Sensibilità vs specificità: cosa significano per test medici e diagnosi

La sensibilità e la specificità sono concetti critici nei test medici e nella diagnosi. La loro applicazione è fondamentale per creare i test più accurati possibili, che portano a diagnosi migliori e trattamenti più efficaci. Questo articolo esplora la differenza tra sensibilità e specificità e come applicarle nei test medici.

Sensibilità vs specificità: definizioni

La sensibilità e la specificità misurano la capacità di un test di diagnosticare con precisione un paziente come malato o libero da malattia. In altre parole, non analizzano la salute di un paziente ma piuttosto l’accuratezza del test stesso.

• Sensibilità: Misura la capacità di un test di diagnosticare con precisione un paziente come malato.
• Specificità: Misura la capacità di un test di diagnosticare con precisione un paziente come senza malattia.

Sia la sensibilità che la specificità sono espresse in percentuale. Ad esempio, un test che diagnostichi accuratamente 76 su 100 persone malate come affette da quella malattia avrebbe una sensibilità del 76%. Un test altamente sensibile restituisce raramente un risultato falso negativo, il che significa che di solito riconosce quando un paziente ha una malattia. Un test altamente specifico restituisce raramente un risultato falso positivo, il che significa che di solito riconosce quando un paziente non ha una malattia.

L’ideale è sviluppare un test altamente sensibile e altamente specifico. Tuttavia, questo di solito non è possibile. Tipicamente, la sensibilità e la specificità sono inversamente proporzionali, il che significa che all’aumentare di una, l’altra diminuisce. Non dipendono dalla prevalenza della malattia nella popolazione target.

Veri e falsi positivi e negativi

Comprendere i veri e falsi positivi e negativi è fondamentale per comprendere la sensibilità e la specificità. Nei test medici e nella diagnosi, un risultato positivo indica che un paziente ha una malattia. Un risultato negativo indica che un paziente non ha una malattia. Un risultato “vero” è un risultato accurato mentre un risultato “falso” è un risultato impreciso.

Veri e falsi positivi e negativi possono essere riassunti come segue:

• Vero positivo: Un risultato positivo accurato (il test è corretto nel diagnosticare il paziente come malato)
• Vero negativo: Un risultato negativo accurato (il test è corretto nel diagnosticare il paziente come libero da malattia)
• Falso positivo: Un risultato positivo impreciso (il test non è corretto nel diagnosticare il paziente come malato)
• Falso negativo: Un risultato negativo impreciso (il test non è corretto nel diagnosticare il paziente come libero da malattia)

Test standard aureo

UN test standard aureo è un test noto per essere estremamente accurato nella diagnosi dei pazienti. È il miglior test per la malattia attualmente disponibile. Tutti i nuovi test per una malattia vengono misurati rispetto al gold standard per determinarne la sensibilità e/o la specificità.

Valori predittivi positivi e negativi

I valori predittivi positivi e negativi determinano quale percentuale dei risultati del test è accurata.

• Valore predittivo positivo (PPV): La percentuale di risultati positivi del test che sono veri positivi
• Valore predittivo negativo (VAN): La percentuale di risultati negativi del test che sono veri negativi

Sia per PPV che per VAN, più la percentuale si avvicina a 100, più accurato è il test. La prevalenza della malattia colpisce sia PPV che NPV. In generale, più è diffusa la malattia, più alto è il PPV e viceversa.

Utilizzo della sensibilità e della specificità nei test e nelle diagnosi mediche

La sensibilità e la specificità sono essenziali per garantire l’accuratezza dei risultati del test. Senza accuratezza, i pazienti malati rischiano di rinunciare a cure vitali mentre i pazienti senza malattia possono sottoporsi a cure non necessarie. Errori come questi sono costosi in termini di tempo, finanziamenti e, soprattutto, vite umane.

Equazioni di sensibilità e specificità

I professionisti medici utilizzano due equazioni per determinare ed esprimere la sensibilità e la specificità in termini di percentuali. Le equazioni sono le seguenti:

• Sensibilità = # di veri positivi / (# di veri positivi + # di falsi negativi)

= probabilità che il test restituisca un vero positivo

• Specificità = # di veri negativi / (# di veri negativi + # di falsi positivi)

= probabilità che il test restituisca un vero negativo

Sensibilità vs specificità nei test

Come regola generale, test altamente specifici escludono efficacemente la malattia quando sono positivi e test altamente sensibili escludono efficacemente la malattia quando sono negativi. Due mnemonici sono utili per esprimere e ricordare questo:

• Codice PIN: Un altamente spprova specifica, se Ppositivo, regole IN la malattia
• Muso: Un altamente SeNtest positivo, se Nnegativo, regole FUORI la malattia

Quando utilizzare test altamente sensibili rispetto a test altamente specifici

Sebbene l’ideale sia disporre di un test altamente sensibile e altamente specifico, ciò è raramente possibile. Pertanto, i professionisti medici devono decidere quale tipo di test fornirà i migliori risultati. La probabilità pretest è utile per prendere questa decisione. La probabilità pre-test è la probabilità prima del test che un paziente o un gruppo abbia la malattia in questione. Questo spesso dipende dalla prevalenza della malattia nella popolazione più ampia. È qui che gli acronimi SpPIN e SnNOUT torneranno utili per i medici.

Di seguito sono riportate discussioni più dettagliate di questi principi. Tuttavia, in generale:

• Probabilità pre-test inferiore = una maggiore possibilità di falsi positivi e un PPV inferiore
• Maggiore probabilità pre-test = una maggiore possibilità di falsi negativi e un PPV più elevato

Sensibilità vs specificità: bassa probabilità pre-test

Se è improbabile che una persona o una popolazione abbia una certa malattia (bassa probabilità pre-test), allora l’approccio più efficiente è cercare di escludere la malattia. In generale, una bassa probabilità pre-test significa una maggiore precisione nell’escludere piuttosto che nel giudicare una malattia. Ciò richiede il principio di SnNOUT, che si basa su un test altamente sensibile. I test altamente sensibili sono utili per determinare se un paziente ha una malattia e raramente restituiscono un falso negativo.

Poiché la maggior parte delle persone non ha la malattia in questione, solo pochi risulteranno positivi. Statisticamente, in questo caso, un test molto sensibile mancherà la malattia solo in poche persone (falsi negativi), mentre l’alto numero di veri negativi risulterà in un numero maggiore di falsi positivi con un test molto specifico. Pertanto, un test altamente sensibile è l’opzione più appropriata nei casi di bassa probabilità pre-test.

Sensibilità vs specificità: alta probabilità pre-test

L’alta probabilità pretest prende i principi della bassa probabilità pretest e li inverte. Con un’alta probabilità pretest, l’obiettivo è quello di “governare” o identificare coloro che hanno la malattia. In generale, un’elevata probabilità pre-test significa una maggiore accuratezza nel giudicare piuttosto che escludere una malattia. Ciò richiede il principio di SpPIN, che si basa su un test altamente specifico. I test altamente specifici sono utili per determinare se un paziente non ha una malattia e raramente restituiscono un falso positivo.

Poiché la probabilità che il paziente abbia la malattia è alta, è probabile che un test altamente specifico che restituisca un risultato positivo sia accurato. Tuttavia, in questo caso, un test altamente sensibile presenta maggiori possibilità di un falso negativo rispetto a un vero negativo, il che potrebbe richiedere più test. Pertanto, un test altamente specifico è l’opzione più appropriata nei casi di alta probabilità pre-test.

Migliorare la sensibilità e la specificità nei test

È importante non affidarsi esclusivamente alla sensibilità e alla specificità. Quando si considera quale test diagnostico utilizzare, è importante tenere conto della probabilità pre-test nonché dei valori predittivi positivi e negativi. Combinati, questi contribuiranno a fornire un quadro più equilibrato ed evitare inutili test ripetuti per verificare i risultati. Inoltre, il miglioramento della correzione dell’attenuazione e del rilevamento precoce degli eventi (EED) aumenterà l’efficacia della sensibilità e della specificità.

Conclusione

La sensibilità e la specificità sono misure vitali dell’accuratezza di un test medico. Con test più accurati, i professionisti medici possono risparmiare tempo e denaro e migliorare i risultati per i pazienti. Possono anche evitare trattamenti non necessari e spesso traumatici per i pazienti senza malattia.