電卓

感度・特異度計算機

方法1 方法1：自分で計算する。

1. 1 サンプリング母集団を決定する（例：診療所の患者1000人）。

2. 2. 梅毒など、関心のある病気や特性を定義する。

3. 3 ある疾患や特徴の有病率を決定するために、確立されたゴールドスタンダード検査があります。例えば、暗視野顕微鏡を使用して梅毒性腫瘡の掻き取りから古細菌の存在を記録し、臨床所見と連携しています。この特徴を持つ人と持たない人を判断するために、ゴールドスタンダードテストが使われます。説明のために、100人がこの病気にかかり、900人がかからないと仮定する。

4. 4 興味のある検査を用意し、この集団に対する感度、特異度、陽性予測値、陰性予測値を決定し、選択した集団標本の各人にこの検査を実施する。例えば、この検査を梅毒のスクリーニングのための迅速血漿抗原（RPR）検査とする。それを使って、1000人のサンプルをテストしてください。

5. 5 特徴のある人（ゴールドスタンダードで判定された人）については、陽性と判定された人の数と陰性と判定された人の数を記録する。その特性を持たない（ゴールドスタンダードで判断される）人に対しても、同じようにする。最終的に4つの数字が出ます。この特性を持ち、検査で陽性となった人が真陽性（TP）である。この形質を持ちながら検査で陰性となる人は偽陰性（FN）である。この特徴を持たず、陽性と判定された人は偽陽性（FP）となります。この特性を持たず、検査で陰性となる人は、真性陰性（TN）である。例えば、1000人の患者さんのRPRを検査するとします。梅毒患者100名のうち、95名が陽性、5名が陰性であった。梅毒のない患者900人のうち、90人が検査陽性、810人が検査陰性である。この場合、TP=95、FN=5、FP=90、TN=810となる。

6. 6 感度を算出する場合は、TPを(TP+FN)で除算する。上記の例では、95/(95+5)=95%になります。感度は、その形質を持つ人が検査で陽性になる確率を示すものです。形質を持っている人全体の何パーセントが陽性となるか？95％の感度は良好です。

7. 7 特異性を計算するためには、（FP+TN）をTNで割る。上記の例では、810/(90+810)=90%になります。特異性とは、その形質を持たない人が検査で陰性になる可能性がどの程度あるかを示すものです。この特徴を持たない人のうち、何割が陰性と判定されるのでしょうか。特異度は90％あればよい方です。

8. 8 陽性的中率（PPV）を計算するには、TPを（TP+FP）で割る。上記の例では、95/(95+90)=51.4%となります。陽性適中率は、検査で陽性となった人が、どの程度の確率でその形質を持っているかを示すものである。陽性と判定された人のうち、何パーセントが実際にその特性を持っているのでしょうか？ 予測値が51.4％ということは、陽性と判定された人が実際にその特性を持っている確率は51.4％であることを意味します。

9. 9 陰性適中率（NPV）を算出するには、（TN＋FN）をTNで割る。上記の例では、810/(810+5)=99.4%となります。陰性的中率は、検査が陰性であった場合、その人がその形質を持っていない可能性がどのくらいあるかを示しています。陰性と判定された人のうち、実際にその形質を持っていない人の割合は？ 陰性適中率99.4％とは、陰性と判定された場合、ある病気を持っていない確率が99.4％であることを意味します。

• 精度または効率は、正しく識別された検査結果の割合、すなわち（真陽性＋真陰性）/検査結果の総数 = (TP + TN) / (TP + TN + FP + FN)です。
• 2x2の表を描いてみると、より簡単になります。
• 感度と特異度は特定の検査に固有の特性であり、与えられた集団には依存しないことを理解することが重要です。
• これらの概念をよく理解するように努めてください。
• 良いスクリーニング検査は、その特性を持っている人をすべて選び出すことができるように、高い感度を持ちます。陰性であれば、病気や形質を除外するために、非常に高感度な検査が有効である。(SNOUT：SeNsitivity-rule OUT） （「SNOUT」：SeNsitivity-rule OUT
• 良い確認検査は高い特異性を持っています。なぜなら、検査は特異的であり、その形質を持っていない人がその形質を持っていると誤解しないようにしたいからです。非常に高い特異性を持つ検査は、陽性と出た場合、病気や特性を除外するのに有効である。(「SPIN」：特定除外)
• 一方、陽性予測値と陰性予測値は、ある集団におけるその特徴の有病率に依存する。希少な特徴ほど正予測値が低く、負予測値が高い（希少な特徴では事前検出確率が低いため）。逆に、一般的な特徴であればあるほど、正の予測値は高く、負の予測値は低くなる（一般的な特徴では事前検知確率が高くなるため）。