İçeriğe atla
Arama sonuçlarına dön

Tanısal Doğruluk Çalışması Tasarımı

Ortaya koyan
Bossuyt, Reitsma, and STARD group (2003); clinical epidemiology pioneers
Yıl
2003-2015
Tür
Research Design
Aile
diagnostic evaluation

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Bir tanısal doğruluk çalışması, yeni bir tanı testinin (veya biyobelirtecin, görüntüleme yönteminin, klinik değerlendirmenin) bir referans standardına (altın standart) kıyasla hastalığın varlığını veya yokluğunu ne kadar iyi tespit ettiğini değerlendirir. 2003 yılından bu yana STARD (Standards for Reporting of Diagnostic Accuracy Studies - Tanısal Doğruluk Çalışmalarının Raporlanması İçin Standartlar) girişimi tarafından standartlaştırılan tanısal doğruluk çalışmaları, klinik tıbbın temelini oluşturur ve yeni testlerin hasta tanısını ve tedavisini iyileştirip iyileştiremeyeceğini ve nasıl iyileştirebileceğini belirler.

Yöntemin mantığı

Kanser erken teşhisi için iddia edilen yeni bir kan testini hayal edin. Bir tanısal doğruluk çalışması 500 hasta alır: 250'si doğrulanmış kanserli (biyopsi ile) ve 250'si kansersiz. Hepsi yeni kan testine tabi tutulur. Sonuçlar: test, 250 kanser vakasından 240'ını tespit eder (%96 duyarlılık - kanseri bulmada iyi), ancak 250 sağlıklı kişinin 50'sini yanlış işaretler (%20 özgüllük - çok sayıda yanlış alarm). Bir klinisyen Olasılık Oranlarını kullanır: test pozitifse, kanser ne kadar daha olasıdır? Negatifse, ne kadar daha az olasıdır? Yüksek duyarlılık, 'negatif bir test hastalığı dışlar' anlamına gelir (iyi tarama testi). Yüksek özgüllük, 'pozitif bir test hastalığı içerir' anlamına gelir (iyi doğrulama testi). Duyarlılık ve özgüllük arasındaki denge merkezidir: ikisini aynı anda maksimize edemezsiniz.

Tarih

Tanısal doğruluk çalışmaları, 20. yüzyılın başlarındaki epidemiyolojiden (duyarlılık ve özgüllük Yerushalmy 1947 tarafından tanımlanmıştır) evrimleşmiştir. Alan, 1990'larda Sackett, Jaeschke ve diğerlerinin geçerlilik ve klinik faydayı vurgulayan kullanıcı kılavuzlarını yayınlamasıyla daha titiz hale geldi. STARD (Standards for Reporting of Diagnostic Accuracy Studies - Tanısal Doğruluk Çalışmalarının Raporlanması İçin Standartlar) girişimi, 2003 yılında Bossuyt ve meslektaşları tarafından başlatıldı ve çalışma tasarımı ve raporlaması için sistematik yönergeler sağladı. STARD, büyük dergiler ve fon sağlayıcılar (NIH, AB) tarafından benimsenen altın standart haline geldi. Gelişmeler arasında Bayes yaklaşımları, tanısal çalışmaların meta-analizi (sistematik derlemeler) ve pratik uygulamaya vurgu yer almaktadır.

Ne zaman kullanılır?

Tanısal doğruluk çalışmaları şu durumlarda kullanılır: (1) yeni bir tanı testi, görüntüleme yöntemi veya biyobelirteç geliştirmek veya değerlendirmek, (2) iki tanı testini karşılaştırarak hangisinin üstün olduğunu belirlemek, (3) bir testin klinik popülasyonlarda hastalığı doğru bir şekilde tespit edip edemeyeceğini belirlemek, (4) testin alt gruplarda (yaş, cinsiyet, hastalık evresi, komorbiditeye göre) benzer şekilde performans gösterip göstermediğini değerlendirmek, (5) test benimsenmesi konusunda klinik uygulama kılavuzlarını bilgilendirmek, (6) asemptomatik popülasyonlarda tarama testlerini değerlendirmek, (7) klinik karar verme sürecinde tanı testlerini değerlendirmek (tedavi seçimlerini yönlendiriyor mu?).

Sınırlar ve dikkat edilmesi gerekenler

  • Referans standardı tanımı: 'altın standart' mükemmel veya evrensel olarak kabul edilmiş olmayabilir. Referans standardı kusurluysa, tüm çalışma kusurludur.
  • Spektrum yanlılığı: çalışma popülasyonu hastalığın klinik spektrumunu temsil etmiyorsa (örneğin, yalnızca şiddetli vakalar, hafif vakalar eksik), doğruluk tahminleri genellenemez.
  • Eşik seçimi: sürekli testler için (örneğin, biyobelirteç seviyeleri), kesme noktasının seçimi duyarlılık/özgüllük dengesini belirler. Farklı eşikler farklı doğruluklar verir. Çalışma, bir dizi eşiği test etmeli veya tek bir kesme noktasını haklı çıkarmalıdır.
  • Kusurlu körleştirme: test operatörü hastalık durumunu biliyorsa veya referans standardı değerlendiricisi indeks test sonucunu biliyorsa, yanlılık doğruluğu şişirir.
  • Yayın yanlılığı: olumsuz veya sonuçsuz doğruluk çalışmaları yayınlanmayabilir, yayınlanmış doğruluk tahminlerini şişirir.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Doğrudan ve şeffaf: 'Bu test hastalığı doğru bir şekilde tespit ediyor mu?' sorusunu açıkça yanıtlar.
  • Standartlaştırılmış metodoloji: STARD yönergeleri tutarlı raporlamayı sağlar ve yanlılığı önler.
  • Pratik alaka düzeyi: sonuçlar doğrudan klinik karar vermeyi ve test benimsenmesini bilgilendirir.
  • Çoklu metrikler: duyarlılık, özgüllük, tahmin edici değerler, LR'ler ve ROC eğrileri test performansının nüanslı bir resmini sunar.
  • Alt grup değerlendirmesi: testin farklı popülasyonlarda eşit derecede iyi çalışıp çalışmadığını değerlendirebilir (eşitlik için önemlidir).

Uygulama alanları

  • Kardiyovasküler hastalık: akut miyokard enfarktüsü tanısı için troponin tahlillerini değerlendirme; KAH tahmini için koroner kalsiyum skorlaması.
  • Kanser tanısı: erken teşhis için yeni tümör belirteçlerini, görüntülemeyi (MR, PET) veya biyopsi tekniklerini değerlendirme.
  • Bulaşıcı hastalık: altın standartlara (PCR, kültür) kıyasla hızlı tanı testlerini (örneğin, grip, COVID-19, sıtma için hızlı testler) değerlendirme.
  • Nörolojik hastalık: Alzheimer hastalığı, Parkinson hastalığı veya multipl skleroz için tanı testlerini değerlendirme (beyin omurilik sıvısı biyobelirteçleri, görüntüleme).
  • Klinik puanlar ve tahmin modelleri: pnömoni şiddeti için CURB-65 gibi tanısal puanlama sistemlerini klinik sonuç referans standartlarına karşı doğrulama.

Nasıl çalışır?

Nasıl çalışır?

1

Hedef hastalığı veya durumu tanımlayın (örneğin, prostat kanseri, koroner arter hastalığı, tip 2 diyabet). İndeks testi tanımlayın: değerlendirilen yeni test (örneğin, yeni kan belirteci, görüntüleme bulguları, klinik puan). Referans standardı tanımlayın: hastalık tanısı için kabul edilen 'altın standart' (örneğin, kanser için biyopsi, KAH için anjiyografi, diyabet için oral glikoz tolerans testi). Temsili bir birey örneği alın: hastalık olan ve olmayanların karışımı, yaşlar, hastalık evreleri ve klinik uygulamayı yansıtan komorbiditeler. Körleştirme: indeks testi uygulayan kişi hastalık durumundan habersiz olmalıdır (yorumlamada bilinçsiz yanlılığı önlemek için). Referans standardını değerlendiren kişi indeks test sonuçlarından habersiz olmalıdır. Her iki testi de tüm katılımcılara (veya temsili bir alt örneğe) uygulayın. Hastalık durumunu kaydedin ve doğrulayın. Her iki test için de objektif, standartlaştırılmış yorumlama kriterleri kullanın. Her iki testi de yaptıramayan katılımcıları belgeleyin (red, kontrendikasyon).

Formül
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

2×2'lik bir olasılık tablosu oluşturun: satırlar = indeks testi (pozitif/negatif), sütunlar = hastalık mevcut/yok. Doğru Pozitifleri (DP: test pozitif, hastalık mevcut), Yanlış Pozitifleri (YP: test pozitif, hastalık yok), Doğru Negatifleri (DN: test negatif, hastalık yok), Yanlış Negatifleri (YN: test negatif, hastalık mevcut) sayın. Anahtar metrikleri hesaplayın: Duyarlılık (Sn) = DP / (DP + YN) = hastalığı olanlarda pozitif test olasılığı. Özgüllük (Sp) = DN / (DN + YP) = hastalığı olmayanlarda negatif test olasılığı. Pozitif Olasılık Oranı (LR+) = Sn / (1 − Sp) = test sonucunun hastalık olasılığını ne kadar artırdığı. Negatif Olasılık Oranı (LR−) = (1 − Sn) / Sp = test sonucunun hastalık olasılığını ne kadar azalttığı. Pozitif Tahmini Değer (PTD) = DP / (DP + YP) = pozitif test verildiğinde hastalık olasılığı (prevalansa bağlıdır). Negatif Tahmini Değer (NTD) = DN / (DN + YN) = negatif test verildiğinde hastalık olasılığı. Binom veya Wilson skor yöntemlerini kullanarak %95 güven aralıklarını hesaplayın. Alıcı İşletim Karakteristik (ROC) eğrisini çizin (farklı test eşiklerinde duyarlılık - (1−özgüllük) karşısında); Eğri Altındaki Alanı (AUC) hesaplayın: 0.5 = rastgele tahmin, 0.7–0.8 = kabul edilebilir, 0.8–0.9 = mükemmel, >0.9 = olağanüstü.

Formül
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

Yüksek duyarlılık (örneğin, >%95) tarama testleri için istenir: negatif sonuç hastalığı güvenilir bir şekilde dışlar (yüksek NTD). Yüksek özgüllük (örneğin, >%95) doğrulama testleri için istenir: pozitif sonuç hastalığı güvenilir bir şekilde doğrular (yüksek PTD). LR+ >10 güçlü pozitif kanıttır (hastalık olasılığını önemli ölçüde artırır). LR− <0.1 güçlü negatif kanıttır (hastalık olasılığını önemli ölçüde azaltır). Klinik bağlamda yorumlayın: test öncesi olasılık (popülasyonda hastalığın prevalansı) nedir? Bir test sonucu Bayes teoremi aracılığıyla bunu değiştirir: test sonrası olasılık = (LR+ × test öncesi olasılık oranları) / (1 + LR+ × test öncesi olasılık oranları). Örneğin, hastalık prevalansı %10 ise, LR+ = 10 olan bir test, test sonrası olasılığı yaklaşık %50'ye yükseltir. AUC >0.8, testin klinik faydaya sahip olduğunu düşündürür. Alt gruplar için doğruluğu raporlayın: test erkeklere karşı kadınlarda, gençlere karşı yaşlılarda farklı performans gösteriyor mu? Klinik fayda ayrıca testin maliyetine, güvenliğine ve bulunabilirliğine de bağlıdır.

Formül
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.

Sık yapılan hatalar

  • Çalışma popülasyonunun hastalık prevalansını farklı klinik popülasyonlara uygularken kullanmak: tahmin edici değerler (PTD, NTD) hastalık prevalansına bağlıdır. Yüksek prevalanslı bir popülasyonda yüksek PTD'ye sahip bir test, düşük prevalanslı popülasyonlarda düşük PTD'ye sahip olabilir. Bunun yerine, prevalanstan bağımsız olan LR'yi kullanın.
  • İndeks testin referans standardından bağımsız olduğunu varsaymak: her iki test de aynı biyobelirteci ölçüyorsa, gerçek bağımsız tespit yerine korelasyon nedeniyle doğruluk yapay olarak şişirilir. Gerçekten bağımsız testler kullanın.
  • Küçük örneklem boyutları: <100 katılımcılı çalışmalarda genellikle çok geniş güven aralıkları, yetersiz hassasiyet bulunur. ≥100 hastalıklı ve 100 hastalıksız hedefleyin.
  • Spektrum yanlılığını göz ardı etmek: yalnızca şiddetli hastalık vakalarını veya yalnızca hafif vakaları dahil etmek duyarlılığı veya özgüllüğü yanlı hale getirir. Hastalık spektrumu boyunca temsili vakaları kaydedin.
  • Duyarlılık/özgüllüğü aşırı yorumlamak: prevalansı bilmeden, bunlar tek başına klinik faydayı söylemez. LR ve tahmin edici değerleri raporlayın; test sonuçlarını klinik olasılığa dönüştürmek için olasılık nomogramlarını kullanın.

Sık sorulan sorular

Duyarlılık ve Pozitif Tahmini Değer (PTD) arasındaki fark nedir?

Duyarlılık = hastalığın varlığı verildiğinde pozitif test olasılığı. Şunu sorar: 'Hastalığım varsa, test bunu yakalar mı?' Yüksek duyarlılık, az sayıda yanlış negatif anlamına gelir (test nadiren hastalığı kaçırır). PTD = pozitif test verildiğinde hastalık olasılığı. Şunu sorar: 'Testim pozitifse, hastalığım var mı?' PTD, hastalık prevalansına bağlıdır: aynı test, yüksek prevalanslı popülasyonlarda daha yüksek PTD'ye ve düşük prevalanslı popülasyonlarda daha düşük PTD'ye sahiptir. Duyarlılık, belirli bir test ve eşik için sabittir. Klinik uygulama için PTD genellikle daha önemlidir (pozitif sonucun hastalığı anlamına gelip gelmediğini bilmek istersiniz), ancak popülasyona bağlıdır. Her ikisini de raporlayın ve popülasyonlar arasında daha kararlı olan Olasılık Oranlarını kullanın.

ROC eğrisi nedir ve AUC ne anlama gelir?

ROC (Alıcı İşletim Karakteristik) eğrisi, tanısal eşiği değiştirdikçe Duyarlılık (doğru pozitif oranı) - (1−Özgüllük) (yanlış pozitif oranı) grafiğini çizer. Sürekli testler için (örneğin, kan basıncı, biyobelirteç seviyeleri), her olası kesme noktası farklı duyarlılık/özgüllük verir. ROC eğrisi bu dengeyi gösterir. AUC (Eğri Altındaki Alan), ROC eğrisinin altındaki alandır. AUC = 0.5 rastgele tahmine (diyagonal çizgi) anlamına gelir. AUC = 1.0 mükemmel ayrımcılıktır. Yönergeler: AUC 0.5–0.7 = orta, 0.7–0.8 = kabul edilebilir, 0.8–0.9 = mükemmel, >0.9 = olağanüstü. AUC eşikten bağımsızdır ve duyarlılık/özgüllük dengesinin tüm aralığını hesaba katar, testleri karşılaştırmak için kullanışlıdır.

Olasılık Oranı nedir ve neden kullanmalıyım?

Olasılık Oranı (LR), duyarlılığın özgüllüğe (veya 1−özgüllüğe) oranıdır. LR+ = Duyarlılık / (1−Özgüllük) pozitif bir testin hastalık olasılığını ne kadar artırdığını söyler. LR− = (1−Duyarlılık) / Özgüllük negatif bir testin hastalık olasılığını ne kadar azalttığını söyler. Örneğin, LR+ = 10, pozitif bir testin hastalığı 10 kat daha olası hale getirdiği anlamına gelir. LR− = 0.1, negatif bir testin hastalığı 10 kat daha az olası hale getirdiği anlamına gelir. Neden LR'ler? Eşikten ve prevalanstan bağımsızdırlar: aynı LR herhangi bir popülasyonda geçerlidir, PTD/NTD'nin prevalansla değişmesinin aksine. Bayes teoremini kullanarak, test öncesi olasılığı (prevalans) LR aracılığıyla test sonrası olasılığa dönüştürürsünüz, doğrudan 'Bu testi sipariş etmeli miyim?' ve 'Sonuç hastam için ne anlama geliyor?' sorularını yanıtlarsınız.

Referans standardı nedir ve neden mükemmel olmalı?

Referans standardı, hastalığın teşhisi için kabul edilen 'altın standarttır': kanser için biyopsi, KAH için anjiyografi, COVID-19 için PCR. İndeks testi buna karşılaştırılır. Referans standardı kusurluysa (bazen yanlış sonuçlar verirse), tüm çalışma tehlikeye girer: indeks testi anlaşmazlıklarının indeks testin yanlış olduğunu veya referans standardının yanlış olduğunu mu gösterdiğini bilemezsiniz. Mükemmel referans standardı idealdir ancak genellikle imkansızdır. Referans standardının bilinen bir kusuru varsa, bunu belgeleyin ve sonuçlar üzerindeki etkisini tartışın. Tahmin edilen duyarlılık ve özgüllük teknik olarak kusurlu referansa göre, gerçek hastalığa göre değil. Referans standardı sınırlamaları hakkında şeffaf olun.

İlgili yöntemler

Kaynaklar

  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.

    DOI kaynağını aç
    Kopyalandı.
  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.

    DOI kaynağını aç
    Kopyalandı.
  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.

    DOI kaynağını aç
    Kopyalandı.