Recomendados
Más contenido relacionado
La actualidad más candente
La actualidad más candente (20)
Destacado
Similar a Diag test.shiraishi.2
Similar a Diag test.shiraishi.2 (20)
Diag test.shiraishi.2
- 1. 「診断精度の分析」 入門 東京医科歯科大学 救命救急センター 白石 淳
- 2. Goals • 診断精度分析の基礎。 – 分割表に親しむ – 感度・特異度など指標の意味を理解する。 • 臨床と研究での応用。 – 臨床推論への応用。 – 診断精度の研究への応用。
- 3. 登場する手法 • 2X2表の統計 – 【検査陽性 OR 陰性】 X 【疾患陽性 OR 陰性】 • 検査値が連続値の場合 – ROC解析 • 複数の検査で予測する場合 – 予測モデル
- 4. 登場する手法 • 2X2表の統計 – 【検査陽性 OR 陰性】 X 【疾患陽性 OR 陰性】 • 検査値が連続値の場合 – ROC解析 • 複数の検査で予測する場合 – 予測モデル
- 5. 医学生と医師を対象とした プレテスト
- 6. プレテスト成績（N=16） 研修医以下 ≥3年目 (N=11) (N=5) P 感度 0.73 0.60 1.000 特異度 0.64 0.60 1.000 陽性的中率 0.73 0.40 0.300 陰性的中率 0.64 0.40 0.596 陽性尤度比 0.00 0.00 1.000 陰性尤度比 0.00 0.00 1.000
- 8. ハチワンダイバー
- 9. XX 22 22 44
- 10. ゼロヨンダイバー 疾患あり 疾患なし 検査陽性 a b 検査陰性 c d
- 11. 2X2表の概念 疾患あり 疾患なし Reference standard" 検査陽性 a b 評価者は決められない 検査陰性 c d Index test" 評価者が決める
- 12. こ の 甲 斐 性 な し っ !!!!!!!!
- 13. 検査とアウトカム 晩ご飯は美味 晩ご飯は不味 しかった かった 今朝、 妻と喧嘩した a b 今朝、 妻と喧嘩しな c d かった
- 14. 検査とアウトカム 晩ご飯は妻が 晩ご飯は店屋 作った 物だった 今朝、 妻と喧嘩した a b 今朝、 妻と喧嘩しな c d かった
- 15. 2X2表の概念 疾患あり 疾患なし 検査陽性 a b 検査陰性 c d 感度 = a/(a+c) 特異度 = d/(b+d) 陽性的中率 = a/(a+b) 陰性的中率 = d/(c+d) 陽性尤度比 = 感度/(1-特異度) = {a(b+d)}/{b(a+c)} 陰性尤度比 = (1-感度)/特異度 = {c(b+d)}/{d(a+c)} オッズ比 = 陽性尤度比／陰性尤度比 = ad/bc リスク比 = 陽性的中率／(1-陰性的中率) = {a(c+d)}/{c(a+b)}
- 16. その1 縦読みで感度特異度 疾患あり 疾患なし 検査陽性 8 4 検査陰性 2 6 感度 特異度 80% 60%
- 17. その2 横よみで陽性・陰性的中率 疾患あり 疾患なし 陽性 的中率 検査陽性 8 4 67% 検査陰性 2 6 陰性 的中率 75%
- 18. 解析の方法(epiR package) > # Diagnostic Accuracy > # > # estimating sensitivity, specificity, > # positive predictive value and negative predictive value > # from 2X2 cross table > > table<-matrix(c(8,2,4,6),2,2) > library(epiR) 要求されたパッケージ survival をロード中です 要求されたパッケージ splines をロード中です Package epiR 0.9-45 is loaded Type help(epi.about) for summary information
- 19. 解析の方法(epiR package) > epi.tests(table) Disease + Disease - Total Test + 8 4 12 Test - 2 6 8 Total 10 10 20 Point estimates and 95 % CIs: --------------------------------------------------------- Apparent prevalence 0.6 (0.36, 0.81) True prevalence 0.5 (0.27, 0.73) Sensitivity 0.8 (0.44, 0.97) Specificity 0.6 (0.26, 0.88) Positive predictive value 0.67 (0.35, 0.9) Negative predictive value 0.75 (0.35, 0.97) ---------------------------------------------------------
- 20. 解析の方法(epiR package) > epi.tests(table,verbose=T) $aprev est lower upper 1 0.6 0.3605426 0.8088099 $tprev est lower upper 1 0.5 0.2719578 0.7280422 $se est lower upper 1 0.8 0.4439045 0.9747893 $sp est lower upper 1 0.6 0.2623781 0.8784477 ……
- 21. 有病率が違うと、 疾患あり 疾患なし 検査陽性 8 400 検査陰性 2 600 感度 特異度 80% 60%
- 22. 有病率が違うと、 疾患あり 疾患なし 陽性 的中率 検査陽性 8 400 2% 検査陰性 2 600 陰性 的中率 100%
- 23. 有病率が違うと、 > table<-matrix(c(8,2,400,600),2,2) > epi.tests(table) Disease + Disease - Total Test + 8 400 408 Test - 2 600 602 Total 10 1000 1010 Point estimates and 95 % CIs: --------------------------------------------------------- Apparent prevalence 0.4 (0.37, 0.43) True prevalence 0.01 (0, 0.02) Sensitivity 0.8 (0.44, 0.97) Specificity 0.6 (0.57, 0.63) Positive predictive value 0.02 (0.01, 0.04) Negative predictive value 1 (0.99, 1) ---------------------------------------------------------
- 24. 有病率が違うと、 有病率 感度 特異度 陽性的中率 陰性的中率 % % % % % 1 8 100 5 32 99 90 90 10 50 99 50 90 90
- 25. 母集団は何か？ • The STARD Statement – ITEM 3 Describe the study populaSon: the inclusion and exclusion criteria, seWng and locaSons where data were collected. – ITEM 4 Describe parScipant recruitment: was recruitment based on presenSng symptoms, results from previous tests, or the fact that the parScipants had received the index tests or the reference standard?
- 26. 有病率を考慮した診断法 ベイズの定理 （検査陽性の時） a+c pretest odds = b+d a a + c a(b + d) posttest odds = = × b b + d b(a + c) sensitivity = pretest odds × 1− specificity = pretest odds × positive likelihood ratio(LR+)
- 27. 有病率を考慮した診断法 ベイズの定理 （検査陰性の時） a+c pretest odds = b+d c a + c c(b + d) posttest odds = = × d b + d d(a + c) 1− sensitivity = pretest odds × specificity = pretest odds × negative likelihood ratio(LR−)
- 28. 演習1 • 実際にやってみましょう。 – ERを右下腹痛の症例が受診しました。この中で 虫垂炎の有病率は20％です。 – 白血球数が異常の時（LR+ = 4)と正常の時(LR-‐ = 0.2)でそれぞれ検査後確率を求めなさい。
- 29. • 検査前オッズ = 0.2/(1-‐0.2) = 0.25 • 白血球数が異常の時 – 検査後オッズ = 0.25 X 4 = 1 – 検査後確率 = 1/(1+1) = 0.5 • 白血球数が正常の時 – 検査後オッズ = 0.25 X 0.2 = 0.05 – 検査後確率 = 0.05/(1+0.05) = 0.05
- 30. 登場する手法 • 2X2表の統計 連 るや RROOCC – 【検査陽性 OR 陰性】 X 【疾患陽性 っ 陰性】 だ OR とて 続 変 解 !!!!!!!! み 析 数 • 検査値が連続値の場合 せ を を 使 – ROC解析 っ て、 • 複数の検査で予測する場合 – 予測モデル
- 31. 検査値が連続変数の場合 疾患あり 疾患なし 検査値 a b ≥ 閾値 検査値 c d < 閾値
- 32. 疾患あり 疾患なし 疾患頻度 検査値
- 33. 最適な閾値 疾患あり 疾患なし 疾患頻度 検査値
- 34. 感度重視 疾患あり 疾患なし 疾患頻度 検査値
- 35. 特異度重視 疾患あり 疾患なし 疾患頻度 検査値
- 36. 疾患あり 疾患なし 疾患頻度 検査値
- 37. 疾患あり 感度重視 最適な閾値 疾患なし 疾患頻度 特異度重視 検査値
- 38. FIGURE. Serum troponin I for detection of myocardial infarction in subjects with chest pain within 3hours from onset 1.0 0.8 Troponin I AUC = 0.75 0.6 Sensitivity 0.4 0.2 0.0 0.0 0.2 0.4 0.6 0.8 1.0 1 - specificity
- 39. FIGURE. Serum troponin I for detection of myocardial infarction in subjects with chest pain within 3hours from onset 1.0 理想的な検査 AUC = 1.00 0.8 Troponin I AUC = 0.75 0.6 Sensitivity 0.4 0.2 0.0 0.0 0.2 0.4 0.6 0.8 1.0 1 - specificity
- 40. FIGURE. Serum troponin I for detection of myocardial infarction in subjects with chest pain within 3hours from onset 1.0 0.8 Troponin I AUC = 0.75 0.6 Sensitivity サイコロを振るのと同等 0.4 AUC =0.50 0.2 0.0 0.0 0.2 0.4 0.6 0.8 1.0 1 - specificity
- 41. FIGURE. Serum troponin I for detection of myocardial infarction in subjects with chest pain within 3hours from onset 1.0 0.8 Troponin I AUC = 0.75 0.6 Sensitivity サイコロを振るのと同等 0.4 AUC =0.50 LR+ = 1 LR- = 1 0.2 0.0 0.0 0.2 0.4 0.6 0.8 1.0 1 - specificity
- 42. FIGURE. Serum troponin I for detection of myocardial infarction in subjects with chest pain within 3hours from onset 1.0 LR+ = +∞ LR- = 0 0.8 Troponin I AUC = 0.75 0.6 Sensitivity サイコロを振るのと同等 0.4 AUC =0.50 LR+ = 1 LR- = 1 0.2 0.0 0.0 0.2 0.4 0.6 0.8 1.0 1 - specificity
- 43. FIGURE. Serum troponin I for detection of myocardial infarction in subjects with chest pain within 3hours from onset 1.0 0.8 Troponin I AUC = 0.75 0.6 Sensitivity 0.4 0.2 0.0 0.0 0.2 0.4 0.6 0.8 1.0 1 - specificity
- 44. Net ReclassificaSon Improvement • 2つの予測モデルを比較して、 NRI = 疾患陽性群でのΔ偽陰性率 + 疾患陰性群でのΔ偽陽性率 Cook, CirculaSon 2007 Pencina et al., StaSstMed 2008
- 46. ROC解析の紹介（pROC package） # 準備 ISwR (Introductory Statistics with R)というパッケージの # juulというデータを使います。月経開始の有無(menarche, 0/1)と # 年齢(age)が入っています # ageという連続変数を取る検査が、月経開始を予測できるかどうかを # roc解析を用いて解析してみます。 > library(ISwR) 次のパッケージを付け加えます: '‘ISwR’' > data(juul) # ROC解析に使うのはpROCというパッケージです。 > library(pROC) 要求されたパッケージ plyr をロード中です 次のパッケージを付け加えます: '‘pROC’'
- 47. ROC解析の紹介（pROC package） > roc.test<-roc(menarche~˜age,data=juul) > plot.roc(roc.test) 1.0 Call: 0.8 roc.formula(formula = menarche ~˜ age, data = juul) Data: age in 369 controls (menarche 1) < 335 cases (menarche 2). 0.6 Area under the curve: 0.9852 Sensitivity 0.4 0.2 0.0 1.0 0.8 0.6 0.4 0.2 0.0 Specificity
- 48. 登場する手法 • 2X2表の統計 – 【検査陽性 OR 陰性】 X 【疾患陽性 OR 陰性】 • 検査値が連続値の場合 – ROC解析 • 複数の検査で予測する場合 – 予測モデル
- 49. 変数が複数の場合
- 50. 予測モデルの概念 p log = B 0 + B1 X 1 + B 2 X 2 + 1− p 尤度比とオッズ比の考え方は、診断精度でもロ ジスティック回帰でもいっしょ。1因子で予測する か（分割表）、2因子以上で予測するかの差でし か無い。
- 52. 良い予測モデルを作るためには • よくある一般的な状況（外来とかERとか）。 • その場のできるだけ早期に知りうる情報のみ からモデルができる。 • 「真のアウトカム」
- 53. モデル構築とモデル検証 • コホート研究やランダム化試験のデータ • ロジスティック回帰分析を用いて予測変数を 抽出し、モデルを作る。 • 「別のコホート」を用いて、モデルを検証する。
- 54. 日本外傷データバンク ü 参加172施設の外傷データベース ü AIS≥3 N=70686 欠損値のある対象 N=17568 N=44149 構築コホート 検証コホート N=22075 N=22074 hdps://www.jtcr-‐jatec.org/traumabank/index.htm
- 55. CRASH-2 ü 重大な出血リスクを伴う外傷患者にトラネキサム酸の効果を検 討した大規模多施設ランダム化試験 N=20207 欠損値のある対象 N=2713 外部検証コホート N=17494 hdp://crash2.ishtm.ac.uk
- 56. The new score variables associated with in-hospital death Standard Standard Variables Estimate P Variables Estimate P Error Error Injury type Respiratory rate, /min Blunt 0.53 0.14 <.001 0-5 1.67 0.20 <.001 Penetrating 0.00 Reference 6 - 29 0.00 Reference 30 - 39 0.32 0.07 <.001 Age, years old 40 - 0.85 0.13 <.001 Referenc 0 - 54 0.00 e 55 - 79 0.62 0.06 <.001 Systolic blood pressure, mmHg 80 - 1.16 0.08 <.001 0 - 49 2.38 0.15 <.001 50 - 69 1.36 0.14 <.001 Glasgow coma scale, 3-15 70 - 89 0.86 0.10 <.001 3-4 3.62 0.08 <.001 90 - 109 0.43 0.08 <.001 5 3.22 0.18 <.001 90 - 179 0.00 Reference 6 2.44 0.12 <.001 180 - 0.26 0.09 <.01 7-8 2.04 0.10 <.001 9 - 11 1.54 0.10 <.001 Goodness of fitting 12 - 13 1.13 0.09 <.001 Hosmer-Lemeshow test 14 0.55 0.09 <.001 χ2 0.078 15 0.00 Reference P 1.000
- 57. TRIAGES score (0-18 pts) Trauma Rating with Injury type, Age, Glasgow coma scale, rEspiratory rate and Systolic blood pressure in the primary survey. Type of Injury (I) Respiratory Rate (E) Blunt (1) 40 - (2) Penetrating (0) 30 - 39 (1) 6 - 29 0-5 (0) (3) Trauma Rating with Age (A) 0 - 54 (0) Injury type, Age, 55 - 79 80 - (1) (2) Systolic Blood Pressure (S) 180 - (1) Glasgow coma scale, Glasgow Coma Scale (G) 110 - 179 90 - 109 (0) (1) rEspiratory rate and 15 14 (0) (1) 70 - 89 50 - 69 (2) (3) Systolic blood pressure. 12 - 13 (2) 0 - 49 (5) 9 - 11 (3) 7-8 6 5 (4) (5) (6) TRIAGES score 3-4 (7) I( ) + A( ) + G( ) + E( ) + S( ) = TRIAGES score ( ) TRIAGES score of 0-3, 4-8, 9-15 and 16-18 predicts mortality of <5% (mean of 4%), 5-49% (mean of 15%), 50-95% (mean of 64%), and >95% (mean of 99%), respectively.
- 58. ROC解析 1.0 1.0 TRIAGES TRIAGES RTS RTS 0.8 0.8 0.6 0.6 Sensitivity Sensitivity Area Under Curve Area Under Curve 0.4 0.4 TRIAGES: 0.886 TRIAGES: 0.812 RTS: 0.874 RTS: 0.802 0.2 0.2 P<.001 (bootstrap) P<.001 (bootstrap) 0.0 0.0 1.0 0.8 0.6 0.4 0.2 0.0 1.0 0.8 0.6 0.4 0.2 0.0 Specificity Specificity JTDB CRASH-2
- 59. まとめ • 2X2表という、初歩的な（しかし正確に理解さ れていない）統計手法のまとめから、ROC解 析まで。 • 臨床医はベイズの定理を臨床推論に応用し ましょう。