10

স্ট্যান্ডার্ড শিক্ষণ বলছে যে সংবেদনশীলতা এবং সুনির্দিষ্টতা পরীক্ষার বৈশিষ্ট্য এবং প্রসার থেকে স্বতন্ত্র। তবে এটি কি কেবল অনুমান নয়?

হ্যারিসনের অভ্যন্তরীণ মেডিসিনের 19 তম নীতিতে বলা হয়েছে

এটি দীর্ঘদিন ধরেই দৃserted়ভাবে বলা হয়েছে যে সংবেদনশীলতা এবং সুনির্দিষ্টতা পরীক্ষার যথার্থতার প্রচলিত-স্বতন্ত্র পরামিতি এবং অনেকগুলি পাঠ্য এখনও এই বিবৃতি দেয়। এই পরিসংখ্যানগতভাবে দরকারী অনুমানটি অবশ্য ক্লিনিকালি সরল l ... হাসপাতালে ভর্তি রোগীদের ক্ষেত্রে পরীক্ষার সংবেদনশীলতা বেশি হবে এবং বহিরাগত রোগীদের ক্ষেত্রে পরীক্ষার সুনির্দিষ্টতা বেশি হবে।

(বহির্মুখী রোগীদের তুলনায় রোগীদের মধ্যে সাধারণতঃ অগ্রগতি বেশি)

এই পরামিতিগুলির মধ্যে কোনও গাণিতিক বা আনুমানিক গ্রাফিকাল সম্পর্ক রয়েছে?

এমনকি এই লিঙ্কটি এটিকে একটি 'সরলিকরণ' বলে। কেন?

সম্পাদনা: সংবেদনশীলতা কীভাবে সংজ্ঞায়িত করা হয় তা আমি জানি। জবাব জড়িত থাকার মতো কোনও পদ নেই। আমি নিজেই বজায় রেখেছি যে এগুলি পরীক্ষার সম্পত্তি হিসাবে ব্যবহৃত জনগোষ্ঠীর দ্বারা প্রভাবিত হয়নি, যতক্ষণ না আমি এই বিবৃতিটি পেলাম, তাই প্রশ্ন। তবে আমি ধরে নিচ্ছি, এই বিভ্রান্তি সংজ্ঞাগুলির কারণে নয় বরং এই মূল্যবোধগুলির ব্যবহারিক গণনার কারণে উদ্ভূত হচ্ছে। সুনির্দিষ্টতা এবং সংবেদনশীলতা 2x2 টেবিল ব্যবহার করে গণনা করা হয়, এখানে রেফারেন্স জনসংখ্যার বিস্তারের বিষয়টি কী বিবেচনা করে? তারা কি সেই বিষয়টি উল্লেখ করছে? যদি এটি হয়, কাজ কি?

— Polisetty
সূত্র

4

যদিও @ টিম @ 'র এবং @ গুং'র উত্তরগুলি বেশ কিছুটা কভার করে, আমি তাদের উভয়কে এককভাবে সংশ্লেষিত করার এবং আরও স্পষ্টতা দেওয়ার চেষ্টা করব।

উদ্ধৃত রেখাগুলির প্রসঙ্গটি বেশিরভাগ সাধারণ হিসাবে নির্দিষ্ট থ্রেশহোল্ড আকারে ক্লিনিকাল পরীক্ষাগুলি উল্লেখ করতে পারে। একটি রোগ , এবং স্বাস্থ্যকর অবস্থা সহ থেকে পৃথক সমস্ত কিছুকে হিসাবে কল্পনা করুন । আমরা আমাদের পরীক্ষার জন্য এমন কিছু প্রক্সি পরিমাপ খুঁজতে চাই যা আমাদের জন্য একটি ভাল ভবিষ্যদ্বাণী পেতে দেয় ((1) আমরা নিখুঁত নির্দিষ্টতা / সংবেদনশীলতা না পাওয়ার কারণটি হ'ল আমাদের প্রক্সি পরিমাণের মানগুলি সম্পূর্ণরূপে সংযুক্ত হয় না রোগের অবস্থা কিন্তু কেবলমাত্র এটির সাথে সাধারণত যুক্ত হয় এবং তাই পৃথক পরিমাপে আমরা আমাদের পরিমাণটি জন্য আমাদের প্রান্তিকাকে অতিক্রম করতে পারি chance $D$ $D$ $D^c$ $D$ $D^c$ ব্যক্তি এবং বিপরীত। স্পষ্টতার স্বার্থে, আসুন পরিবর্তনের জন্য একটি গাউসিয়ান মডেল ধরে নেওয়া যাক।

আমাদের বলুন যে আমরা প্রক্সি পরিমাণ হিসাবে ব্যবহার করছি । তাহলে চমত্কারভাবে নির্বাচিত করা হয়েছে, তারপর বেশী হতে হবে ( প্রত্যাশিত মান অপারেটর যায়)। এখন সমস্যা দেখা দেয় যখন আমরা বুঝতে পারি যে একটি যৌগিক অবস্থা (তাই হয় ) আসলে তীব্রতা 3 বাংলাদেশের তৈরি , , জন্য একটি কার্যক্রমে বৃদ্ধি প্রত্যাশিত মান সঙ্গে প্রতিটি । একক ব্যক্তির জন্য, হয় বিভাগ থেকে বা থেকে নির্বাচিত $x$ $x$ $E[x_D]$ $E[x_{Dc}]$ $E$ $D$ $D^c$ $D_1$ $D_2$ $D_3$ $x$ $D$ $D^c$ বিভাগ, 'পরীক্ষার' ইতিবাচক আসার সম্ভাবনাগুলি আমাদের নির্বাচিত প্রান্তিক মানের উপর নির্ভর করবে। আমাদের বলুন যে আমরা এবং উভয় সত্যিকারের এলোমেলো নমুনা অধ্যয়নের উপর ভিত্তি করে নির্বাচন করি । আমাদের কিছু মিথ্যা ইতিবাচক এবং নেতিবাচক কারণ । যদি আমরা এলোমেলোভাবে কোনও ব্যক্তি নির্বাচন করি তবে সবুজ গ্রাফ দ্বারা প্রদত্ত যদি তার মানকে পরিচালিত করার সম্ভাবনা , এবং লাল গ্রাফ দ্বারা এলোমেলোভাবে নির্বাচিত ব্যক্তির সাথে সম্পর্কিত। $x_T$ $D$ $D^c$ $x_T$ $D$ $x$ $D_c$

প্রাপ্ত প্রকৃত সংখ্যাগুলি এবং ব্যক্তির প্রকৃত সংখ্যার উপর নির্ভর করবে তবে ফলাফলের সুনির্দিষ্টতা এবং সংবেদনশীলতা তা করবে না। যাক একটি ক্রমসঞ্চিত সম্ভাব্যতা ফাংশন হবে। তারপর, প্রকোপ জন্য রোগের , এখানে 2x2 টেবিল হিসাবে সাধারণ মামলার প্রত্যাশিত অংশে হবে, যখন আমরা আসলে সম্মিলিত জনসংখ্যা কিভাবে থাকি তাহলে আমাদের পরীক্ষা সঞ্চালিত চেষ্টা করুন। $D$ $D^c$ $F()$ $p$ $D$

(D, +) = p (1 - F_{D} (x_{T}))

$(D,+) = p(1-F_D(x_T))$

(D c, -) = (1 - p) (1 - F_{D c} (x_{T}))

$(Dc,-) = (1-p)(1-F_{Dc}(x_T))$

(D, -) = p (F_{D} (x_{T}))

$(D,-) = p(F_D(x_T))$

(ডি গ, + +) = (1 - পি) * {এফ}_{ডি গ} ({এক্স}_{টি})

$(Dc,+) = (1-p)*F_{Dc}(x_T)$

আসল সংখ্যাগুলি নির্ভর, তবে সংবেদনশীলতা এবং নির্দিষ্টতা স্বাধীন। তবে, উভয়ই এবং এর উপর নির্ভরশীল । সুতরাং, এগুলিকে প্রভাবিত করে এমন সমস্ত উপাদান অবশ্যই এই মেট্রিকগুলিকে পরিবর্তন করবে। আমরা উদাহরণস্বরূপ, আইসিইউতে কাজ করলে আমাদের পরিবর্তে দ্বারা প্রতিস্থাপন করা হবে , এবং যদি আমরা বহিরাগত রোগীদের কথা বলি তবে দ্বারা প্রতিস্থাপন করা হয় । এটি পৃথক বিষয় যে হাসপাতালে, এর প্রকোপটিও আলাদা, $p$ $p$ $F_D$ $F_{Dc}$ $F_D$ $F_{D3}$ $F_{D1}$ তবে এটি আলাদা প্রবণতা নয় যা সংবেদনশীলতা এবং সুনির্দিষ্টতাগুলিকে পৃথক করে তুলছে, তবে ভিন্ন বিতরণ, যেহেতু প্রান্তিকের মডেলটির উপর ভিত্তি করে যে মডেলটি সংজ্ঞায়িত করা হয়েছিল, বাইরের রোগী বা রোগী হিসাবে উপস্থিত লোকদের ক্ষেত্রে প্রযোজ্য ছিল না । আপনি এগিয়ে যেতে পারেন এবং ভেঙ্গে একাধিক subpopulations এ, কারনে এর inpatient subpart একটি উত্থাপিত থাকিবে অন্যান্য কারণে (যেহেতু সবচেয়ে প্রক্সি রয়েছে অন্যান্য গুরুতর অবস্থায় 'উঁচু')। ব্রেকিং subpopulation মধ্যে জনসংখ্যা সংবেদনশীলতা পরিবর্তন ব্যাখ্যা করে, যখন যে জনসংখ্যা (নির্দিষ্টতা পরিবর্তন ব্যাখ্যা করে সংশ্লিষ্ট পরিবর্তন দ্বারা $D^c$ $D^c$ $x$ $D$ $D^c$ এবং )। এটি সংমিশ্রণ গ্রাফটি আসলে অন্তর্ভুক্ত। রং প্রত্যেকটি আসলে তাদের নিজস্ব থাকবে , তাই, যতদিন থেকে এই differes যার উপর মূল সংবেদনশীলতা এবং বিশেষত্বের গণনা করা, এই বৈশিষ্ট্যের মান পরিবর্তন করতে হবে। $F_D$ $F_{Dc}$ $D$ $F$ $F$

উদাহরণ

11500 জনসংখ্যার যথাক্রমে 10000 ডিসি, 500,750,300 ডি 1, ডি 2, ডি 3 অনুমান করুন। মন্তব্য করা অংশটি উপরের গ্রাফগুলির জন্য ব্যবহৃত কোড।

set.seed(12345)
dc<-rnorm(10000,mean = 9, sd = 3)
d1<-rnorm(500,mean = 15,sd=2)
d2<-rnorm(750,mean=17,sd=2)
d3<-rnorm(300,mean=20,sd=2)
d<-cbind(c(d1,d2,d3),c(rep('1',500),rep('2',750),rep('3',300)))
library(ggplot2)
#ggplot(data.frame(dc))+geom_density(aes(x=dc),alpha=0.5,fill='green')+geom_density(data=data.frame(c(d1,d2,d3)),aes(x=c(d1,d2,d3)),alpha=0.5, fill='red')+geom_vline(xintercept = 13.5,color='black',size=2)+scale_x_continuous(name='Values for x',breaks=c(mean(dc),mean(as.numeric(d[,1])),13.5),labels=c('x_dc','x_d','x_T'))

#ggplot(data.frame(d))+geom_density(aes(x=as.numeric(d[,1]),..count..,fill=d[,2]),position='stack',alpha=0.5)+xlab('x-values')

আমরা সহজেই ডিসি, ডি 1, ডি 2, ডি 3 এবং সংমিশ্রণ ডি সহ বিভিন্ন জনগোষ্ঠীর জন্য এক্স-মাধ্যমগুলি গণনা করতে পারি

mean(dc) 
mean(d1) 
mean(d2) 
mean(d3) 
mean(as.numeric(d[,1]))

> mean(dc) [1] 8.997931
> mean(d1) [1] 14.95559
> mean(d2) [1] 17.01523
> mean(d3) [1] 19.76903
> mean(as.numeric(d[,1])) [1] 16.88382

আমাদের আসল পরীক্ষার ক্ষেত্রে 2x2 টেবিল পেতে, আমরা প্রথমে তথ্যের উপর ভিত্তি করে একটি থ্রেশহোল্ড সেট করি (যা বাস্তব ক্ষেত্রে কেস @ গং শো হিসাবে পরীক্ষা চালানোর পরে সেট করা হবে)। যাইহোক, 13.5 এর একটি চৌম্বক ধরে ধরে, পুরো জনসংখ্যার উপর ভিত্তি করে আমরা নিম্নলিখিত সংবেদনশীলতা এবং নির্দিষ্টতা পাই।

sdc<-sample(dc,0.1*length(dc)) 
sdcomposite<-sample(c(d1,d2,d3),0.1*length(c(d1,d2,d3))) 
threshold<-13.5 
truepositive<-sum(sdcomposite>13.5) 
truenegative<-sum(sdc<=13.5) 
falsepositive<-sum(sdc>13.5) 
falsenegative<-sum(sdcomposite<=13.5) 
print(c(truepositive,truenegative,falsepositive,falsenegative)) 
sensitivity<-truepositive/length(sdcomposite) 
specificity<-truenegative/length(sdc) 
print(c(sensitivity,specificity))

> print(c(truepositive,truenegative,falsepositive,falsenegative)) [1]139 928  72  16
> print(c(sensitivity,specificity)) [1] 0.8967742 0.9280000

আসুন ধরে নেওয়া যাক আমরা বহিরাগত রোগীদের সাথে কাজ করছি, এবং আমরা কেবল ডি 1 অনুপাত থেকে আক্রান্ত রোগীদের পাই, বা আমরা আইসিইউতে কাজ করছি যেখানে আমরা কেবল ডি 3 পাই। (আরও সাধারণ ক্ষেত্রে, আমাদেরও ডিসি উপাদানকে বিভক্ত করতে হবে) কীভাবে আমাদের সংবেদনশীলতা এবং নির্দিষ্টতা পরিবর্তন হয়? প্রাদুর্ভাব পরিবর্তন করে (অর্থাত্ উভয় ক্ষেত্রে আক্রান্ত রোগীদের তুলনামূলক অনুপাত পরিবর্তন করে আমরা নির্দিষ্টতা এবং সংবেদনশীলতা মোটেও পরিবর্তন করি না so ঠিক তাই ঘটে যে এই প্রবণতাটি পরিবর্তনের পরিবর্তনের সাথেও পরিবর্তন হয়)

sdc<-sample(dc,0.1*length(dc)) 
sd1<-sample(d1,0.1*length(d1)) 
truepositive<-sum(sd1>13.5) 
truenegative<-sum(sdc<=13.5) 
falsepositive<-sum(sdc>13.5) 
falsenegative<-sum(sd1<=13.5) 
print(c(truepositive,truenegative,falsepositive,falsenegative)) 
sensitivity1<-truepositive/length(sd1) 
specificity1<-truenegative/length(sdc) 
print(c(sensitivity1,specificity1)) 
sdc<-sample(dc,0.1*length(dc)) 
sd3<-sample(d3,0.1*length(d3)) 
truepositive<-sum(sd3>13.5) 
truenegative<-sum(sdc<=13.5) 
falsepositive<-sum(sdc>13.5) 
falsenegative<-sum(sd3<=13.5) 
print(c(truepositive,truenegative,falsepositive,falsenegative)) 
sensitivity3<-truepositive/length(sd3) 
specificity3<-truenegative/length(sdc) 
print(c(sensitivity3,specificity3))

> print(c(truepositive,truenegative,falsepositive,falsenegative)) [1]  38 931  69  12
> print(c(sensitivity1,specificity1)) [1] 0.760 0.931
> print(c(truepositive,truenegative,falsepositive,falsenegative)) [1]  30 944  56   0
> print(c(sensitivity3,specificity3)) [1] 1.000 0.944

সংক্ষিপ্তসার হিসাবে, সংবেদনশীলতার পরিবর্তনগুলি দেখানোর প্লট (নির্দিষ্টকরণ একই ধরণের অনুসরণ করবে যদি আমরা উপ-জনসংখ্যা থেকে ডিসি জনসংখ্যাও রচনা করতাম) জনসংখ্যার জন্য বিভিন্ন গড় x সহ, এখানে একটি গ্রাফ দেওয়া হয়েছে

df<-data.frame(V1=c(sensitivity,sensitivity1,sensitivity3),V2=c(mean(c(d1,d2,d3)),mean(d1),mean(d3))) 
ggplot(df)+geom_point(aes(x=V2,y=V1),size=2)+geom_line(aes(x=V2,y=V1))

$D$

— সাত্বিক পাসানী
সূত্র

9

প্রথমত, এটি স্বীকৃত যে আপনি সাধারণত স্পেসিফিকেশনের সাথে স্বাধীনভাবে সংবেদনশীলতা পরিবর্তন করতে পারবেন না এবং এর বিপরীতে worth এটি একটি আরওসি বক্ররেখার বিন্দু। ডেটা উত্পন্নকরণের প্রক্রিয়া এবং আপনার নির্দিষ্ট ডেটা এবং মডেলকে কেন্দ্র করে আপনি সর্বদা সংবেদনশীলতা এবং নির্দিষ্টতার মধ্যে কিছুটা বাণিজ্য নিয়ে আটকে থাকবেন। আপনার অবশ্যই একই সাথে 100% সংবেদনশীলতা এবং 100% নির্দিষ্টতা থাকতে পছন্দ করবেন তবে সাধারণত আপনি তা করতে পারবেন না। আপনি আরও ভাল সংবেদনশীলতা পেতে পারেন, তবে আরও খারাপ সুনির্দিষ্টতা বা আরও ভাল নির্দিষ্টকরণের ব্যয়ে, তবে সবচেয়ে খারাপ সংবেদনশীলতার ব্যয়ে। আরওসি বক্ররেখা আপনাকে এমন ট্রেডঅফসগুলির সেট দেখায় যাগুলির মধ্যে আপনি বেছে নিতে বাধ্য হন। (কয়েকটি নোট: ১. আপনি কখনও কখনও অন্যটিতে কোনও কিছু না হারিয়ে একটি মাত্রা অর্জন করতে দেখাতে পারেন কারণ আপনার ডেটাসেটে কোনও ফাঁক রয়েছে তবে এটি বেশিরভাগই মায়াময়; 2)।আরওসি বক্ররেখা 1-নির্দিষ্টতার ফাংশন হিসাবে সংবেদনশীলতা, সংবেদনশীলতা বনাম নির্দিষ্টতা নিজেই প্রতিফলিত আরওসি বক্ররেখা হিসাবে পরিকল্পনা করা হবে))

যে কোনও হারে, কীভাবে আপাত সংবেদনশীলতা এবং স্পষ্টতা স্পষ্টতার সাথে পরিবর্তিত হতে পারে? এটি এমন একটি সমস্যা যেখানে এটি অনুশীলন করে কীভাবে এটি কার্যকর হতে পারে তা দেখার জন্য কিছু ডেটা সিমুলেট করতে এবং খেলতে সহায়তা করে। আসুন কল্পনা করুন যে কোনও মডেল একটি নির্দিষ্ট প্রসারযুক্ত মোটামুটি বড় ডেটাসেটের সাথে খাপ খায় এবং এক্স-অক্ষ ^{1 এ} একটি থ্রেশহোল্ড সেট করা হয় । পরবর্তীতে, এই পরীক্ষার পারফরম্যান্সকে এমন নমুনাগুলির সাথে গণনা করা হয় যা যথেষ্ট পরিমাণে বিস্তৃত (এবং এইভাবে বিভিন্ন এক্স-মান)। ফলাফলটি হ'ল একই মডেল, একই প্রান্তিকতা ব্যবহার করে ভিন্ন ভিন্নতা সহ ডেটাসেটগুলিতে প্রয়োগ করা হলে আলাদাভাবে সম্পাদন করবে।

library(caret)  # we'll use these packages
library(binom)
  # we'll use this function to convert log odds to probabilities
lo2p = function(lo){ exp(lo)/(1+exp(lo)) }

##### training dataset for original model
set.seed(734)                     # these make the examples exactly reproducible
Nt = 1000
xt = rnorm(Nt, mean=5, sd=1)      # this is the distribution of X
lo = -1.386 + .308*xt             # this is the data generating process
pt = lo2p(lo)
yt = rbinom(Nt, size=1, prob=pt)
mt = glm(yt~xt, family=binomial)
summary(mt)
# ...
# Coefficients:
#             Estimate Std. Error z value Pr(>|z|)    
# (Intercept) -1.16736    0.32794  -3.560 0.000371 ***
# xt           0.24980    0.06429   3.886 0.000102 ***
# ...
#     Null deviance: 1384.5  on 999  degrees of freedom
# Residual deviance: 1369.1  on 998  degrees of freedom
# AIC: 1373.1

## determine threshold
# prob(Y) = 50%, where log odds = 0, so:
-coef(mt)[1]/coef(mt)[2]  # 4.673159
threshold = 4.7  # a simple round number
classt    = ifelse(xt>threshold, 1, 0)
tabt      = table(classt, yt)[2:1,2:1]

confusionMatrix(tabt)
#       yt
# classt   1   0
#      1 346 279
#      0 175 200
#                                           
#                Accuracy : 0.546           
#                     ...                                          
#             Sensitivity : 0.6641          
#             Specificity : 0.4175          
#          Pos Pred Value : 0.5536          
#          Neg Pred Value : 0.5333          
#              Prevalence : 0.5210          


##### high prevalence dataset from hospital
set.seed(4528)
Nh = 500
xh = rnorm(Nh, mean=6, sd=1)  # a different distribution of X
lo = -1.386 + .308*xh         # but the same data generating process
ph = lo2p(lo)
yh = rbinom(Nh, size=1, prob=ph)
classh = ifelse(xh>threshold, 1, 0)  # the same threshold is used
tabh   = table(classh, yh)[2:1,2:1]

confusionMatrix(tabh)
#       yh
# classh   1   0
#      1 284 163
#      0  20  33
#                                           
#                Accuracy : 0.634           
#                     ...
#             Sensitivity : 0.9342          
#             Specificity : 0.1684          
#          Pos Pred Value : 0.6353          
#          Neg Pred Value : 0.6226          
#              Prevalence : 0.6080          


##### low prevalence dataset from outpatients
set.seed(1027)
Nl = 500
xl = rnorm(Nl, mean=3, sd=1)
lo = -1.386 + .308*xl
pl = lo2p(lo)
yl = rbinom(Nl, size=1, prob=pl)
classl = ifelse(xl>threshold, 1, 0)
tabl   = table(classl, yl)[2:1,2:1]

confusionMatrix(tabl)
#       yl
# classl   1   0
#      1   9  14
#      0 190 287
#                                           
#                Accuracy : 0.592           
#                     ...
#             Sensitivity : 0.04523         
#             Specificity : 0.95349         
#          Pos Pred Value : 0.39130         
#          Neg Pred Value : 0.60168         
#              Prevalence : 0.39800         


##### sensitivities
binom.confint(346, 521, method="e")
#   method   x   n      mean     lower    upper
# 1  exact 346 521 0.6641075 0.6217484 0.704592
binom.confint(284, 304, method="e")
#   method   x   n      mean   lower     upper
# 1  exact 284 304 0.9342105 0.90022 0.9593543
binom.confint(  9, 199, method="e")
#   method x   n       mean      lower      upper
# 1  exact 9 199 0.04522613 0.02088589 0.08411464

##### specificities
binom.confint(200, 479, method="e")
#   method   x   n      mean     lower     upper
# 1  exact 200 479 0.4175365 0.3729575 0.4631398
binom.confint( 33, 196, method="e")
#   method  x   n      mean     lower     upper
# 1  exact 33 196 0.1683673 0.1188206 0.2282441
binom.confint(287, 301, method="e")
#   method   x   n      mean     lower     upper
# 1  exact 287 301 0.9534884 0.9231921 0.9743417

যথাযথ 95% আত্মবিশ্বাসের অন্তর সহ বিস্তৃততার ক্রিয়া হিসাবে সংবেদনশীলতা এবং বৈশিষ্ট্যগুলি এখানে:

তাহলে এখানে কি হচ্ছে? বিবেচনা করুন যে একটি প্রোটোটাইপিকাল লজিস্টিক রিগ্রেশন নীচের চিত্রের মতো দেখতে পারে। নোট করুন যে সমস্ত 'অ্যাকশন' এক্স-অক্ষের বিরতিতে [4, 6] এ চলছে। এর নীচে থাকা ডেটাগুলিতে খুব কম প্রবণতা থাকবে এবং মডেলটি নিম্ন বৈষম্য এবং সংবেদনশীলতা প্রদর্শন করবে। এই ব্যবধানের উপরের ডেটাতে খুব বেশি প্রসার হবে তবে মডেলটি আবার ভালভাবে বৈষম্য করবে না এবং এর স্বল্পতা থাকবে।

এটি কীভাবে ঘটতে পারে তা বুঝতে সহায়তা করার জন্য, রোগীর লিভার ² ব্যর্থ হচ্ছে কিনা তা নির্ধারণ করার জন্য অ্যালানাইন ট্রান্সমিনেজ পরীক্ষা করে বিবেচনা করুন। ধারণাটি হ'ল লিভার সাধারণত ALT ব্যবহার করে তবে লিভার যদি ALL এর কাজ বন্ধ করে দেয় তবে রক্ত প্রবাহে ফেলে দেওয়া হবে। সুতরাং যদি কোনও রোগীর রক্ত প্রবাহে ALT এর মাত্রা কিছুটা দোরের উপরে থাকে, তবে বোঝা যায় যে লিভার ব্যর্থ হচ্ছে। যদি আপনি লিভারের ব্যর্থতার উচ্চ প্রবণতা সহ একটি নমুনা আঁকেন তবে আপনি রক্তে উচ্চ মাত্রার ALT সহ একটি নমুনা আঁকবেন। সুতরাং, আপনার প্রান্তিকের উপরে আরও রোগী থাকবে। ALT এর উচ্চ রক্তের স্তরের প্রত্যেকেরই যকৃতের ব্যর্থতা থাকবে না some কিছু রোগীদের জন্য আরও কিছু কারণ রয়েছে। তবে যকৃতের ব্যর্থতা তাদের ধরা উচিত। এটি উচ্চ সংবেদনশীলতা বাড়ে। তেমনি, এএলটি-র স্বাভাবিক স্তরের সমস্ত রোগীরই স্বাস্থ্যকর জীবিকা থাকে না, তবে স্বল্প মাত্রায় আক্রান্ত একটি নমুনায় এএলটি নিম্ন স্তরের থাকে এবং আরও রোগী পরীক্ষায় উত্তীর্ণ হন। যাদের জীবিকা নেই তারা ' ব্যর্থ হয় না, তবে যাদের ALT এর সাধারণ মাত্রা রয়েছে তা মিস হবে। এটি নিম্ন সংবেদনশীলতা, তবে উচ্চতর নির্দিষ্টকরণের দিকে পরিচালিত করে।

আরও সাধারণভাবে, চিকিত্সা পরীক্ষার পুরো ধারণাটি হ'ল কিছু বা অন্য কোনও রোগের অবস্থার সাথে সম্পর্কিত যা আপনার সরাসরি পদক্ষেপ নিতে পছন্দ করতে পারে, কিন্তু পারে না। সংযোগের একটি পরিমাপ পাওয়া আপনাকে রোগের অবস্থার অন্তর্দৃষ্টি দেয়। একটি (সম্ভাব্য) পরীক্ষা যেখানে এটি সত্য নয় এটি কোনও মূল্যহীন এবং ব্যবহৃত হবে না। এইভাবে অনুশীলনে, উচ্চতর বিস্তারের নমুনাগুলিতে আরও অস্বাভাবিক মানগুলির সাথে সংশ্লেষের বিতরণ হওয়া উচিত উচ্চতর সংবেদনশীলতা বাড়ে এবং এর বিপরীতে। (দ্রষ্টব্য যে কোর্লেটটি কোনও রোগের কারণ হতে পারে না; ALT উদাহরণে এটি একটি প্রভাব, অন্য উদাহরণগুলিতে, রোগ এবং সম্পর্কিত উভয়ই একটি সাধারণ কারণের প্রভাব হতে পারে ইত্যাদি))

_{১. এটি ওষুধে আসলে বেশ সাধারণ is বিবেচনা করুন যে কোলেস্টেরলটি <200 হওয়া উচিত, সিস্টোলিক রক্তচাপ << 140 হওয়া উচিত। এগুলি আসলে প্রতি সেচ 'টেস্ট' নয়, তবে অনেকগুলি পরীক্ষা রয়েছে যা ঠিক তেমন কাজ করে। থ্রেশহোল্ডগুলি সম্পর্কিত কিছু (সম্ভবত দূরত্বে) সম্পর্কিত আলোচনার জন্য, আমার উত্তরগুলি পড়তে সাহায্য করতে পারে 0-1 প্রান্তিকটি সর্বদা এক্স-অক্ষের দোরের সমান? , এবং কেন আমরা দুটি স্বতন্ত্র ডেটাসেটের তুলনা করতে পি-মান ব্যবহার করি তবে নমুনা আকারের তুলনায় ভুয়া ধনাত্মক সংখ্যা কেন?

২. দয়া করে সচেতন হন যে আমি চিকিত্সক নই, এবং এই উদাহরণটি খারাপভাবে জড়িত। আপনি যদি লিভারের কার্যকারিতা, এর পরীক্ষা এবং সম্পর্কিত বিষয়গুলি সম্পর্কে সঠিক তথ্য চান তবে একজন প্রকৃত চিকিত্সককে জিজ্ঞাসা করুন।}

— gung - মনিকা পুনরায় স্থাপন করুন
সূত্র

ধন্যবাদ! দেখানোর জন্য এটি আসলে পরিবর্তিত হয়। তবে এটি কীভাবে @ টিম এর উত্তর বিবেচনা করে? এটি কি বিরোধিতা করছে না?

— পলিসেটি

1

@ পলিসেটি, টিম বলেছে যে, "রোগী এবং বহিরাগত রোগী অনেক ক্ষেত্রেই আলাদা হতে পারে, কেবলমাত্র একা প্রচলিত অবস্থায় নয়, তাই অন্য কিছু কারণ সংবেদনশীলতাকে প্রভাবিত করতে পারে"। যদি পরীক্ষাটি রোগীদের কিছু সম্পত্তি (বলে, কোলেস্টেরল) এর একটি ক্রিয়াকলাপ, এবং রোগটি দৃ w়ভাবে ডাব্লু / সেই সম্পত্তিও (যা সাধারণত পুরো পয়েন্ট হয়) এর সাথে সংযুক্ত থাকে, তবে "অন্যান্য কারণগুলি" অবশ্যই একত্রে ডাব্লু / প্রাদুর্ভাব. সুতরাং, যখন বিস্তৃতি পরিবর্তন হয়, অন্য সংযোগগুলি পরিবর্তিত হয়, এবং পরীক্ষার কম-বেশি সংবেদনশীলতা থাকে w / i specific নির্দিষ্ট গ্রুপে।

— গুং - মনিকা পুনরায়

7

যেমন ইতিমধ্যে অন্যেরা বলেছিলেন, সংবেদনশীলতা এবং নির্দিষ্টতা বিস্তারের উপর নির্ভর করে না। সংবেদনশীলতা হ'ল সমস্ত ধনাত্মকগুলির মধ্যে সত্য পজিটিভের অনুপাত এবং নির্দিষ্টতা সকল নেতিবাচকগুলির মধ্যে সত্য নেতিবাচক অনুপাত। সুতরাং সংবেদনশীলতা যদি 90% হয় তবে পরীক্ষাটি ইতিবাচক 90% ক্ষেত্রে সঠিক হবে। স্পষ্টতই ছোট কিছু 90% এবং বড় কিছু 90% এখনও 90% ...

আপনি যে টেবুলার ডেটা উল্লেখ করেছেন তা দেওয়া হয়েছে,

\begin{array}{cc} \begin{matrix} ধনাত্মক \\ শর্ত \end{matrix} & \begin{matrix} নেতিবাচক \\ শর্ত \end{matrix} \\ \begin{matrix} ধনাত্মক \\ পরীক্ষা \end{matrix} & একটি & গ \\ \begin{matrix} নেতিবাচক \\ পরীক্ষা \end{matrix} & খ & ঘ \end{array}

$\begin{array}{cc} & \substack{\text{positive} \\ \text{condition}} & \substack{\text{negative} \\ \text{condition}}\\ \substack{\text{positive} \\ \text{test}} & a & c \\ \substack{\text{negative} \\ \text{test}} & b & d \\ \end{array}$

$\tfrac{a}{a+b+c+d} \,/\, \tfrac{a+b}{a+b+c+d} = \tfrac{a}{a+b}$ $p(Y \mid X) = \tfrac{p(Y \cap X)}{p(X)}$ $\tfrac{d}{a+b+c+d} \,/\, \tfrac{c+d}{a+b+c+d} = \tfrac{d}{c+d}$

তবে উদ্ধৃতিটিও অন্য কিছু বলে মনে হচ্ছে

হাসপাতালে ভর্তি রোগীদের ক্ষেত্রে পরীক্ষার সংবেদনশীলতা বেশি হবে এবং বহিরাগত রোগীদের ক্ষেত্রে পরীক্ষার সুনির্দিষ্টতা বেশি হবে

সুতরাং লেখকরা বলেছেন যে সংবেদনশীলতা বিভিন্ন গ্রুপে পৃথক হয়। আমি অনুমান করি যে রোগী এবং বহিরাগত রোগীরা কেবলমাত্র একা প্রচলিত অবস্থায় নয়, বহু দিক থেকে পৃথক হতে পারে, তাই আরও কিছু কারণ সংবেদনশীলতাটিকে প্রভাবিত করতে পারে। সুতরাং আমি সম্মত হই যে তারা বিভিন্ন ডেটাসেটের মধ্যে পরিবর্তিত হতে পারে , যা বিস্তারে পৃথক, তবে পরিবর্তনটি নিজেই বিস্তারের কোনও ফাংশন হবে না (যেমন তার উত্তরটিতে @ গুং দেখিয়েছেন )।

$p(\text{positive test}\mid\text{condition})$

পি (শর্ত | ইতিবাচক পরীক্ষা) α পি (ইতিবাচক পরীক্ষা | শর্ত) \times পি (শর্ত)

$p(\text{condition}\mid\text{positive test}) \propto p(\text{positive test}\mid\text{condition})\times p(\text{condition})$

এবং অনেক ক্ষেত্রেই লোকেরা আগ্রহী হওয়ার সম্ভাবনা এটিই রয়েছে ("ইতিবাচক পরীক্ষার ফলস্বরূপ একজন রোগী আসলে এই রোগ হওয়ার সম্ভাবনা কতটা সম্ভবত?") এবং এটি প্রকোপের উপর নির্ভর করে। লক্ষ্য করুন যে আপনার লিঙ্কটিও সংবেদনশীলতার উপরে নয়, ইতিবাচক ভবিষ্যদ্বাণীমূলক মান, অর্থাৎ উত্তরোত্তর সম্ভাবনার উপর বিস্তারের প্রভাব নিয়ে আলোচনা করে।

— টিম
সূত্র

আমি পূর্বের উত্তরের একটি হিসাবে যেমন উল্লেখ করেছি, আমি নিশ্চিত যে লেখকরা এটি উত্তরোত্তর সম্ভাবনার সাথে বিভ্রান্ত করেননি, যেহেতু তারা স্পষ্টভাবে উল্লেখ করেছে যে "অনেকগুলি গ্রন্থ এখনও এই বিবৃতি দেয়"। এবং আমি অন্য উত্সটিও উদ্ধৃত করেছিলাম, হ্যালিসনের মতো অ্যালথোগুহ নির্ভরযোগ্য নয়, যে বলে যে এটি একটি নিরাপদ 'অনুমান'। আমি শুধু জানতে চাই, 'অনুমান' কী?

— পলিসেটি

2

@ পলিসেটি আমি লেখকদের পক্ষে বলতে পারছি না, তবে উদ্ধৃতি থেকে তারা মনে হয় যে তারা স্বাধীনতাকে প্রচলিতভাবেই "অনুমান" বলে অভিহিত করেছে, তবে এটি বরং গাণিতিক সত্য তবে অনুমান করা। যদি এটি না ধরে থাকে তবে এর অর্থ হ'ল সম্ভাবনা তত্ত্বটি নষ্ট হয়ে গেছে এবং তা নেই isn't

— টিম

সংবেদনশীলতা এবং নির্দিষ্টতা ডায়াগনস্টিক পরীক্ষার স্থির বৈশিষ্ট্য হিসাবে বিবেচনা করা যেতে পারে। [এটি সামান্য সরলকরণ, তবে এটি আমাদের উদ্দেশ্যগুলির পক্ষে যথেষ্ট ভাল]। - এটি যা বলে তা ঠিক করে দেয়

— পলিসেটি

3

দেখুন আমার উত্তর এখানে সত্য / মিথ্যা ইতিবাচক / নেতিবাচক হারের উপর।

সংবেদনশীলতা সত্য ধনাত্মক হারের অন্য একটি নাম এবং নির্দিষ্টতা সত্য negativeণাত্মক হারের মতো। সংবেদনশীলতা এবং নির্দিষ্টতা উভয়ই শর্তাধীন সম্ভাবনা; তারা রোগীর রোগের অবস্থা সম্পর্কে শর্ত দেয়। আপনি কোনও নির্দিষ্ট রোগের অবস্থা হিসাবে ধরে নিচ্ছেন তাই এই রোগের প্রাদুর্ভাব (যেমন রোগীর এই রোগ হওয়ার প্রাথমিক সম্ভাবনা) অপ্রাসঙ্গিক ।

কেন পাঠ্যপুস্তকের লেখক দাবি করেছেন যে সংবেদনশীলতা এবং নির্দিষ্টতা ক্লিনিকাল প্রসঙ্গে নির্ভর করে। এই অভিজ্ঞতা অভিজ্ঞতা কি?

— tddevlin
সূত্র

যথাযথভাবে। সুতরাং প্রশ্ন। পরীক্ষার সংবেদনশীলতা নির্ভর করে যেখানে ব্যবহৃত হয় সেই জনসংখ্যার উপর। এটি যে স্বাধীন তা অনুমান করা সর্বদা সত্য হয় না। আমি জিজ্ঞাসা করছি কিভাবে এবং কেন। বইটি পরে

— মানগুলিও

সংবেদনশীলতা এবং নির্দিষ্টকরণকে প্রভাবিত করে এমন জনসংখ্যা-নির্দিষ্ট কারণ থাকতে পারে। কিন্তু এটা সংবেদনশীলতা এবং বিশেষত্বের গাণিতিক সংজ্ঞা থেকে যায় যে ব্যাপকতা না পারেন, এই উপাদানগুলির এক হতে, অন্তত সরাসরি নয়। (যাইহোক, আপনি যদি আমার গাণিতিক সংজ্ঞাগুলির ব্যাখ্যা দিয়ে সন্তুষ্ট হন তবে নির্দ্বিধায় আমার উত্তরটি নির্ধারণ করুন))

— ডিডিডলিন

দুঃখিত, আমার ধারণা এটি পরিষ্কার ছিল না। আমি গাণিতিকভাবে সংবেদনশীলতা এবং প্রচলনের মধ্যে সম্পর্কটি জানতে চেয়েছিলাম। আমি জানি তারা কীভাবে সংজ্ঞায়িত হয়। আমার ধারণা, সম্পর্কটি যেভাবে গণনা করা হয় তার কারণে ঘটে। সংবেদনশীলতা টিপি / (টিপি + এফএন) যখন

— প্রসারটি

P (Disease)

$P(\text{Disease})$

P (+ | disease)

$P(+|\text{disease})$

হ্যারিসনের ভুল হবে না। এমনকি এই লিঙ্কটি এটিকে সরলীকরণ বলে calls med.uottawa.ca/sim/data/ সংবেদনশীলতা_আর_প্রভেদী_ইচটিএম

— পলিসিটি

1

আমি অবশ্যই লেখকের উদ্দেশ্য নিয়ে কথা বলতে পারি না, তবে এখানে এই বক্তব্যের পক্ষে আমার যুক্তি হবে:

ডায়াগনস্টিক পরীক্ষা নিজেই ক্লিনিকাল প্রসঙ্গ বিবেচনা করুন। সঙ্গে এক খুব দরিদ্র সংবেদনশীলতা এবং বিশেষত্বের, কিন্তু একটি পরীক্ষা কেউ কম। আপনি যদি হাসপাতালে থাকেন তবে আপনি সম্ভবত অসুস্থ হয়ে পড়বেন। আপনি যদি হাসপাতালে না থাকেন তবে আপনি অসুস্থ হওয়ার সম্ভাবনা নেই।

এই দৃষ্টিকোণ থেকে, আপনি সঞ্চালিত আসল ডায়াগনস্টিক পরীক্ষাটি আসলে সিরিয়ালে করা দুটি পরীক্ষার দ্বিতীয় অংশ।

— Fomite
সূত্র

আপনার ব্যাখ্যায় অগ্রাধিকারগুলি বৃহত্তর উত্তরোত্তর সম্ভাবনার দিকে পরিচালিত করছে। ঐটা সত্য. তবে সংবেদনশীলতা কীভাবে পরিবর্তিত হয় তা প্রশ্ন।

— পলিসেটি

@ পলিসেটি যদি আপনি কোনও উচ্চতর উত্তরোত্তরকে একটি ইতিবাচক পরীক্ষা বলে থাকেন? "ক্লিনিকাল প্রসঙ্গটি নিজেই একটি পরীক্ষা" " আমি মনে করি যে কোনও নির্বিচারে সিদ্ধান্ত নেওয়া পরীক্ষাটি এইভাবে প্রচলনের উপর নির্ভর করে তৈরি করা যেতে পারে, সুতরাং "পরীক্ষা" আরও সুনির্দিষ্টভাবে সংজ্ঞায়িত করা উচিত। আমি মনে করি বিবৃতিটি কিছু প্রক্সি পরিমাপের একটি দোরের উপর ভিত্তি করে সাধারণ বিভিন্ন পরীক্ষার জন্য প্রযোজ্য।

— সাত্তিক পাসানী

1

এটি অবশ্যই একটি ভুল হতে হবে। আমি মনে করি সম্ভবত লেখক পরামর্শ দেওয়ার চেষ্টা করছেন যে ইতিবাচক এবং নেতিবাচক ভবিষ্যদ্বাণীমূলক মান (পিপিভি এবং এনপিভি) বিস্তারের উপর নির্ভরশীল (পাশাপাশি সংবেদনশীলতা এবং নির্দিষ্টতা)। এগুলি প্রায়শই ডায়াগনস্টিক টেস্টগুলির সাথে এবং কোনও চিকিত্সকের কাছে আলোচনা করা হয়, সম্ভবত সংবেদনশীলতা এবং নির্দিষ্টতার কাঁচা ব্যাখ্যার চেয়ে মূল্যবান।

এই গ্রাফটি 95% সংবেদনশীলতা এবং 85% নির্দিষ্টতা সহ একটি পরীক্ষার জন্য, পিপিভি এবং এনপিভি-র মধ্যে বিস্তারের সম্পর্ককে প্রদর্শন করে।

মাউসনার জেএস থেকে, ক্রামার এস: মাউসনার এবং বাহন এপিডেমিওলজি: একটি পরিচিতি পাঠ্য। ফিলাডেলফিয়া, ডাব্লুবি স্যান্ডার্স, 1985, পি। 221।

— prince_of_pears
সূত্র

1

@ স্যাটউইক, @ গুং এবং @ টিম ইতিমধ্যে প্রচুর বিশদ সরবরাহ করেছে, তবে আমি অন্তর্নিহিত কারণগুলির ক্ষেত্রে কীভাবে এমন প্রভাব ফেলতে পারে তার একটি ছোট উদাহরণ চেষ্টা করব এবং যুক্ত করব।

একটি মূল নীতি: বায়াস

সংবেদনশীলতা / সুনির্দিষ্টতা এবং সমস্ত পরিসংখ্যান পরীক্ষাগুলি একই সতর্কতা অবলম্বন করে: এটি কেবলমাত্র পূর্বের মতো একই নমুনা পদ্ধতি পুনরাবৃত্তি করতে প্রযোজ্য।

হাসপাতালগুলি পক্ষপাতমূলক নমুনা তৈরির জন্য ডিজাইন করা সংস্থাগুলি পরিচালনা করছে, ভর্তির নীতি ব্যবহার করে ভর্তি এবং চিকিত্সার জন্য প্রয়োজনীয় জনসাধারণকে ফিল্টার করতে ভর্তি নীতি ব্যবহার করে। এটি বৈজ্ঞানিক পদ্ধতির খুব বিরুদ্ধাচরণ। যদি আপনি জানতে চান যে কোনও পরীক্ষা কীভাবে বিভিন্ন জনগোষ্ঠীতে কার্য সম্পাদন করে তবে এটি বিভিন্ন জনগোষ্ঠীতে পরীক্ষা করা দরকার।

সুপ্ত প্রভাব: সম্পর্ক

কোনও রোগের জন্য অন্যান্য ঝুঁকির কারণগুলির জন্য ডায়াগনস্টিককে স্বাধীন / অরথোগোনাল হওয়া খুব বিরল (বা সত্যিকারের বিশ্বে অসম্ভব), তাই কিছুটা পারস্পরিক সম্পর্ক রয়েছে।

যদি হাসপাতালে ভর্তির জন্য পর্দাটি ডায়াগনস্টিকের সাথে ইতিবাচকভাবে সম্পর্কিত হয় তবে আপনি যা খুঁজে পাবেন তা হল যে যারা ভর্তি পরীক্ষায় উত্তীর্ণ হন তারা ডায়াগনস্টিকের সাথে ইতিবাচক, আনুপাতিক সমানুপাতিক ফলাফলের পক্ষে ইতিবাচক হয়ে থাকেন। সুতরাং সত্য ধনাত্মক সমৃদ্ধ হয় এবং মিথ্যা নেতিবাচক সম্পর্কের আনুপাতিক পরিমাণ দ্বারা হ্রাস করা হয়।

এরপরে সংবেদনশীলতা আরও বড় হয় appear

ঘটনার ব্যাখ্যা

হাসপাতাল ভিত্তিক প্রসঙ্গে সংবেদনশীলতা বেশি হতে পারে এমন একটি পর্যবেক্ষণ তাই অবাস্তব নয়। প্রকৃতপক্ষে যদি ভর্তি নীতিটি ভালভাবে চিন্তাভাবনা করা হয় এবং উদ্দেশ্য অনুসারে উপযুক্ত হয় তবে এটি আশা করা যায়।

সংবেদনশীলতা এবং সুনির্দিষ্টতা প্রচলিত স্বাধীনতা অনুমানের কোনও ভাঙ্গনের প্রমাণ নয়, বরং এটি হাসপাতালে ভর্তির নীতিমালার ভিত্তিতে পক্ষপাতমূলক নমুনার প্রমাণ।

কোনটি হসপিটাল দেওয়া আছে সেখানে লোকদের চিকিত্সা করার জন্য এবং বৈজ্ঞানিক পরীক্ষা-নিরীক্ষা না করার জন্য, অবশ্যই একটি ভাল জিনিস।

তবে এটি বিজ্ঞানীদের মাথাব্যথা দেয়।

— ReneBt
সূত্র

সংবেদনশীলতা বা নির্দিষ্টতা কি বিস্তারের কাজ?

উদাহরণ

একটি মূল নীতি: বায়াস

সুপ্ত প্রভাব: সম্পর্ক

ঘটনার ব্যাখ্যা