การประเมินการทดสอบคัดกรอง — การประเมินการทดสอบและโปรแกรมคัดกรอง
- ผู้เสนอ
- Wilson & Jungner (WHO criteria, 1968); foundational work by Pepe, Altman, and others in statistical test evaluation
- ปี
- 1968 (Wilson-Jungner principles); statistical framework developed 1970s–2000s
- ประเภท
- Observational diagnostic / epidemiological evaluation design
- กลุ่มวิธี
- Clinical / epidemiology
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การประเมินการทดสอบคัดกรองเป็นแนวทางทางระบาดวิทยาที่เป็นระบบเพื่อประเมินว่าการทดสอบหรือโปรแกรมสามารถระบุบุคคลที่มีภาวะผิดปกติได้อย่างถูกต้องและคุ้มค่าใช้จ่ายก่อนที่จะมีอาการปรากฏหรือไม่ โดยจะวัดปริมาณเมตริกประสิทธิภาพการวินิจฉัย เช่น ความไว (sensitivity), ความจำเพาะ (specificity), ค่าทำนาย (predictive values) และเส้นโค้ง ROC (Receiver Operating Characteristic) และประเมินว่าโปรแกรมคัดกรองเป็นไปตามเกณฑ์สาธารณสุขที่กำหนดไว้สำหรับการนำไปใช้และความสมดุลระหว่างประโยชน์และโทษหรือไม่
แนวคิดเบื้องหลังวิธีการ
ลองนึกภาพการทดสอบคัดกรองเหมือนกับการทอดแหจับปลาในประชากร: เป้าหมายคือการจับผู้ป่วยที่เป็นโรคได้เร็วพอที่จะปรับปรุงผลลัพธ์ ในขณะที่ลดการแจ้งเตือนที่ผิดพลาดซึ่งนำไปสู่ความวิตกกังวลและขั้นตอนการติดตามที่ไม่จำเป็น การประเมินการทดสอบดังกล่าวไม่ใช่แค่การถามว่า 'มันแม่นยำหรือไม่?' — แต่ยังถามด้วยว่าโรคมีความรุนแรงพอที่จะคัดกรองหรือไม่ การตรวจพบตั้งแต่เนิ่นๆ เปลี่ยนแปลงผลลัพธ์หรือไม่ และประโยชน์มีมากกว่าโทษของการระบุว่าคนสุขภาพดีอาจป่วยหรือไม่ นี่คือเหตุผลที่การประเมินการคัดกรองรวมมาตรการประสิทธิภาพทางสถิติเข้ากับมุมมองด้านต้นทุน-ผลประโยชน์ในระดับประชากรที่กว้างขึ้น
ประวัติศาสตร์
การประเมินการคัดกรองอย่างเป็นระบบได้เกิดขึ้นเป็นสาขาวิชาหนึ่งหลังจากเอกสารทางวิชาการขององค์การอนามัยโลก (WHO) ที่มีอิทธิพลในปี 1968 โดย Wilson และ Jungner ซึ่งได้ประมวลเกณฑ์สิบประการสำหรับภาวะและการทดสอบที่จะมีคุณสมบัติสำหรับการคัดกรองระดับประชากร วิธีการทางสถิติสำหรับการประเมินการทดสอบได้รับการจัดระเบียบอย่างเป็นทางการผ่านผลงานของ Sackett, Haynes และเพื่อนร่วมงานในสาขาระบาดวิทยาคลินิกในช่วงทศวรรษ 1970–1980 การวิเคราะห์ ROC ซึ่งยืมมาจากทฤษฎีการตรวจจับสัญญาณเรดาร์ ได้รับการปรับใช้สำหรับการทดสอบทางการแพทย์โดย Swets และเพื่อนร่วมงาน และกลายเป็นมาตรฐานภายในทศวรรษ 1990 เอกสารทางวิชาการทางสถิติของ Margaret Pepe ในปี 2003 ได้สังเคราะห์กรอบเชิงปริมาณที่ทันสมัย แนวทางการรายงาน STARD (2003, ปรับปรุง 2015) และกรอบหลักฐานของ UK NSC ได้สร้างมาตรฐานระเบียบวิธีประเมินเพิ่มเติม
ควรใช้เมื่อใด
ใช้การประเมินการทดสอบคัดกรองเมื่อคุณต้องการพิจารณาว่าควรนำการทดสอบหรือโปรแกรมมาใช้ ดำเนินการต่อ หรือปรับเปลี่ยนเพื่อตรวจหาภาวะในประชากรที่ไม่มีอาการหรือมีอาการก่อนปรากฏหรือไม่ เหมาะสมเมื่อมีมาตรฐานอ้างอิงที่กำหนดไว้แล้ว และเมื่อคำถามวิจัยนอกเหนือจากความแม่นยำในการวินิจฉัยอย่างง่ายเพื่อรวมผลกระทบระดับประชากร อย่าใช้สิ่งนี้แทนการศึกษาความแม่นยำในการวินิจฉัยเมื่อเป้าหมายคือการวัดประสิทธิภาพการทดสอบในผู้ป่วยที่มีอาการเท่านั้น — ในบริบทนั้น การออกแบบการศึกษาความแม่นยำในการวินิจฉัยมาตรฐาน (แนวทาง STARD) จะเหมาะสมกว่า การประเมินการคัดกรองยังไม่เหมาะสมเมื่อไม่มีการแทรกแซงตั้งแต่เนิ่นๆ ที่มีประสิทธิภาพ เนื่องจากความแม่นยำในการตรวจพบโดยไม่มีประโยชน์ในการรักษาไม่สามารถพิสูจน์โปรแกรมคัดกรองได้
ข้อจำกัดและข้อควรพิจารณา
- ต้องมีมาตรฐานอ้างอิงที่เชื่อถือได้ ซึ่งอาจมีราคาแพง รุกล้ำ หรือไม่สมบูรณ์ — มาตรฐานอ้างอิงที่ไม่สมบูรณ์จะทำให้อคติในการประมาณค่าความไวและความจำเพาะ
- ค่าทำนาย (PPV, NPV) เป็นค่าเฉพาะประชากรและเปลี่ยนแปลงไปตามความชุกของโรค; ค่าจากประชากรหนึ่งอาจไม่สามารถถ่ายทอดไปยังอีกประชากรหนึ่งได้
- อคติจากระยะเวลานำ (lead-time bias) สามารถทำให้การคัดกรองดูเหมือนจะยืดอายุการรอดชีวิตได้แม้ว่าจะไม่เป็นเช่นนั้น; อคติจากระยะเวลา (length-time bias) ทำให้ประโยชน์ที่ปรากฏของการตรวจพบผู้ป่วยที่ดำเนินไปอย่างช้าๆ สูงเกินจริง
- การวินิจฉัยเกิน (overdiagnosis) — การตรวจพบภาวะที่จะไม่ก่อให้เกิดอาการ — เป็นเรื่องยากที่จะวัดปริมาณและมักถูกประเมินต่ำไปในการประเมิน
- การประเมินโปรแกรมเต็มรูปแบบต้องมีการติดตามผลระยะยาวและกลุ่มตัวอย่างขนาดใหญ่ ทำให้ต้องใช้ทรัพยากรมาก
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- มีกรอบสถิติที่ครอบคลุมมิติประสิทธิภาพหลักทั้งหมด: ความไว, ความจำเพาะ, ค่าทำนาย และ ROC-AUC
- รวมการวิเคราะห์ประโยชน์-โทษระดับประชากรอย่างชัดเจน ไม่ใช่แค่ความแม่นยำของการทดสอบ ทำให้ผลการวิจัยสามารถนำไปใช้ในการกำหนดนโยบายสาธารณสุขได้
- เกณฑ์ของ Wilson-Jungner เป็นรายการตรวจสอบที่เป็นหลักการและได้รับการยอมรับในระดับสากลสำหรับการตัดสินใจว่าการคัดกรองเหมาะสมหรือไม่
- สามารถรองรับตัวบ่งชี้ทางชีวภาพแบบต่อเนื่อง, คะแนนภาพถ่าย หรือเครื่องมือแบบสอบถามได้โดยใช้การวิเคราะห์ ROC เพื่อเลือกเกณฑ์การตัดที่เหมาะสมที่สุด
- สนับสนุนการสร้างแบบจำลองความคุ้มค่าทางเศรษฐศาสตร์ (cost-effectiveness modeling) ซึ่งเป็นการขยายผลตามธรรมชาติของการประเมินระดับโปรแกรม
การประยุกต์ใช้
- การประเมินโปรแกรมคัดกรองมะเร็ง เช่น การตรวจแมมโมแกรม, การตรวจหาเลือดในอุจจาระด้วยวิธีภูมิคุ้มกันเคมีสำหรับมะเร็งลำไส้ใหญ่และทวารหนัก หรือการคัดกรองมะเร็งต่อมลูกหมากโดยใช้ PSA
- การประเมินแผงคัดกรองเลือดทารกแรกเกิดสำหรับความผิดปกติทางเมตาบอลิซึมและพันธุกรรม
- การประเมินคะแนนความเสี่ยงโรคหัวใจและหลอดเลือด (เช่น Framingham, SCORE2) ที่ใช้คัดกรองบุคคลที่มีความเสี่ยงสูงในการดูแลเบื้องต้น
- การประเมินโปรแกรมคัดกรองโรคติดเชื้อ เช่น HIV, วัณโรค หรือไวรัสตับอักเสบ B ในประชากรกลุ่มเสี่ยงที่กำหนด
- การประเมินการทดสอบคัดกรองก่อนคลอดสำหรับความผิดปกติของโครโมโซม รวมถึงการคัดกรองรวมไตรมาสแรก
- การกำหนดค่าเกณฑ์การตัดที่เหมาะสมที่สุดสำหรับตัวบ่งชี้ทางชีวภาพแบบต่อเนื่อง (เช่น HbA1c สำหรับการคัดกรองเบาหวาน) โดยใช้การวิเคราะห์ ROC
วิธีการทำงาน
วิธีการทำงาน
ผู้ประเมินจะกำหนดภาวะเป้าหมาย ประชากรเป้าหมายสำหรับการคัดกรอง (ช่วงอายุ กลุ่มเสี่ยง) และวัตถุประสงค์ของการคัดกรอง (การตรวจพบตั้งแต่เนิ่นๆ การแบ่งชั้นความเสี่ยง การคัดแยก) โดยทั่วไปจะใช้เกณฑ์ของ Wilson-Jungner เป็นรายการตรวจสอบ: ภาวะดังกล่าวต้องมีความสำคัญ มีระยะแฝงที่สามารถรับรู้ได้ และมีการรักษาที่ยอมรับได้และมีประสิทธิภาพเมื่อตรวจพบ
การทดสอบคัดกรองจะดำเนินการกับกลุ่มตัวอย่างของประชากรเป้าหมาย หรือกับกลุ่มศึกษาที่รวมทั้งผู้ป่วยและผู้ที่ไม่ได้ป่วย ผลการทดสอบจะถูกบันทึกเป็นบวกหรือลบ (ไบนารี) หรือเป็นคะแนนต่อเนื่อง การปกปิดสถานะของโรคจากผู้ดำเนินการทดสอบจะช่วยหลีกเลี่ยงอคติจากการยืนยัน (verification bias)
ผู้เข้าร่วมแต่ละคนจะได้รับการประเมินโดยมาตรฐานอ้างอิง (gold standard) ซึ่งเป็นกระบวนการวินิจฉัยที่เป็นอิสระและชัดเจนที่กำหนดสถานะของโรคที่แท้จริง มาตรฐานอ้างอิงจะต้องถูกนำไปใช้โดยไม่คำนึงถึงผลการทดสอบคัดกรองเพื่อหลีกเลี่ยงอคติจากการยืนยันบางส่วน (partial verification bias) ผลลัพธ์จะถูกบันทึกในตารางความถี่ 2×2: ผลบวกจริง (true positives), ผลบวกปลอม (false positives), ผลลบปลอม (false negatives), ผลลบจริง (true negatives)
มีการคำนวณเมตริกประสิทธิภาพหลัก: ความไว (sensitivity) (อัตราผลบวกจริง), ความจำเพาะ (specificity) (อัตราผลลบจริง), ค่าทำนายผลบวก (positive predictive value, PPV), ค่าทำนายผลลบ (negative predictive value, NPV), อัตราส่วนภาวะน่าจะเป็น (likelihood ratios) และความแม่นยำโดยรวม (overall accuracy) เหล่านี้เป็นผลลัพธ์โดยตรงจากตาราง 2×2 ช่วงความเชื่อมั่น (confidence intervals) ควรมาพร้อมกับการประมาณค่าแต่ละรายการ
สูตร
Sensitivity = TP/(TP+FN); Specificity = TN/(TN+FP); PPV = TP/(TP+FP); NPV = TN/(TN+FN)
สำหรับคะแนนการทดสอบแบบต่อเนื่อง จะมีการพล็อตเส้นโค้ง ROC (Receiver Operating Characteristic) โดยการปรับเปลี่ยนเกณฑ์การตัด (cut-off threshold) พื้นที่ใต้เส้นโค้ง (Area Under the Curve, AUC หรือ c-statistic) สรุปความสามารถในการจำแนก (discrimination) ในทุกเกณฑ์การตัด เกณฑ์การตัดที่เหมาะสมที่สุดจะถูกเลือกโดยการสร้างสมดุลระหว่างความไวและความจำเพาะที่สัมพันธ์กับบริบททางคลินิก — เกณฑ์การตัดที่มีความไวสูงเป็นที่ต้องการเมื่อการพลาดผู้ป่วยมีค่าใช้จ่ายสูง; เกณฑ์การตัดที่มีความจำเพาะสูงเมื่อผลบวกปลอมเป็นอันตราย
สูตร
AUC = \int_0^1 ROC(t)\,dt
นอกเหนือจากความแม่นยำของการทดสอบ การประเมินยังประเมินปัจจัยระดับโปรแกรม: การครอบคลุมประชากร, อัตราการเข้าร่วม, ช่วงเวลาระหว่างการคัดกรอง, เส้นทางการวินิจฉัยปลายน้ำ, อคติจากระยะเวลานำ (lead-time bias) และอคติจากระยะเวลา (length-time bias), ความเสี่ยงของการวินิจฉัยเกิน (overdiagnosis) และความคุ้มค่าทางเศรษฐศาสตร์ (cost-effectiveness) การประเมินการคัดกรองที่สมบูรณ์จะสรุปด้วยการตัดสินว่าโปรแกรมนั้นเป็นประโยชน์ต่อประชากรเป้าหมายด้วยอันตรายและค่าใช้จ่ายที่ยอมรับได้หรือไม่
ข้อผิดพลาดที่พบบ่อย
- อคติจากการยืนยันบางส่วน (partial verification bias) — การใช้มาตรฐานอ้างอิงเฉพาะกับบุคคลที่มีผลการทดสอบเป็นบวกจะทำให้ความไวสูงเกินจริงและบิดเบือนความจำเพาะ; ผู้เข้าร่วมทุกคนต้องได้รับการยืนยัน
- การรายงานความไวและความจำเพาะโดยไม่มีค่าทำนาย — ในประชากรที่มีความชุกต่ำ แม้การทดสอบที่จำเพาะก็จะมี PPV ที่ไม่ดี; ควรรายงานค่าทำนายควบคู่ไปกับความไวและความจำเพาะเสมอ
- การเลือกเกณฑ์การตัดโดยการเพิ่มความแม่นยำสูงสุดโดยไม่พิจารณาผลกระทบทางคลินิก — เกณฑ์ที่เหมาะสมที่สุดขึ้นอยู่กับต้นทุนสัมพัทธ์ของผลบวกปลอมเทียบกับผลลบปลอม ซึ่งแตกต่างกันไปในแต่ละภาวะ
- การละเลยการวินิจฉัยเกินและอคติจากระยะเวลานำเมื่อนำเสนอประโยชน์ของการรอดชีวิต — การปรับปรุงที่ปรากฏในการรอดชีวิตจากผู้ป่วยที่ได้รับการคัดกรองอาจเป็นสิ่งประดิษฐ์ทางสถิติมากกว่าการลดอัตราการตายที่แท้จริง
- การสับสนความแม่นยำในการวินิจฉัย (ประสิทธิภาพในผู้ป่วยที่มีอาการ) กับประสิทธิภาพการคัดกรอง (ประสิทธิภาพในประชากรที่ไม่มีอาการ) — ความแตกต่างของความชุกทำให้บริบททั้งสองแตกต่างกันอย่างมาก
คำถามที่พบบ่อย
อะไรคือความแตกต่างระหว่างการประเมินการทดสอบคัดกรองกับการศึกษาความแม่นยำในการวินิจฉัย?
การศึกษาความแม่นยำในการวินิจฉัยจะประเมินประสิทธิภาพของการทดสอบในผู้ป่วยที่มีอาการอยู่แล้วหรือมีข้อสงสัยทางคลินิกเกี่ยวกับภาวะนั้นๆ การประเมินการทดสอบคัดกรองจะใช้กับประชากรที่ไม่มีอาการหรือประชากรทั่วไป และเพิ่มข้อพิจารณาระดับโปรแกรม — ผลกระทบของความชุกต่อค่าทำนาย, อคติจากระยะเวลานำและระยะเวลา, การวินิจฉัยเกิน, การครอบคลุม และความคุ้มค่าทางเศรษฐศาสตร์ ทั้งสองใช้เมตริกหลักเดียวกัน (ความไว, ความจำเพาะ, AUC) แต่บริบท, การออกแบบการศึกษา และการตีความแตกต่างกันอย่างมาก
ทำไมค่าทำนายผลบวกจึงมีความสำคัญมากกว่าความไวในประชากรที่มีความชุกต่ำ?
ในประชากรที่มีความชุกต่ำ แม้การทดสอบที่มีความจำเพาะ 95% ก็จะสร้างผลบวกปลอมจำนวนมาก เนื่องจากประชากรส่วนใหญ่เป็นผลลบจริง PPV บอกผู้ป่วยและแพทย์ถึงความน่าจะเป็นที่ผลการทดสอบเป็นบวกสะท้อนถึงโรคที่แท้จริง — ซึ่งเป็นสิ่งสำคัญทางคลินิก การทดสอบที่มีความไว 90% และความจำเพาะ 90% ที่ใช้กับประชากรที่มีความชุก 1% จะให้ PPV เพียงประมาณ 8%; ผลบวกเก้าในสิบจะเป็นการแจ้งเตือนที่ผิดพลาด
อคติจากระยะเวลานำคืออะไรและทำไมจึงสำคัญ?
ระยะเวลานำ (lead time) คือช่วงเวลาระหว่างการวินิจฉัยที่ตรวจพบจากการคัดกรองกับเวลาที่โรคจะถูกวินิจฉัยทางคลินิกเนื่องจากอาการ หากวัดการรอดชีวิตจากการวินิจฉัย ผู้ป่วยที่ได้รับการคัดกรองจะดูเหมือนมีชีวิตรอดนานขึ้นแม้ว่าพวกเขาจะเสียชีวิตในเวลาเดียวกันกับผู้ป่วยที่ไม่ได้รับการคัดกรอง — การรอดชีวิตที่ดูเหมือนนานขึ้นเป็นเพียงสิ่งประดิษฐ์ของการตรวจพบที่เร็วขึ้น ไม่ใช่ประโยชน์ที่แท้จริง การประเมินจะต้องใช้อัตราการตายเฉพาะโรคในประชากรที่ได้รับการคัดกรองเทียบกับกลุ่มควบคุม ไม่ใช่การรอดชีวิตจากการวินิจฉัย เพื่อหลีกเลี่ยงอคตินี้
ฉันจะเลือกเกณฑ์การตัดที่ดีที่สุดบนเส้นโค้ง ROC ได้อย่างไร?
ไม่มีเกณฑ์ที่เหมาะสมที่สุดในระดับสากล — การเลือกขึ้นอยู่กับต้นทุนทางคลินิกและสังคมสัมพัทธ์ของผลบวกปลอมและผลลบปลอม แนวทางทั่วไปได้แก่ ดัชนี Youden (เพิ่มความไว + ความจำเพาะ − 1 สูงสุด), การวิเคราะห์ต้นทุน-ผลประโยชน์ที่ถ่วงน้ำหนักประเภทข้อผิดพลาดทั้งสอง หรือการเลือกความไวคงที่ (เช่น 90%) ก่อนแล้วจึงอ่านค่าความจำเพาะที่สอดคล้องกัน สำหรับภาวะร้ายแรงที่การพลาดผู้ป่วยเป็นหายนะ มักจะนิยมใช้เกณฑ์ความไวสูงแม้จะต้องแลกมาด้วยผลบวกปลอมที่มากขึ้น
เกณฑ์ของ Wilson-Jungner คืออะไร?
เกณฑ์ของ Wilson-Jungner คือเงื่อนไขสิบประการที่เสนอในรายงานของ WHO ปี 1968 ซึ่งควรเป็นไปตามนั้นก่อนที่จะมีการนำโปรแกรมคัดกรองประชากรมาใช้ เกณฑ์สำคัญได้แก่: ภาวะดังกล่าวควรเป็นปัญหาสุขภาพที่สำคัญ; ควรมีการรักษาที่ยอมรับได้สำหรับโรคที่ตรวจพบ; ควรมีสิ่งอำนวยความสะดวกสำหรับการวินิจฉัยและการรักษา; ควรมีระยะแฝงที่สามารถรับรู้ได้หรือระยะอาการเริ่มต้น; ควรมีการทดสอบหรือการตรวจที่เหมาะสม; การทดสอบต้องเป็นที่ยอมรับของประชากร; ประวัติธรรมชาติของภาวะควรเป็นที่เข้าใจ; และต้นทุนควรสมดุลกับค่าใช้จ่ายโดยรวมในการดูแลทางการแพทย์ เกณฑ์เหล่านี้ยังคงเป็นรากฐานสำคัญของนโยบายการคัดกรองทั่วโลก
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Wilson, J. M. G., & Jungner, G. (1968). Principles and Practice of Screening for Disease. World Health Organization. Public Health Papers No. 34.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้วPepe, M. S. (2003). The Statistical Evaluation of Medical Tests for Classification and Prediction. Oxford University Press.
ISBN: 978-0198565826คัดลอกแล้ว