนนี้ AUC (Area Under Curve) คือพื้นที่ใต้ ROC curve AUC = 0.5 หมายถึงการเดาสุ่ม (เส้นทแยงมุม) AUC = 1.0 คือการจำแนกที่สมบูรณ์แบบ แนวทาง: AUC 0.5–0.7 = พอใช้, 0.7–0.8 = ยอมรับได้, 0.8–0.9 = ดีเยี่ยม, >0.9 = โดดเด่น AUC ไม่ขึ้นกับเกณฑ์ และพิจารณาช่วงการแลกเปลี่ยนความไว/ความจำเพาะทั้งหมด มีประโยชน์ในการเปรียบเทียบการทดสอบ

Likelihood Ratio คืออะไร และทำไมจึงควรใช้?

Likelihood Ratio (LR) คืออัตราส่วนของความไวต่อความจำเพาะ (หรือ 1−ความจำเพาะ) LR+ = Sensitivity / (1−Specificity) บอกว่าผลบวกเพิ่มความน่าจะเป็นของโรคมากน้อยเพียงใด LR− = (1−Sensitivity) / Specificity บอกว่าผลลบจะลดความน่าจะเป็นของโรคมากน้อยเพียงใด ตัวอย่างเช่น LR+ = 10 หมายความว่าผลบวกทำให้โรคมีความเป็นไปได้มากขึ้น 10 เท่า LR− = 0.1 หมายความว่าผลลบทำให้โรคมีความเป็นไปได้น้อยลง 10 เท่า ทำไมต้องใช้ LR? LR ไม่ขึ้นกับเกณฑ์และความชุก: LR เดียวกันสามารถใช้ได้ในทุกประชากร แตกต่างจาก PPV/NPV ซึ่งเปลี่ยนแปลงตามความชุก การใช้ทฤษฎีบทของเบย์ คุณสามารถแปลงความน่าจะเป็นก่อนการทดสอบ (ความชุก) เป็นความน่าจะเป็นหลังการทดสอบผ่าน LR ซึ่งตอบคำถามโดยตรงว่า 'ฉันควรสั่งการทดสอบนี้หรือไม่?' และ 'ผลลัพธ์มีความหมายต่อผู้ป่วยของฉันอย่างไร?'

มาตรฐานอ้างอิงคืออะไร และทำไมจึงต้องสมบูรณ์แบบ?

มาตรฐานอ้างอิงคือ 'gold standard' ที่ยอมรับสำหรับการวินิจฉัยโรค: การตัดชิ้นเนื้อสำหรับมะเร็ง, การถ่ายภาพหลอดเลือดสำหรับโรคหลอดเลือดหัวใจ, PCR สำหรับ COVID-19 การทดสอบดัชนีจะถูกเปรียบเทียบกับมาตรฐานนี้ หากมาตรฐานอ้างอิงไม่สมบูรณ์แบบ (บางครั้งให้ผลผิดพลาด) การศึกษาทั้งหมดจะเสียหาย: คุณจะไม่สามารถทราบได้ว่าความไม่สอดคล้องกันของการทดสอบดัชนีหมายถึงการทดสอบดัชนีผิดพลาด หรือมาตรฐานอ้างอิงผิดพลาด มาตรฐานอ้างอิงที่สมบูรณ์แบบเป็นสิ่งที่ดีที่สุด แต่บ่อยครั้งก็เป็นไปไม่ได้ หากมาตรฐานอ้างอิงมีข้อบกพร่องที่ทราบ ควรบันทึกไว้และอภิปรายผลกระทบต่อผลลัพธ์ ค่าความไวและความจำเพาะที่ประมาณได้นั้น โดยทางเทคนิคแล้วจะสัมพันธ์กับมาตรฐานอ้างอิงที่ไม่สมบูรณ์แบบ ไม่ใช่โรคที่แท้จริง จงโปร่งใสเกี่ยวกับข้อจำกัดของมาตรฐานอ้างอิง

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  1. Bossuyt, P. M., Reitsma, J. B., Bruns, D. E., Gatsonis, C. A., Glasziou, P. P., Irwig, L. M., ... & de Vet, H. C. (2003). Towards complete and accurate reporting of studies of diagnostic accuracy: the STARD initiative. Annals of Internal Medicine, 138(1), 40–44.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  2. Cohen, J. F., Korevaar, D. A., Altman, D. G., Bruns, D. E., Gatsonis, C. A., Hooft, L., ... & Bossuyt, P. M. (2016). STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open, 6(11), e012799.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  3. Jaeschke, R., Guyatt, G. H., & Sackett, D. L. (1994). Users' guides to the medical literature. III. How to use an article about a diagnostic test. A. Are the results of the study valid? JAMA, 271(5), 389–391.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว