Epidemiologic Perspectives & Innovations, 2006; 3: 11-11 (más artículos en esta revista)

Nueva orientadas al paciente resumen medida de ganancia neta total en la certeza de las pruebas diagnósticas dicotómicas

BioMed Central
Shai Linn (linn@tx.technion.ac.il) [1], Peter D Grunau (pdgrunau@interchange.ubc.ca) [2]
[1] Facultad de Bienestar Social y Estudios en Salud, Escuela de Salud Pública, Universidad de Haifa, y la Unidad de Epidemiología Clínica, Rambam Medical Center, Haifa, Israel
[2] Facultad de Medicina de la Universidad de British Columbia, Vancouver BC, Canadá

Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons Attribution License (http://creativecommons.org/licenses/by/2.0], que permite el uso ilimitado, distribución y reproducción en cualquier medio, siempre que la obra original es debidamente citados.

Resumen
Objetivos

Para introducir una nueva, orientadas al paciente índice predictivo como una medida de ganancia en seguridad.

Diseño del estudio

Ecuaciones algebraicas.

Resultados

Una nueva medida se propone sobre la base de índices de error en una población de pacientes. El nuevo Resumen Predictive Index (PSI) refleja la verdadera ganancia total obtenida en la certeza de realizar una prueba de diagnóstico basada en el conocimiento de la prevalencia de la enfermedad, es decir, los adicionales generales certeza. Se demuestra que el incremento global en seguridad se puede expresar en forma de la siguiente expresión: PSI = PPV + VPN-1. PSI es una medida más amplia que el post-test de probabilidad o la Youden Index (J). La reciprocidad de J se interpreta como el número de personas con una determinada enfermedad que deben ser examinados con el fin de detectar correctamente a una persona con la enfermedad. La reciprocidad de la ISP se sugiere como el número de personas que necesitan ser examinados con el fin de predecir correctamente un diagnóstico de la enfermedad.

Conclusión

PSI proporciona más información que J y los valores predictivos, por lo que es más apropiado en un entorno clínico.

Fondo

La principal justificación para llevar a cabo una prueba de diagnóstico es obtener nueva información [1 - 3], más allá de la existente probabilidad (la prevalencia) obtenidos a partir de un test positivo, es decir, la prevalencia menos el valor predictivo positivo (VPP) y de una prueba negativa, es decir, (1-prevalencia), descontando el valor predictivo negativo (VPN). Se introduce un índice predictivo (ISP), una nueva medida que resume el total de ganancia en seguridad, es decir, el total certeza adicional, expresado como PPV PSI = + VPN-1. Se demuestra que el recíproco de la ISP puede interpretarse como el número de personas necesarias para ser examinados con el fin de predecir correctamente un diagnóstico de la enfermedad (NNP). Se comparan los ISP con una menor medida resumen informativo de una prueba en un estudio limitado de población, el índice de Youden (J), propuesto por Youden [1] como una medida de la bondad de una prueba diagnóstica.

La terminología de la prueba de diagnóstico características [4 - 29]

La evaluación de los resultados de una prueba de diagnóstico dicotómicos se suele basar en la evaluación de la prueba en dos actuaciones diferentes poblaciones.

El primero es un estudio de población seleccionados de las personas con y sin enfermedad, en tanto que la prueba diagnóstica y la prueba definitiva (como el patrón oro) son evaluados, y para que la sensibilidad y especificidad se calcula utilizando un "cuadro muestra la verdad" [6] (Tabla 1]. La segunda es la población de pacientes a los que la prueba de diagnóstico se aplica. La experiencia de esta población se resume en un segundo 2 × 2 (cuadro 2], que las muestras de datos de acuerdo a la condición de prueba (positivo o negativo, es decir, normal o patológica resultado). Se trata de los datos en el cuadro 2 que son de interés para el paciente y el médico. Sin embargo, a menudo es difícil obtener la información necesaria para construir el cuadro 2 porque es inviable o poco éticos para llevar a cabo tanto las pruebas de diagnóstico adicionales y una prueba definitiva en la población general para determinar el verdadero diagnóstico de acuerdo a la norma de oro. Por lo tanto, el valor predictivo positivo (VPP) y el valor predictivo negativo (VPN) se calculan a partir de la Tabla 1 utilizando el teorema de Bayes.

1. Definiciones en la población de estudio (Tabla 1] [4 - 29]

La sensibilidad y especificidad, y la probabilidad proporción se utilizan con frecuencia las medidas (Tabla 1]. Falsos positivos y falsos negativos tasas son a menudo definida con referencia a la población de estudio. Cuando los enfermos y no enfermos son temas incluidos en la muestra, la tasa de falsos positivos entre las personas sin la enfermedad a menudo se define como el error α (por lo tanto, la especificidad = 1 - α) y la tasa de falsos negativos entre las personas con la enfermedad es a menudo definida como la β error (por lo tanto, la sensibilidad = 1 - β).

2. Definiciones en la meta (paciente) población (Tabla 2] [4 - 29]

La medida de interés para médicos y pacientes por igual suele ser el valor predictivo positivo (VPP) y el valor predictivo negativo (VPN), (Tabla 2]. Cuando la prevalencia P es sabido, en el PPV se pueden derivar de la sensibilidad y especificidad.

En una publicación anterior [29] hemos propuesto dos nuevas medidas en relación la población de pacientes: el racionamiento predictivo positivo (PPR), que es análogo al derecho de préstamo público, y el racionamiento predictivo negativo (NPR), que es análoga a la NLR. Nosotros no hablar de estas medidas ratio en el presente artículo, y se mencionan sólo para comprender mejor la nueva medida propuesta diferencia aquí.

Tras Fleiss [27], Reid et al. [28], Knottnerus [22], y Riffenburgh [6], usamos mayúsculas notaciones para definir los índices de error en el paciente (objetivo) población (Tabla 2], además de los comúnmente utilizados fnr y Fortalecimiento Institucional se ha definido más arriba. Tenga en cuenta que la interpretación del alfa y beta errores en la población objetivo (cuadro 2] es diferente de que en la población de estudio (Tabla 1); por lo tanto, utilizar el subíndice p para los errores en la meta (del paciente) de población.

3. El índice de Youden

En 1950, Youden [1] propuso el Índice de Youden como una medida de la bondad de una prueba diagnóstica, utilizando alfa y beta errores:

3. J = 1 - (α + β)

Si la prueba no tiene valor diagnóstico, la sensibilidad = 1 - β es igual a la fnr = α, es decir, J = 0

(es decir, la igualdad de probabilidad para la enfermedad entre las personas con positivas y negativas de los resultados de la prueba).

Si la prueba es siempre correcta, la igualdad de todos los errores 0 y J = 1. Los valores negativos de J (entre -1 y 0) se producen si la prueba es engañosa, es decir, si los resultados de las pruebas se asoció negativamente con el verdadero diagnóstico. Así pues, como señaló Pepe [26], J es un resumen de las dimensiones de prueba de precisión en el estudio cuando la población humana y monetaria costos asociados con errores falsos positivos en personas sin la enfermedad son similares en magnitud a los asociados con errores falsos negativos a las personas con la enfermedad [[26], p.80].

4. La nueva medida a la población objetivo: Resumen Predictive Index (PSI, Ψ)

Debido a que el Índice de Youden (J) se basa en la población de estudio (Tabla 1] [25, 26], no transmitir información sobre el establecimiento de clínicas específicas en que la prueba de diagnóstico se está aplicando. Los pacientes y los médicos están más interesados en la misma Resumen Predictive Index (PSI, Ψ) en la población objetivo (cuadro 2]. Debido a que la interpretación de alfa y beta errores en las dos poblaciones es diferente, J y la ISP tienen diferentes interpretaciones subyacentes.

PSI pueden ser derivadas a la meta (del paciente) la población como una medida de la bondad de la previsibilidad en una prueba de diagnóstico, utilizando alfa y beta errores en la población objetivo:

4. PSI = + VPN PPV - 1 = 1 - (α β p + p)

Si la prueba no tiene valor predictivo, PPV FNR es igual, es decir, existe una igualdad de probabilidad para la enfermedad entre las personas con positivas y negativas de los resultados de las pruebas (Cuadro 2]. Por lo tanto:

1 - α β p = p

así,

PSI = 0

Si la prueba es siempre correcta, la igualdad de todos los errores y la ISP 0 = 1. Los valores negativos de la ISP (entre -1 y 0) se producen si la prueba es engañosa, es decir, la aparición de la enfermedad se asoció negativamente con los resultados de las pruebas.

5. Ejemplo utilizando los datos publicados

Consideremos el siguiente ejemplo proporcionado por Sackett et al. [[8], p. 95-98] sobre la importancia de prevalencia para el ejercicio de evaluación del ECG de tres tipos de pacientes con enfermedad coronaria antes de probabilidad del 5%, 90% y 50%, usando un angiograma como estándar de oro (Tabla 3]. Originalmente, el ejemplo fue diseñado para demostrar la importancia de determinar la prevalencia en el VPP y VPN de una prueba diagnóstica (ECG ejercicio). La sensibilidad del ECG fue 60,35% y la especificidad 91,06%. Así, el índice de Youden J = 51,41% para los tres tipos de pacientes.

Como se ha indicado por Sackett et al. [8], los pacientes C, con un 50% de probabilidad antes de la enfermedad, pueden beneficiarse más de la prueba de que los pacientes A y B. Sin embargo, tanto el derecho de préstamo público y las estadísticas J (en la población de estudio) son idénticas para los tres tipos de pacientes y no transmitir esta información. Sin embargo, las estadísticas de la ISP facilitará la información pertinente a los pacientes y los médicos, en este caso, un ISP de 18,54%, 23,6% y 56,47% para las poblaciones de pacientes con una prevalencia de 90%, 5%, y el 50%. PSI es una medida que transmite información previa acerca de las probabilidades de una enfermedad (prevalencia), junto con la información acerca de la probabilidad posterior, después de realizar la prueba de diagnóstico, el PPV, así como la probabilidad de que ninguna enfermedad (1-prevalencia), y el VAN.

Aunque NND = 1 J MathType MTEF @ @ @ 5 + 5 = @ feaafiart1ev1aqatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacH8akY = wiFfYdH8Gipec8Eeeu0xXdbba9frFj0 = OqFfea0dXdd9vqai = hGuQ8kuc9pgc9s8qqaq = dirpe0xb9q8qiLsFr0 = vr0 = vr0dc8meaabaqaciaacaGaaeqabaqabeGadaaakeaadaWcaaqaaiabigdaXaqaaiabdQeakbaaaaa @ @ 2eca se mantiene constante independientemente de la prevalencia, NNP = 1 ISP MathType MTEF @ @ @ 5 + 5 = @ feaafiart1ev1aqatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacH8akY = wiFfYdH8Gipec8Eeeu0xXdbba9frFj0 = OqFfea0dXdd9vqai = hGuQ8kuc9pgc9s8qqaq = dirpe0xb9q8qiLsFr0 = vr0 = vr0dc8meaabaqaciaacaGaaeqabaqabeGadaaakeaadaWcaaqaaiabigdaXaqaaiabbcfaqjabbofatjabbMeajbaaaaa @ 311A @ depende de la prevalencia y los rendimientos de los valores de 5,4, 4,2, y 1,8 para las poblaciones de pacientes con una prevalencia de 90%, 5%, y el 50%. La gama de NNP demuestra que el ejercicio de prueba es más eficaz cuando la prevalencia es del 50%, como Sackett et al. [8] reclamados. Sólo dos pacientes se necesitaría para mostrar una información valiosa ganancia de un ejercicio de prueba para predecir la enfermedad coronaria cuando la prevalencia es del 50%, en comparación con más de 5 pacientes, cuando la prevalencia es de 90%.

Discusión

La mayoría de los libros de texto clásico de la epidemiología no discutir el Índice de Youden, probablemente porque su utilidad es limitada, tal y como se muestra en el ejemplo anterior: se mantiene sin cambios en poblaciones con diferente prevalencia de la enfermedad. Del mismo modo, sólo un puñado de libros de texto debatir las medidas de aumento de la certeza, a pesar de que el objetivo de una prueba diagnóstica es llegar a un mejor diagnóstico de una ganancia en seguridad. Sugerimos un simple resumen informativo y medida de la ganancia total en certeza, el PSI, que es fácilmente calculable a partir del 2 × 2 cuadros que describen la realización de una prueba de diagnóstico en el paciente (objetivo) de población. Le sugerimos utilizar el capital letra griega PSI (Ψ) para este índice.

PSI es de interés para los pacientes: se describe la forma mucho más probable que el paciente ha de ser correctamente diagnosticado con una enfermedad después de una prueba positiva, y cuánto más probable que el paciente no está mal para ser diagnosticados con una enfermedad después de una prueba negativa. Esta información puede ser crítica. PSI puede servir como un indicador de la posible utilización de los resultados de una prueba específica, y hace posible la comparación entre las pruebas en el contexto antes de probabilidades: cuanto más alto es el ISP, el más informativo de la prueba es para los pacientes y los médicos.

J es un descriptor de una prueba diagnóstica entre grupos teóricos de las personas con y sin enfermedad. PSI es un descriptor de prueba de rendimiento para las personas que un resultado positivo o negativo. Por lo tanto, PSI refleja el total de ganancia neta en seguridad como resultado de una prueba de diagnóstico en condiciones clínicas, que es de interés para médicos y pacientes por igual. Esta información no está disponible a través de J o cualquiera de la prueba de diagnóstico características, incluyendo la sensibilidad, especificidad (y por ende la probabilidad de ratios), y PPV.

PSI es similar en forma de J, pero no idéntica a ella. J se depende totalmente de sensibilidad y especificidad. Por el contrario, la ISP es parcialmente dependiente de los parámetros y en la prevalencia. A pesar de Connell y Koepsell [2], abogó por la utilización de una medida similar al PSI en la población de pacientes, lo exploran sólo un caso especial en que la población estudiada y la población objetivo son idénticos y la prevalencia es conocido de la población estudiada.

p r e v un l e n c e = un + c un + b + c + d MathType MTEF @ @ @ 5 + 5 = @ feaafiart1ev1aqatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacH8akY = wiFfYdH8Gipec8Eeeu0xXdbba9frFj0 = OqFfea0dXdd9vqai = hGuQ8kuc9pgc9s8qqaq = dirpe0xb9q8qiLsFr0 = vr0 = vr0dc8meaabaqaciaacaGaaeqabaqabeGadaaakeaacqWGWbaCcqWGYbGCcqWGLbqzcqWG2bGDcqWGHbqycqWGSbaBcqWGLbqzcqWGUbGBcqWGJbWycqWGLbqzcqGH9aqpdaWcaaqaaiabdggaHjabgUcaRiabdogaJbqaaiabdggaHjabgUcaRiabdkgaIjabgUcaRiabdogaJjabgUcaRiabdsgaKbaaaaa @ @ 46C1

Se trata de una condición específica que rara vez ocurre. PSI no se limita a esta situación específica.

El aumento de poder de diagnóstico a través de las nuevas tecnologías por lo general sirve para aumentar la sensibilidad de los procedimientos de diagnóstico, con un mayor potencial de J. Pero las nuevas tecnologías pueden también reducir la especificidad y crear resultados falsos positivos, lo que resulta en ansiedad y gastos innecesarios [30 - 34]. Estas no son mensurables por J en un estudio limitado población. Por lo tanto, la ISP deben ser evaluados para cada nueva prueba diagnóstica para estimar su precisión diagnóstica en la población de pacientes.

Cuando los médicos disponen de datos sobre la población de pacientes y puede construir la adecuada Cuadro 2 para la clínica (objetivo) de población, una clínica específica de la ISP puede calcularse directamente a partir de la población de pacientes. En un entorno clínico, el cálculo de la ISP no depende de conocer la prevalencia, una estadística que a menudo no se dispone de poblaciones específicas de pacientes. Como seguimiento a los pacientes con positivo o negativo pruebas de rendimiento directamente el VPP y VPN sin necesidad de sensibilidad, especificidad, o teorema de Bayes. PSI cálculos se pueden conseguir fácilmente de la VPP y VPN. Por ejemplo, puede sonographers seguimiento de los fetos que un resultado positivo o negativo para las malformaciones y determinar el VPP y VPN en su clínica prenatal [29]. Su ISP serviría para indicar la ganancia neta en seguridad para sus pacientes (ecuación 4.13) y el promedio de ganancia neta en la información de los pacientes que la prueba positiva o negativa (4.23). Cuando la sensibilidad, especificidad, y conocimientos externos de la prevalencia están disponibles, teorema de Bayes puede ser utilizado para calcular el VPP, el VPN, y, por tanto, el PSI.

Lunas y Harrell han criticado recientemente la utilización de sensibilidad o especificidad, sosteniendo que "... la sensibilidad y especificidad no son adecuados para los parámetros que caracterizan a la precisión diagnóstica de investigación ... estos parámetros son de importancia limitada a la práctica, y su estimación no debe necesariamente ser perseguidos en el diagnóstico de investigación "[33]. Tenga en cuenta que el diagnóstico "patrón oro" es de por sí imperfecto [31 - 33]. Nuestro enfoque se hace hincapié en la necesidad de evaluar las características de prueba en la población de pacientes.

Ni el derecho de préstamo público ni J son calculables en el paciente (objetivo) de población, y no transmitir cualquier información adicional más allá de la sensibilidad y especificidad. En una publicación anterior nos sugiere nuevas medidas en relación la población de pacientes [29]. En este manuscrito se recomienda el uso de una nueva medida, PSI, como una diferencia medida que mide la utilidad clínica global de una prueba.

En el presente documento se sugiere una similitud entre J y la tasa de diferencia en un estudio de cohortes. Del mismo modo, le sugerimos una analogía entre la ISP y la diferencia de tasas de exposición en un estudio caso control. Estas analogías rara vez han sido objeto de debate en la literatura epidemiológica a pesar de las obvias implicaciones para la enseñanza y la comprensión de los diferentes usos de la 2 × 2 en el cuadro etiológico y epidemiología clínica.

Por lo tanto, análogamente a los cálculos de NNT de la diferencia de tasas (RD) en estudios de seguimiento, la reciprocidad de J, es decir, 1 J MathType MTEF @ @ @ 5 + 5 = @ feaafiart1ev1aqatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacH8akY = wiFfYdH8Gipec8Eeeu0xXdbba9frFj0 = OqFfea0dXdd9vqai = hGuQ8kuc9pgc9s8qqaq = dirpe0xb9q8qiLsFr0 = vr0 = vr0dc8meaabaqaciaacaGaaeqabaqabeGadaaakeaadaWcaaqaaiabigdaXaqaaiabdQeakbaaaaa @ @ 2eca , Puede interpretarse como el número de pacientes necesarios para ser examinados con el fin de detectar correctamente (NND) una persona con la enfermedad [34] en una población de estudio (Tabla 1] de las personas con y sin conocer la enfermedad. NND puede ser útil siempre que la sensibilidad y especificidad, y por lo tanto, J derecho de préstamo público o se utilizan. Pero NND es insensible a la variación de la prevalencia, tal y como se muestra en el ejemplo en la Tabla 3: aproximadamente dos exámenes son necesarios entre personas con y sin un diagnóstico de una enfermedad para detectar correctamente a una persona que tiene la enfermedad, independientemente de las características de los pacientes y la prevalencia de las enfermedades. Los pacientes y los médicos tienen poco interés en una estadística que no se ve afectado por las características de los pacientes. Por lo tanto, NND debe tener utilidad clínica limitada.

Te sugerimos que en lugar utilizando NNP = 1 ISP MathType MTEF @ @ @ 5 + 5 = @ feaafiart1ev1aqatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacH8akY = wiFfYdH8Gipec8Eeeu0xXdbba9frFj0 = OqFfea0dXdd9vqai = hGuQ8kuc9pgc9s8qqaq = dirpe0xb9q8qiLsFr0 = vr0 = vr0dc8meaabaqaciaacaGaaeqabaqabeGadaaakeaadaWcaaqaaiabigdaXaqaaiabbcfaqjabbofatjabbMeajbaaaaa @ 311A @ para estimar el número de pacientes necesarios para ser examinado en la población de pacientes (Tabla 2] con el fin de predecir correctamente el diagnóstico de una persona con un resultado positivo de la prueba. Esta medida, el "número necesario para predecir," describe mejor el uso de una prueba de diagnóstico en poblaciones de pacientes diferentes con una prevalencia de la enfermedad (Tabla 3], y es mucho más significativa para los pacientes y los médicos. Sobre la base de Sackett el ejemplo de [8] y los datos en el cuadro 3, sugerimos que NNP puede ser útil para la evaluación de los costes y la elaboración de políticas específicas para los pacientes a un riesgo específico. Por ejemplo, el ejercicio del ECG podría ser utilizado para pacientes con alto riesgo de enfermedad coronaria, pero no para los pacientes de bajo riesgo. Del mismo modo, NNP estima que el número de pacientes que necesitan ser probadas para determinar, con un resultado negativo, un paciente que no tiene la enfermedad.

La interpretación de J se basa en el supuesto de que el ser humano y los costes monetarios asociados con un falso positivo y un falso negativo en la población de estudio (Tabla 1] son iguales [1, 25, 26]. Del mismo modo, la interpretación de la ISP se basa en el supuesto de que el ser humano y los costes monetarios asociados con un falso positivo y un falso negativo en la población diana (Tabla 2] son iguales. Estos supuestos son válidos cuando faltaba el diagnóstico de una enfermedad es tan importante como indeseables y desaparecidos el diagnóstico de la ausencia de una enfermedad. Si otras hipótesis (de desigual importancia) son los más adecuados, una medida ponderada de la ISP se pueden desarrollar, de forma similar a los intentos de estudio ponderado de Faraggi J [35] y de Fluss, Faraggi y Reisser [36].

J es una de las medidas más importantes que operan en el receptor curva (ROC) análisis encaminados a la hora de elegir el punto de corte en la que la sensibilidad y las tasas de falsos positivos el mayor rendimiento J. Existe una amplia literatura sobre el uso de J en la evaluación de la República de China [24, 25, 34] continua en las pruebas de diagnóstico. Del mismo modo, los futuros estudios deberían explorar PSI continua para las pruebas de diagnóstico y ponderado PSI. Los materiales didácticos y software puede ser desarrollado para ayudar a los médicos en el uso de la ISP, de manera similar a lo que se ha logrado por Schechter y Sheps [37] que presenta simple y accesible para el cálculo de los enfoques PPV.

Hay excelentes programas de ordenador disponibles para el cálculo de J, sobre todo PEPI [38]. PEPI programas también calcular la ganancia en seguridad en la población estudiada. Programas similares que calcular la ISP podrían desarrollarse con gran beneficio.

Anotaciones

P (T +) = probabilidad de que la prueba diagnóstica de ser positivo

P (T) = probabilidad de que la prueba diagnóstica de ser negativa

P (S +) = probabilidad de enfermedad, es decir, la prevalencia

P (S) = probabilidad de que ninguna enfermedad, es decir, 1-prevalencia

Sensibilidad = P (T + | + S)

Especificidad = P (T | S-)

PPV = valor predicho positivo = P (S + | T +)

VPN = valor negativo predicho = P (S-|-T)

Fortalecimiento Institucional en estudio = tasa de falsos positivos = P (T + | S-) = 1-sensibilidad

fnr estudio = tasa de falsos negativos = P (T-| S +) = 1-especificidad

PBR = probabilidad positiva ratio = sensibilidad / (1-especificidad)

NLR = probabilidad negativo ratio = (1-sensibilidad) / especificidad

PPR = predictivo positivo ratio = PPV / (1-VPN)

NPR = predictivo negativo ratio = (1-PPV) / VPN

IFE = población tasa de falsos positivos = P (S-| T +) = 1-PPV

FNR = población tasa de falsos negativos = P (S + | T) = 1-VPN

J = = Índice de Youden un resumen índice en la población de estudio + = sensibilidad especificidad-1

PSI = Ψ = Índice predictivo Resumen de la población objetivo PPV = + VPN-1

RD = tasa de diferencia (en un estudio de seguimiento)

NND = número necesario para detectar una enfermedad = 1 / J

NNP = número necesario para predecir un diagnóstico = 1 / Ψ

Apéndice A

J es la ganancia neta total en certeza cuando una prueba se aplica a la población de estudio, y es también la media de ganancia neta en seguridad en la población de estudio para las personas con o sin una enfermedad.

Suponiendo que el valor de ganancia en seguridad para las dos poblaciones de estudio (personas con y sin la enfermedad) es similar, y que los falsos positivos, Fortalecimiento Institucional, son los indeseables como los falsos negativos, fnr, el promedio no ponderado de las dos medidas es J :

3,23 g + + g -- 2 = 1 2 [ un -- c un + c + d -- b d + b ] = J MathType MTEF @ @ @ 5 + 5 = @ feaafiart1ev1aqatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacH8akY = wiFfYdH8Gipec8Eeeu0xXdbba9frFj0 = OqFfea0dXdd9vqai = hGuQ8kuc9pgc9s8qqaq = dirpe0xb9q8qiLsFr0 = vr0 = vr0dc8meaabaqaciaacaGaaeqabaqabeGadaaakeaacqaIZaWmcqGGUaGlcqaIYaGmcqaIZaWmdaWcaaqaaiabdEgaNnaaBaaaleaacqGHRaWkaeqaaOGaey4kaSIaem4zaC2aaSbaaSqaaiabgkHiTaqabaaakeaacqaIYaGmaaGaeyypa0ZaaSaaaeaacqaIXaqmaeaacqaIYaGmaaGaei4waS1aaSaaaeaacqWGHbqycqGHsislcqWGJbWyaeaacqWGHbqycqGHRaWkcqWGJbWyaaGaey4kaSYaaSaaaeaacqWGKbazcqGHsislcqWGIbGyaeaacqWGKbazcqGHRaWkcqWGIbGyaaGaeiyxa0Laeyypa0JaemOsaOeaaa @ @ 4DE3

Prueba

Reorganizar los términos algebraicos:

1 2 [ un -- c un + c + d -- b d + b ] = 1 2 [ un d + un b -- c d -- c b + un d + d c -- un b -- c b ( un + c ) ( b + d ) ] = 1 2 2 un d -- 2 c b ( un + c ) ( b + d ) = un d -- c b ( un + c ) ( b + d ) MathType MTEF @ @ @ 5 + 5 = @ feaafiart1ev1aaatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacH8akY = wiFfYdH8Gipec8Eeeu0xXdbba9frFj0 = OqFfea0dXdd9vqai = hGuQ8kuc9pgc9s8qqaq = dirpe0xb9q8qiLsFr0 = = vr0 vr 9263 @ @

Sumar y restar 1:

un d -- b c ( un + c ) ( b + d ) + 1 -- 1 = un d -- b c + un b + un d + b c + c d ( un + c ) ( b + d ) -- 1 = 2 un d + un b + c d ( un + c ) ( b + d ) -- 1 = MathType MTEF @ @ @ 5 + 5 = @ feaafiart1ev1aaatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacH8akY = wiFfYdH8Gipec8Eeeu0xXdbba9frFj0 = OqFfea0dXdd9vqai = hGuQ8kuc9pgc9s8qqaq = dirpe0xb9q8qiLsFr0 = = vr0 vr 7B43 @ @

2 un d + un b + c d ( un + c ) ( b + d ) -- 1 = un ( b + d ) + d ( un + c ) ( un + c ) ( b + d ) -- 1 = = un un + c + d b + d -- 1 = s e n s i t i v i t y + s p e c i f i c i t y -- 1 = J MathType MTEF @ @ @ 5 + 5 = @ feaafiart1ev1aaatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacH8akY = wiFfYdH8Gipec8Eeeu0xXdbba9frFj0 = OqFfea0dXdd9vqai = hGuQ8kuc9pgc9s8qqaq = dirpe0xb9q8qiLsFr0 = = vr0 vr 91BA @ @

Apéndice B

PSI es la ganancia neta total en certeza cuando una prueba se aplica a la población objetivo y es la media de ganancia neta en seguridad para las personas con una actitud positiva o negativa de prueba:

1 2 [ un -- c un + c + d -- b d + b ] = 1 2 [ un d + un b -- c d -- c b + un d + d c -- un b -- c b ( un + c ) ( b + d ) ] = 1 2 2 un d -- 2 c b ( un + c ) ( b + d ) = un d -- c b ( un + c ) ( b + d ) MathType MTEF @ @ @ 5 + 5 = @ feaafiart1ev1aaatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacH8akY = wiFfYdH8Gipec8Eeeu0xXdbba9frFj0 = OqFfea0dXdd9vqai = hGuQ8kuc9pgc9s8qqaq = dirpe0xb9q8qiLsFr0 = = vr0 vr 9263 @ @

Suponiendo que el valor de ganancia en seguridad para las dos poblaciones objetivo (personas con un test positivo y sin una prueba positiva) es similar, y que los falsos positivos (IFE) son los indeseables como los falsos negativos (FNR), el promedio no ponderado de las dos medidas es la ISP.

Prueba

Reorganizar los términos algebraicos:

1 2 [ Un -- B Un + B + D -- C D + C ] = 1 2 [ Un D + Un C -- B D -- B C + Un D -- Un C + B D -- B C ( Un + B ) ( C + D ) ] = 1 2 2 Un D -- 2 B C ( Un + B ) ( C + D ) = Un D -- B C ( Un + B ) ( C + D ) = MathType MTEF @ @ @ 5 + 5 = @ feaafiart1ev1aaatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacH8akY = wiFfYdH8Gipec8Eeeu0xXdbba9frFj0 = OqFfea0dXdd9vqai = hGuQ8kuc9pgc9s8qqaq = dirpe0xb9q8qiLsFr0 = = vr0 vr 8869 @ @

Sumar y restar 1:

Un D -- B C ( Un + B ) ( C + D ) + 1 -- 1 = Un D -- B C + Un C + Un D + B C + B D ( Un + B ) ( C + D ) = = 2 Un D + Un C + B D ( Un + B ) ( C + D ) -- 1 = MathType MTEF @ @ @ 5 + 5 = @ feaafiart1ev1aaatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacH8akY = wiFfYdH8Gipec8Eeeu0xXdbba9frFj0 = OqFfea0dXdd9vqai = hGuQ8kuc9pgc9s8qqaq = dirpe0xb9q8qiLsFr0 = = vr0 vr 71F3 @ @

= Un ( C + D ) + D ( Un + B ) ( Un + B ) ( C + D ) -- 1 = MathType MTEF @ @ @ 5 + 5 = @ feaafiart1ev1aaatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacH8akY = wiFfYdH8Gipec8Eeeu0xXdbba9frFj0 = OqFfea0dXdd9vqai = hGuQ8kuc9pgc9s8qqaq = dirpe0xb9q8qiLsFr0 = vr0 = vr0dc8meaabaqaciaacaGaaeqabaqabeGadaaakeaacqGH9aqpdaWcaaqaaiabdgeabjabcIcaOiabdoeadjabgUcaRiabdseaejabcMcaPiabgUcaRiabdseaejabcIcaOiabdgeabjabgUcaRiabdkeacjabcMcaPaqaaiabcIcaOiabdgeabjabgUcaRiabdkeacjabcMcaPiabcIcaOiabdoeadjabgUcaRiabdseaejabcMcaPaaacqGHsislcqaIXaqmcqGH9aqpaaa @ @ 4663

= Un Un + B + D C + D -- 1 = PPV + VAN -- 1 = ISP MathType MTEF @ @ @ 5 + 5 = @ feaafiart1ev1aaatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacH8akY = wiFfYdH8Gipec8Eeeu0xXdbba9frFj0 = OqFfea0dXdd9vqai = hGuQ8kuc9pgc9s8qqaq = dirpe0xb9q8qiLsFr0 = vr0 = vr0dc8meaabaqaciaacaGaaeqabaqabeGadaaakeaacqGH9aqpdaWcaaqaaiabdgeabbqaaiabdgeabjabgUcaRiabdkeacbaacqGHRaWkdaWcaaqaaiabdseaebqaaiabdoeadjabgUcaRiabdseaebaacqGHsislcqaIXaqmcqGH9aqpcqqGqbaucqqGqbaucqqGwbGvcqGHRaWkcqqGobGtcqqGqbaucqqGwbGvcqGHsislcqaIXaqmcqGH9aqpcqqGqbaucqqGtbWucqqGjbqsaaa @ @ 47DF

Agradecimientos

Queremos dar las gracias a los revisores y correctores de estilo para sus útiles comentarios, y el doctor Kristi McClamroch, MPH, PhD, uno de los encuestados, por sus comentarios detallados.