EPI: Diagnostiek Flashcards

1
Q

De leerdoelen zijn:
1. Opfrissen: maten voor de accuratesse van een test
Voorspellende waarden, sensitiviteit, specificiteit
2. Schatten kans op ziekte na testresultaat
Likelihood ratio
3. Wat gebeurt er als je tests combineert?
Parallelle vs. seriële testcombinatie
4. Hoe weten we hoe accuraat een test is?
Accuratessestudies en bias

A

hell yeah

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Wat is accuratesse (nauwkeurigheid) en waarom is het belangrijk om deze van een test te weten?

A
  1. Om de kans op ziekte in te schatten o.b.v. een testresultaat (focus van dit onderwijs)
    ofwel hoe goed een test onderscheid kan maken tussen ziek/niet-ziek
  2. Om beslissingen te nemen over het wel/niet gebruiken van een test, of kiezen van een test uit meerdere tests
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Wat is de gouden standaard?

A

Bestaat vaak niet dus we spreken liever over een ‘referentie-standaard’

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Hoe interpreteer je een positief voorspellende waarde? Wat zegt een hoge PVW?

VB: rode urine vs cystoscopie voor diagnose blaaskanker

A

Als ik rode urine heb, wat is de kans op blaaskanker?

Als PVW hoog is (≈100%) egt men dat de positieve testuitslag e ziekte ‘insluit’

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Hoe bereken je een PVW?

A

TP/(TP+FP)
A / (A+B)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Hoe interpreteer je een negatief voorspellende waarde? Wat zegt een hoge NVW?

A

Als ik normale urine heb, wat is de kans dat er geen blaaskanker is?
Als NVW hoog is (≈100%) zegt men dat de negatieve testuitslagde ziekte ‘uitsluit’

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Hoe bereken je NVW?

A

TN/(FN+TN)
D / (C + D)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Hoe interpreteer je de sensitiviteit?

A

Van mensen met blaaskanker, wat is de % mensen met rode urine?

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Hoe bereken je de sensitiviteit?

A

TP/(TP+FN)
A / (A + C)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Hoe interpreteer je de specificiteit?

A

Van mensen zonder blaaskanker, wat is het % mensen met normale urine?

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Hoe bereken je de specificiteit?

A

TN/(FP+TN)
D / (B + D)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Wat gebeurd er met de PVW en NVW als een ziekte vaker voor komt?

A

Dan is er een hogere prevalentie / voorafkans.
Dus de PVW stijgt en de NVW daalt

Intuitief: (1) als de ziekte heel vaak voorkomt en (2) als je positief test → de kans op ziekte is vrij groot!

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Wat gebeurt er met de sensitiviteit en specificiteit als een ziekte vaker voorkomt?

A

Die blijft ‘stabiel’!

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Stelling: PVW en NVW zijn erg afhankelijk van de ziekte-prevalentie

A

Klopt

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Waar zijn artsen meer geïnteresseerd in? PVW/NVW of spec/sens?

A

PVW/NVW (= kans op ziekte na een testresultaat)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Wanneer zijn spec/sens handig?

A

als je eigenschappen van de test wilt weten zonder invloed van prevalentie

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

We hebben het gehad over dichotome testen. Nu gaan we kijken naar continue testen.
Waarom heb je een afkappunt nodig voor continue testen?

A

We hebben een ‘afkappunt’ nodig waarboven de test het als ‘positief’ geldt

Er kunnen meerdere afkappunten zijn

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

Welk type grafiek gebruiken we om een afkappunt te bepalen?

A

Receiver operating characteristic (ROC) plot

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

Samenvatting tot dusver:
We willen weten hoe accuraat een test is. Daarvoor is een goede referentiestandaard nodig
Voorspellende waarden zijn de kans op ziekte bij een testuitslag
Sensitiviteit en specificiteit zijn minder afhankelijk van ziekte-prevalentie
Voor continue testen kiezen we vaak een afkappunt voor test positiviteit

A

Nice

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

Wat is de voorafkans (a priori kans)?

A

kans op ziekte vóór de test

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

Waar is de voorafkans soms gelijk aan?

A

prevalentie

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
22
Q

Wat is de achterafkans (a posteriori kans) ?

A

kans op ziekte na de test

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
23
Q

Waar is de achterafkans soms gelijk aan?

A

PVW en 1-NVW

24
Q

Wat is het verschil tussen vooraf/achterafkans en positief/negatief voorspellende waarde?

A

Vooraf en achterafkans: eigenschap van het individu
Prevalentie en PVW/1-NVW: eigenschap van de populatie

25
Q

Prevalentie kan een benadering geven van de voorafkans, maar kansen kunnen sterk verschillen per individu. Kan je hiervan een voorbeeld bedenken?

A

Prevalentie blaaskanker in een populatie: 10%
Voorafkans 30-jarige ook 10%? Voorafkans 70-jarige ook 10%?

26
Q

Stel dat je een andere voorafkans hebt dan bij de gemiddelde populatie, hoe ga je dan naar een achterafkans bij een positief testresultaat?

A

D.m.v. likelihood ratio!

27
Q

Hoe interpreteer je de (positieve) likelihood ratio?

A

Hoeveel vaker komt een + testresultaat voor bij zieken? (vergeleken met niet-zieken)

28
Q

Hoe bereken je de positieve LR?

A

Hoe vaak een + test voorkomt bij zieken: TP/(TP+FN)
Hoe vaak een + test voorkomt bij niet-zieken: FP/(FP+TN)
Positive likelihood ratio = (TP/(TP+FN)) / (FP/(FP+TN)) = sensitiviteit / (1-specificiteit)

29
Q

Wat betekent het als de LR 1 is?

A

Dan komt een positieve testuitslag evenvaak voor bij zieken en niet-zieken  heb je dus niks aan

30
Q

Met de rekenvoorbeelden in presentatie en practicum lijkt t dat je voor de toets ook moet kunnen rekenen van odds -> LR e.d. Kijk goed zelf naar de sommen hoe je dit doet

A

Yes ma’am (komt hier maar beetje aan bod)

31
Q

Hoe transformeer je kans in odds?

A

kans / (1 - kans)

32
Q

Hoe transformeer je odds naar kans?

A

odds / (1 + odds)

33
Q

Hoe interpreteer je een negatieve LR?

A

Hoeveel vaker komt een - testresultaat voor bij zieken? (vergeleken met niet-zieken)

34
Q

Hoe bereken je een negatieve LR?

A

Hoe vaak een - test voorkomt bij zieken: FN/(TP+FN)
Hoe vaak een - test voorkomt bij niet-zieken: TN/(FP+TN)
Negative likelihood ratio = (FN/(TP+FN)) / (TN/(FP+TN)) = (1-sensitiviteit) / specificiteit

35
Q

Wat zijn de voordelen van LRs?

A

Maakt mogelijk om voor de individuele patiënt een achterafkans te berekenen
Zelfs wanneer de testuitslag niet dichotoom is

36
Q

Wat zijn de nadelen van LRs?

A

Lastig berekenen met odds (rekenmachine nodig)
Aanname: likelihood ratio blijft hetzelfde bij verschillende patiënten
Hoeft niet, want een test kan accurater zijn bij de ene, en minder accuraat bij de ander

37
Q

Veel informatie gaat … als je continue uitslagen omzet in dichotome.

A

verloren

daarom wil je eigenlijk een LR van een continue/specifiek resultaat

38
Q

Samenvatting tot dusver:
Kans op ziekte in populatie ≠ kans op ziekte in individu
Bij individueel toepassen van een test willen we van voorafkans → achterafkans
Met likelihood ratios (LRs) kunnen we de achterafkans schatten, maar ermee rekenen is tijdrovend
LRs leert ons: interpreteer extreem hoge of lage testresultaten anders dan ‘borderline’ resultaten

A

Okok still following

39
Q

Welke twee methodes zijn er om meerdere testen te combineren?

A

Parralel en serieel testen

40
Q

Hoe werkt parallel testen?

A

Bij parallel testen moet er minimaal 1 test positief zijn om een patient te definieren als ‘ziek’.

41
Q

Hoe werkt serieel testen?

A

Serieel testen zijn testen na elkaar, maar je doet test B alleen als test A positief is. Dus beide testen moeten positief zijn

42
Q

Wat gebeurd er met de spec/sens bij gebruik van parallel testen?

A

Sensitiviteit gaat vaak omhoog bij parallel testen, specificiteit wordt zo hoog als de laagste test die je gebruikt

43
Q

Wat gebeurd er met de spec/sens bij gebruik van serieel testen?

A

Met deze techniek gaat sensitiviteit omlaag en specificiteit omhoog.

44
Q

Hoe hoog/laag kan de sens/spec zijn bij parallel testen?

A

Sensitiviteit: in principe* ↑
Sens kan niet lager zijn dan de hoogste sens (van de 2 tests)
Specificiteit: in principe* ↓
Spec kan niet hoger zijn dan de laagste spec (van de 2 tests)

Intuïtief: als 1 test positief is, is het positief
Gewoon meer positieve tests (dus meer TP, meer FP)
Nuttig als je minder zieken wilt missen (je wilt minder FN)

*‘In principe’, want de accuratesse hangt af van de agreement van de 2 tests

45
Q

Hoe hoog/laag kan de sens/spec zijn bij serieel testen?

A

Sensitiviteit: in principe ↓
Sens kan niet hoger zijn dan de sens van de 1e test
Specificiteit: in principe ↑
Spec kan niet lager zijn dan de spec van de 1e test

Intuïtief: pas positief als beide tests positief
Gewoon meer negatieve tests (dus meer FN, meer TN)
Nuttig als geen van de tests specifiek is voor de ziekte

Serieel: niet iedereen een invasieve of dure test

46
Q

Samenvatting tot nu toe

Met slim combineren van tests kun je de accuratesse veranderen/verhogen
Parallelle combinatie: in principe* sens↑ spec↓
Seriële combinatie: in principe* sens ↓ spec↑

*Daadwerkelijke accuratesse van de combi hangt af van de agreement van de tests in zieken en niet-zieken

A

toppie joppie gaat lekker

47
Q

Accuratesse is geen vaste eigenschap van een test. Leg uit

A

Het is afhankelijk van hoe je het onderzoek uitvoert. Altijd afvragen: welke patiëntenpopulatie, welke versie van de test, welke diagnose, welke referentiestandaard en was de studie wel goed uitgevoerd (bias).

48
Q

Wat voor type studies zijn accuratessestudies? en wat is het nadeel hiervan?

A

Ale accuratessestudies zijn cross-sectionele studies. We willen weten of de index test een ziekte kan detecteren die op hetzelfde moment aanwezig is. Soms hebben studies wel een follow-up periode nodig voor de referentiestandaard (verborgen ziekte manifesteert later)

49
Q

Bij case-control studies is er vaak sprake van een ‘two-gate’ design. Wat houdt dit in en wat voor effect heeft dit?

A

Alleen de extreem gezonde en extreem zieke patiënten worden geincludeerd in de studie.

Ernstig zieke patiënten worden door de index test makkelijk als ‘positief’ aangeduid -> minder fout-negatieven -> overschatting sensitiviteit

Compleet gezonde mensen worden door de index test makkelijk als ‘negatief’ aangeduid -> minder fout-positieven -> overschatting specificiteit

50
Q

Wat zorgt voor vertekening bij de case-controls studies?

A

Patiënten selectie (single-gate vs. two-gate)
Index test uitvoering
Referentiestandaard uitvoering
Verlies van patiënten (uit de studie)

51
Q

Wat voor vertekening verwacht je als er geen blindering is bij de index test?

A

Dan is deze geïnterpreteerd met kennis van de referentiestandaard-uitslag en dat is m.n. problematisch als de interpretatie van de test subjectief is

52
Q

Wat voor vertekening verwacht je als de referentiestandaard geen blindering heeft?

A

Dan is de referentiestandaard niet goed in het onderscheiden tussen zieken en neit-zieken

53
Q

Waardoor kan je verlies van patiënten hebben tijdens de studie?

A

Exclusie (test niet uitgevoerd volgens protocol)
Patiënten die noch + noch - testuitslag krijgen
Patiënten die geen referentie standaard hebben gehad (partiele verificatie)

→ Hierdoor is je steekproef wellicht niet meer representatief!

54
Q

Samenvatting tot dusver
- Accuratessestudies grofweg in te delen in single-gate en two-gate
- Bronnen van bias in accuratessestudies:
- Two-gate design
-Geen geblindeerde interpretatie van tests
-Geen goede referentiestandaard
-Verlies van patiënten tijdens de studie

A

yesss de laatste

55
Q

Take home messages

A

Als arts is het belangrijk om accuratessematen volledig te beheersen
→ Inschatting van kans op ziekte bij een patiënt

Kans op ziekte in populatie ≠ kans op ziekte in individu
→ Pas op met generaliseren van kansen naar het individu

Accuratesse is geen ‘vaste eigenschap’ van een test
→ Varieert met setting, populatie en studiedesign!