Using Generalizability Theory to Ev

Using Generalizability Theory to Evaluate the Applicability of a Serial Bayes Model in Estimating the Positive Predictive Value of Multiple Psychological or Medical Tests

Clarence D. Kreiter
Office of Consultation and Research in Medical Education, Department of Family Medicine, University of Iowa, Iowa City, USA.
Email: [e-mail]
Received May 10th, 2010; revised June 14th, 2010; accepted June 16th, 2010.
ABSTRACT
Introduction: It is a common finding that despite high levels of specificity and sensitivity, many medical tests are not highly effective in diagnosing diseases exhibiting a low prevalence within a clinical population. What is not widely known or appreciated is how the results of retesting a patient using the same or a different medical or psychological test impacts the estimated probability that a patient has a particular disease. In the absence of a ‘gold standard’ special techniques are required to understand the error structure of a medical test. Generalizability can provide guidance as to whether a serial Bayes model accurately updates the positive predictive value of multiple test results. Methods: In or-der to understand how sources of error impact a test’s outcome, test results should be sampled across the testing condi-tions that may contribute to error. A generalizability analysis of appropriately sampled test results should allow re-searchers to estimate the influence of each error source as a variance component. These results can then be used to determine whether, or under what conditions, the assumption of test independence can be approximately satisfied, and whether Bayes theorem accurately updates probabilities upon retesting. Results: Four hypothetical generalizability study outcomes are displayed as variance component patterns. Each pattern has a different practical implication re-lated to achieving independence between test results and deriving an enhanced PPV through retesting an individual patient. Discussion: The techniques demonstrated in this article can play an important role in achieving an enhanced positive predictive value in medical and psychological diagnostic testing and can help ensure greater confidence in a wide range of testing contexts.
Keywords: Generalizability Theory, Bayes, Serial Bayes Estimation, Positive Predictive Value, Psychological Testing, Serial Medical Testing


1. Introduction
When a medical disease’s prevalence and a medical test’s specificity and sensitivity are known, an equations based on Bayes Theorem provides useful information related to the diagnostic power of a medical test. It is a common finding that despite high levels of specificity and sensitivity, many medical tests are not highly effec-tive in diagnosing diseases with a low prevalence within a clinical population [1]. Since a large number of dis-eases occur only in a small proportion of the population (i.e. have low prevalence), the low positive predictive value (PPV) of medically diagnostic tests is of obvious concern to physicians attempting to identify the presence of a low prevalence disease. To provide an example, let’s suppose a physician is attempting to determine whether a patient has a disease that occurs in 1% of a defined pa-tient population. When the test is performed on patients with the disease, it yields a positive test result indicating the presence of the disease in 90% of the patients (sensi-tivity equals .90). When the test is performed on patients without the disease, it correctly identifies 98% of those patients as disease free (specificity equals .98). An equa-tion based on Bayes Theorem can be used to calculate the probability that a patient with a positive test result actually has the disease. The simple equation for calcu-lating this probability is:
P (A | B) = P (B | A) * P (A) / P (B) (1)
Equation (1) describes the probability that a patient

Using Generalizability Theory to Evaluate the Applicability of a Serial Bayes Model in Estimating the 195 Positive Predictive Value of Multiple Psychological or Medical Tests has the disease given a positive test result [P (A | B)], and equals the probability of a positive test result given the patient has the disease [P (B | A) - sensitivity] multiplied by the probability of the disease [P (A) - prevalence] divided by the overall probability of a positive test result within the population [P (B)]. The denominator in Equa-tion (1), the overall prior probability of a positive test result, is derived as shown in Equation (2), where j is 1, 2… and takes on as many values as there are hypotheses. In the case being discussed in this example problem, there are just two possible hypotheses (Ho1: the patient has the disease – Ho2: the patient does not have the dis-ease) and hence in this example the sum is taken over just two levels. Hence, the overall probability of a posi-tive test result is the sum of the probabilities of a positive test in those with (sensitivity) and without (1 – specificity) the disease each multiplied by their prevalence in the population.
P ( B ) = [Σ j P ( B | A j ) P ( A j )] (2)
Equation (3) displays the calculation using the levels of specificity, sensitivity and prevalence discussed in our example. Despite high levels of specificity and sensitiv-ity, the patient with a positive test result has only a 31% chance of actually having the disease. This is a common and well known type of finding related to medical testing designed to detect low prevalence diseases.
P ( A | B ) = .90 * .01 / ((.90 * .01) + (.02 * .99)) = .31
(3)
What is not widely known or appreciated is how the results of retesting a patient using the same or different test will impact the estimated probability that the patient has the disease. There is little guidance in the medical or psychological literature regarding whether or how the results from serial testing improve the ability to diagnosis disease when the structure or cause of the dependence between tests is uncertain. However, it is clearly impor-tant for clinicians to understand how the PPV changes when a patient is administered a second or third medical or psychological test. When the assumption of test inde-pendence applies, a serial Bayes model may provide guidance within contexts like those presented in the ex-ample just discussed.
When probabilities from a previous Bayes calculation are used to update estimates of the prior probability [P (A)], and when independence is confirmed, we can use a Bayes serial calculation to derive the probability that a patient has the disease given a second test result. Equa-tion (4) presents the next step in the context of our ex-ample using a Bayes serial calculation for a second con-secutive positive test under the assumption that the two tests are independent. With a second positive result, the probability of having the disease goes from .31 to .95, and our confidence in the diagnosis appears to improve dramatically. It should be noted that under the assump-tion of independence, parallel testing may also yield an outcome similar to serial testing. So, although the focus of this paper is on sequential or serially administered tests, when time or the occasion of the test is not an im-portant factor in determining test independence, what is reported and discussed here may also apply to parallel testing.
P ( A | B ) = .90 * .31 / ((.90 * .31) + (.02 * .69)) = .95
(4)
From the outcome presented in Equation (4), it appears that the PPV of tests used to detect low prevalence dis-eases may be dramatically improved simply by adminis-tering the test a second or third time. However as men-tioned, such positive outcomes rely on an independence assumption that is critical to the valid application of the serial Bayes probability model and implies that the error rate for each test is independent. Therefore, to determine whether an enhancement of PPV can be achieved by re-testing, it is necessary to first establish the primary source(s) of test error and whether, or under what condi-tions, each medical test can be regarded as independent.
When a “gold standard” is available for determining the accuracy of a fallible test, establishing the independ-ence between two test administrations is straight forward. One needs simply to twice calculate the specificity and sensitivity for the second test administration, once for the group of patients who test positive on the first test and once for the group of patients who tested negative on the first test. If the two calculations are in close agreement, the assumption of independence is satisfied. Unfortu-nately, a “gold standard” method for checking test accu-racy is often not available, and other procedures are re-quired.
Independence between test results can be achieved when clinicians randomly sample from the test-related variables that contribute to error and when each disease positive patient is equally likely to display a false nega-tive test result and when each disease negative patient is equally likely to display a false positive test result. In-deed, when the conditions leading to test independence are understood, the utility of testing in a low prevalence disease context can often be dramatically enhanced by a simple random replication of a testing process that sam-ples from the variables contributing to error. To ascertain under what conditions an independence assumption is satisfied, researchers must first investigate and under-stand the error structure of medical or psychological test outcomes. Given the potential for dramatically enhanced diagnostic accuracy, such research is critically important in improving the utility of certain tests with low PPV.
Within many testing contexts, it is often not possible to establish the accuracy of a fallible test by comparing it

Using Generalizability Theory to Evaluate the Applicability of a Serial Bayes Model in Estimating the 196 Positive Predictive Value of Multiple Psychological or Medical Tests to

ผลลัพธ์ (ไทย) 1:

ใช้ทฤษฎี Generalizability ประเมินความเกี่ยวข้องของแบบจำลอง Bayes ประจำในการประมาณค่าคาดการณ์บวกของการทดสอบทางจิตวิทยา หรือทางการแพทย์หลายClarence D. Kreiter สำนักให้คำปรึกษาและการวิจัยในการศึกษาทางการแพทย์ ภาควิชาเวชศาสตร์ครอบครัว เมืองมหาวิทยาลัยไอโอวา รัฐไอโอวา สหรัฐอเมริกา อีเมล์: [e-mail] 10 พฤษภาคม 2010 ได้รับ ปรับปรุง 14 มิถุนายน 2010 16 มิถุนายน 2010 ที่ยอมรับ บทคัดย่อ แนะนำ: มันเป็นการค้นหาทั่วไปแม้ มีระดับสูงของความไวและ specificity การทดสอบทางการแพทย์มากมายที่ไม่มีประสิทธิภาพสูงในการวินิจฉัยโรคอย่างมีระดับความชุกต่ำภายในประชากรทางคลินิก สิ่งที่เป็นรู้จักกันไม่แพร่หลาย หรือนิยมเป็นวิธีผล retesting ผู้ป่วยใช้เดียวกันหรือการทดสอบทางการแพทย์ หรือทางจิตใจแตกต่างกันส่งผลกระทบต่อความน่าเป็นการประเมินว่า ผู้ป่วยมีโรคเฉพาะ ในกรณีเป็น 'มาตรฐาน' เทคนิคพิเศษจะต้องเข้าใจโครงสร้างของข้อผิดพลาดของการทดสอบทางการแพทย์ Generalizability สามารถให้คำแนะนำต่อว่าแบบ Bayes ประจำอย่างการบวกคาดการณ์ผลการทดสอบต่าง ๆ วิธีการ: ใน หรือ-der เข้าใจว่าแหล่งที่มาของข้อผิดพลาดส่งผลกระทบต่อผลการทดสอบ ผลการทดสอบควรอย่างผ่านการทดสอบเบาะ ๆ ว่าพวกเขา-tions ที่อาจนำไปสู่ข้อผิดพลาด วิเคราะห์ generalizability ของผลการทดสอบตัวอย่างเหมาะสมควรให้ผู้ใหม่ในการประเมินอิทธิพลของแต่ละแหล่งข้อผิดพลาดเป็นส่วนประกอบความแปรปรวน ผลลัพธ์เหล่านี้สามารถนำไปใช้เพื่อกำหนดว่า หรือภาย ใต้ เงื่อนไข สมมติฐานของการทดสอบความเป็นอิสระประมาณน่าพอใจ และว่าทฤษฎีบท Bayes ถูกต้องปรับปรุงกิจกรรมตาม retesting ผล: ผลศึกษา generalizability สมมุติสี่จะแสดงเป็นรูปแบบส่วนประกอบต่าง แต่ละรูปแบบมีปริยายปฏิบัติแตกต่างกันเรื่อง lated เพื่อบรรลุความเป็นอิสระระหว่างทดสอบ และบริษัทฯ มี PPV เพิ่มผ่าน retesting ผู้ป่วยแต่ละ คำอธิบาย: เทคนิคการแสดงในบทความนี้สามารถมีบทบาทสำคัญในการบรรลุค่าบวกคาดการณ์การเพิ่มขึ้นในทางการแพทย์ และจิตวิทยาวิเคราะห์ทดสอบ และสามารถช่วยให้ความมั่นใจมากขึ้นในหลากหลายบริบทการทดสอบ คำสำคัญ: ทฤษฎี Generalizability, Bayes, Bayes ประจำประเมิน ค่าคาดการณ์บวก ทดสอบทางจิตวิทยา การทดสอบทางการแพทย์ประจำ 1. บทนำ เมื่อชุกของโรคทางการแพทย์ และการแพทย์ทดสอบ specificity และความไวเป็นที่รู้จักกัน สมการการตามทฤษฎีบท Bayes ให้ข้อมูลที่เป็นประโยชน์ที่เกี่ยวข้องกับอำนาจของการทดสอบทางการแพทย์การวินิจฉัย จึงค้นหาทั่วไปที่แม้ มีระดับสูงของความไวและ specificity ทดสอบในทางการแพทย์ที่ไม่สูง effec-tive ในการวินิจฉัยโรคมีความชุกต่ำภายในประชากรทางคลินิก [1] เนื่องจากช่วยลดจำนวนที่เกิดขึ้นเฉพาะในสัดส่วนเล็ก ๆ ของประชากร (เช่นมีชุกต่ำ), ต่ำคาดการณ์ค่าบวก (PPV) ของการทดสอบวินิจฉัยทางการแพทย์เป็นแพทย์พยายามที่จะระบุสถานะของโรคชุกน้อยกังวลชัดเจน ให้ตัวอย่าง ลองสมมติว่า แพทย์กำลังพยายามตรวจสอบว่า ผู้ป่วยมีโรคที่เกิดขึ้นใน 1% ของประชากร tient ป่ากำหนดไว้ เมื่อทำการทดสอบในผู้ป่วยที่มีโรค มันทำให้ผลการทดสอบค่าบวกบ่งชี้ของโรคใน 90% ของผู้ป่วย (เซนซิ tivity เท่ากับ.90). เมื่อทำการทดสอบในผู้ป่วยไม่มีโรค มันถูกบ่งชี้ถึง 98% ของผู้ป่วยที่เป็นโรคฟรี (specificity เท่ากับ.98). การ equa-สเตรชันตามทฤษฎีบท Bayes สามารถใช้ในการคำนวณความเป็นไปได้ว่า ผู้ป่วย มีผลการทดสอบเป็นบวกจริงมีโรค สมการง่าย ๆ calcu lating ความน่าเป็นนี้คือ: P (A | B) = P (B | A) * P (A) / P (B) (1) สมการ (1) อธิบายถึงความเป็นไปได้ที่ผู้ป่วยใช้ทฤษฎี Generalizability ประเมินความเกี่ยวข้องของแบบจำลอง Bayes ประจำในประมาณ 195 ค่าคาดการณ์บวกหลายประสาทหรือการทดสอบทางการแพทย์มีโรคที่ได้รับผลการทดสอบเป็นบวก [P (A | ข], และเท่ากับความเป็นไปได้ของการทดสอบเป็นบวก ผลที่ให้ผู้ป่วยมีโรค [P (B | ได้) - ไว] ด้วยความเป็นไปของโรค [P (A) - ชุก] แบ่งตามความน่าเป็นภาพรวมของผลการทดสอบเป็นบวกภายในประชากร [P (B)] ตัวหารใน Equa-สเตรชัน (1), ความน่าเป็นก่อนโดยรวมของผลการทดสอบเป็นบวก เป็นมาดังที่แสดงในสมการ (2), เจที่ 1, 2...และใช้เวลามากค่ามีสมมุติฐาน ในกรณีมีการกล่าวถึงในปัญหานี้อย่าง มีสมมุติฐานที่เป็นไปได้เพียงสอง (Ho1: ผู้ป่วยมีโรค – Ho2: ผู้ป่วยได้ง่ายลด) และดังนั้น ในตัวอย่างนี้ ผลรวมมากกว่าเพียงสองระดับ ดังนั้น ความน่าเป็นภาพรวมของผลการทดสอบ posi tive เป็นผลรวมของกิจกรรมการทดสอบเป็นบวกในผู้ที่มี (ไว) โดย (1 – specificity) โรคละคูณความชุกในประชากร P (B) = [Σ j P (B | A j) P (ตัว j)] (2) สมการ (3) แสดงการคำนวณที่ใช้ระดับ specificity ไว และชุกในตัวอย่างของเรา แม้ มีระดับสูง specificity และ sensitiv-ity ผู้ป่วย มีผลการทดสอบเป็นบวกมีเพียง 31% โอกาสจริง มีโรค นี้เป็นชนิดทั่วไป และรู้จักค้นหาที่เกี่ยวข้องกับแพทย์ทดสอบเพื่อตรวจหาโรคชุกต่ำ P (A | ข =.90 * .01 / ((.90 *.01) + (.02 * .99)) =.31 (3) สิ่งที่เป็นรู้จักกันไม่แพร่หลาย หรือนิยมเป็นวิธีผล retesting ผู้ป่วยโดยใช้การทดสอบเดียวกัน หรือแตกต่างกันจะส่งผลกระทบต่อความน่าเป็นการประเมินว่า ผู้ป่วยมีโรค ยังมีคำแนะนำเล็ก ๆ น้อย ๆ ในวรรณกรรมทางการแพทย์ หรือทางจิตวิทยาเกี่ยวกับผลลัพธ์จากการทดสอบประจำว่า หรือว่าเพิ่มความสามารถในการวินิจฉัยโรคเมื่อโครงสร้างหรือสาเหตุของการพึ่งพาระหว่างทดสอบไม่แน่นอน อย่างไรก็ตาม ได้ชัดเจนนำ tant สำหรับ clinicians เข้าใจว่า PPV เปลี่ยนเมื่อผู้ป่วยจัดการทดสอบที่สอง หรือที่สามทางการแพทย์ หรือทางจิตใจ เมื่อใช้สมมติฐานของการทดสอบ inde-pendence รุ่น Bayes ประจำอาจให้คำแนะนำในบริบทเช่นที่แสดงในอดีตพื้นที่ที่กล่าวถึงเพียง เมื่อมีใช้กิจกรรมจากการคำนวณ Bayes ก่อนหน้าการปรับปรุงการประเมินความเป็นไปได้ก่อน [P (A)], และ เมื่อยืนยันเอกราช เราสามารถใช้การ Bayes คำนวณการได้รับความเป็นไปได้ว่า ผู้ป่วยมีโรคที่ได้รับผลการทดสอบที่สอง สเตรชัน Equa (4) แสดงขั้นตอนถัดไปในบริบทของการ Bayes คำนวณการใช้ของเราอดีตเพียงพอสำหรับการทดสอบบวกคอน secutive ที่สองภายใต้สมมติฐานที่ทดสอบสองอิสระ มีผลบวกที่สอง ความน่าเป็นของการมีโรคไปจาก.31 .95 และปรากฏความเชื่อมั่นของเราในการวินิจฉัยเพื่อ ปรับปรุงอย่างมาก มันควรจะตั้งข้อสังเกตว่า ภายใต้การ assump-สเตรชันเอกราช การทดสอบแบบขนานอาจยังผลผลิตผลคล้ายกับการทดสอบประจำ ดังนั้น แม้ว่าจุดสำคัญของเอกสารนี้อยู่ในลำดับ หรือจัดการ serially ทดสอบ เมื่อเวลาหรือโอกาสของการทดสอบไม่ใช่ปัจจัยเกาะ im ในกำหนดทดสอบความเป็นอิสระ ว่ามีรายงาน และอธิบายไว้ที่นี่อาจจะใช้การทดสอบแบบขนาน P (A | ข =.90 * .31 / ((.90 *.31) + (.02 * .69)) =.95 (4) จากผลที่แสดงในสมการ (4), มันปรากฏว่า PPV ของการทดสอบที่ใช้ในการตรวจสอบช่วยลดต่ำชุกอาจสามารถอย่างมากปรับปรุงเพียง โดย adminis tering เวลาทดสอบที่สองหรือสาม อย่างไรก็ตาม เป็นคน-tioned ผลบวกดังกล่าวพึ่งรับตำแหน่งหน้าที่เป็นอิสระที่มีความสำคัญต่อการประยุกต์ใช้แบบจำลองความน่าเป็น Bayes ประจำ และบ่งชี้ว่าอัตราข้อผิดพลาดสำหรับแต่ละการทดสอบอิสระ ดังนั้น เพื่อตรวจสอบว่า การปรับปรุงของ PPV สามารถทำได้ โดยการทดสอบ จึงเป็นความจำเป็นต้องสร้างแหล่งหลักของข้อผิดพลาดในการทดสอบและหรือไม่ หรือ ต่ำอะไรเบาะ ๆ ว่าพวกเขา-tions แต่ละการทดสอบทางการแพทย์สามารถถือเป็นอิสระก่อน เมื่อ "มาตรฐานทอง" มีการกำหนดความแม่นยำของการทดสอบ fallible, ence independ ระหว่างสองทดสอบจัดการสร้างอยู่ตรงหน้า จำเป็นอย่างเพียงเพื่อคำนวณความไวสำหรับการจัดการทดสอบที่สอง สำหรับกลุ่มผู้ป่วยที่ทดสอบเป็นบวกในการทดสอบครั้งแรกและครั้งเดียวสำหรับกลุ่มผู้ป่วยที่ทดสอบค่าลบในการทดสอบครั้งแรก ครั้งเดียวและ specificity สอง ถ้าการคำนวณที่สองอยู่ในข้อตกลงปิด สมมติฐานของความเป็นอิสระเป็นความสุข Unfortu-nately "มาตรฐานทอง" วิธีการตรวจสอบทดสอบ accu โชว์มักจะไม่มี และเป็นเรื่อง quired ความเป็นอิสระระหว่างผลการทดสอบสามารถทำได้ เมื่อ clinicians โดยการสุ่มตัวอย่างจากการที่เกี่ยวข้องกับการทดสอบตัวแปรที่เกี่ยวข้องกับข้อผิดพลาด และ เมื่อแต่ละโรคที่ผู้ป่วยมีโอกาสเท่าเทียมกันแสดงเท็จ nega tive บวกทดสอบผลและเมื่อผู้ป่วยลบแต่ละโรคมีโอกาสเท่า ๆ กันเพื่อแสดงผลการทดสอบเป็นบวกเท็จ ในหนังสือ เมื่อเงื่อนไขที่นำไปสู่ทดสอบความเป็นอิสระที่มีความเข้าใจ โปรแกรมอรรถประโยชน์ของการทดสอบในบริบทโรคชุกน้อยสามารถมักจะได้อย่างมากเพิ่มขึ้น โดยง่ายจำลองแบบสุ่มทดสอบการประมวลผลที่สาม-ples จากตัวแปรให้เกิดข้อผิดพลาดได้ การตรวจภายใต้เงื่อนไขการอัสสัมชัญเป็นอิสระพอใจ วิจัยต้องก่อนตรวจสอบ และผลลัพธ์ของทดสอบยืนน้อยโครงสร้างข้อผิดพลาด ของแพทย์ หรือจิตใจ ให้เป็นกรณีพิเศษวินิจฉัยความถูกต้อง การวิจัยเป็นสำคัญในการปรับปรุงของบางการทดสอบ PPV ต่ำเหลือ ภายในบริบทที่มีการทดสอบมากมาย จึงมักจะไม่สามารถสร้างความถูกต้องของการทดสอบ fallible โดยการเปรียบเทียบนั้นใช้ทฤษฎี Generalizability ประเมินความเกี่ยวข้องของแบบจำลอง Bayes ประจำในประมาณ 196 ค่าคาดการณ์บวกของการทดสอบทางจิตวิทยา หรือแพทย์ไปหลาย

ผลลัพธ์ (ไทย) 3:

ใช้วิชาทฤษฎีเพื่อประเมินการประยุกต์ใช้แบบจำลองในการประมาณแบบเบส์บวกค่าพยากรณ์หลายทางจิตวิทยาหรือการทดสอบทางการแพทย์

คลาเรนซ์ D kreiter
สำนักงานให้คำปรึกษาและวิจัยทางการแพทย์ การศึกษา ภาควิชาเวชศาสตร์ครอบครัว คณะแพทยศาสตร์ มหาวิทยาลัยแห่งรัฐไอโอวาไอโอวาเมือง [e-mail]

: อีเมล์สหรัฐอเมริกาได้รับอาจ 10 , 2010 ; แก้ไข วันที่ 14 มิถุนายน2010 ; ยอมรับ 16 มิถุนายน , 2010

มันเป็นนามธรรมเบื้องต้นพบทั่วไปที่แม้จะมีระดับสูงของความจำเพาะและความไวของการทดสอบทางการแพทย์มากมาย ไม่ได้มีประสิทธิภาพสูงในการวินิจฉัยโรคแสดงความชุกต่ำภายในประชากรคลินิกสิ่งที่ยังไม่แพร่หลาย หรือชื่นชมว่าผลลัพธ์ของ retesting ผู้ป่วยใช้เหมือนกันหรือแตกต่างกันทางการแพทย์หรือทางจิตวิทยาทดสอบผลกระทบคาดว่าน่าจะเป็นที่ ผู้ป่วยที่มีโรคเฉพาะ ในการขาดของทอง ' มาตรฐาน ' เทคนิคพิเศษจะต้องเข้าใจข้อผิดพลาดที่โครงสร้างของการทดสอบทางการแพทย์1 สามารถให้คำแนะนำว่าจะเป็นแบบอนุกรม Bayes ถูกต้องปรับปรุงค่าพยากรณ์บวกผลการทดสอบหลาย วิธีการ : หรือ เดอร์ที่จะเข้าใจแหล่งที่มาของข้อผิดพลาดการทดสอบผลกระทบของผล ผลการทดสอบ ควรเก็บตัวอย่างในการทดสอบ condi ยินดีด้วยที่อาจนำไปสู่ข้อผิดพลาดเป็นวิชาที่เหมาะสมในการวิเคราะห์ผลการทดสอบควรอนุญาต Re ค้นหาเพื่อประเมินอิทธิพลของแต่ละข้อผิดพลาดแหล่งที่มาเป็นส่วนประกอบความแปรปรวน . ผลลัพธ์เหล่านี้จากนั้นจะสามารถใช้เพื่อตรวจสอบว่าหรือไม่ภายใต้เงื่อนไขว่า , สมมติฐานของการทดสอบความเป็นอิสระสามารถพอใจประมาณว่าทฤษฎีบทถูกต้องปรับปรุงความน่าจะเป็นบน retesting . ผลลัพธ์ :4 . วิชาศึกษาผลจะแสดงเป็นรูปแบบส่วนประกอบความแปรปรวน แต่ละรูปแบบมีความแตกต่างในทางปฏิบัติเพื่อให้บรรลุความเป็นอิสระของอีกสายระหว่างผลการทดสอบและได้รับการปรับปรุงผ่าน retesting PPV คนไข้แต่ละคน การอภิปราย :เทคนิคแสดงให้เห็นในบทความนี้สามารถมีบทบาทสำคัญในขบวนการปรับปรุงบวกค่าพยากรณ์ในทางการแพทย์และการทดสอบการวินิจฉัยทางจิตวิทยา และสามารถช่วยให้มั่นใจมากขึ้นในช่วงกว้างของการทดสอบบริบท .
คำสำคัญ : ทฤษฎี Bayes Bayes ประมาณ 1 , อนุกรม , ค่าพยากรณ์บวกทางจิตวิทยาการทดสอบอนุกรมการทดสอบทางการแพทย์


1บทนำ
เมื่อความชุกโรคทางการแพทย์และความจำเพาะและความไวของการทดสอบทางการแพทย์ที่เป็นที่รู้จักกันเป็นสมการอิงทฤษฎีบทให้ข้อมูลที่เป็นประโยชน์ที่เกี่ยวข้องกับอำนาจในการวินิจฉัยการทดสอบทางการแพทย์ มันคือการพบว่าแม้จะมีระดับสูงของความจำเพาะและความไวการทดสอบทางการแพทย์หลายจะไม่สูงในการวินิจฉัยโรค effec mixing bord tive กับความชุกต่ำภายในประชากรทางคลินิก [ 1 ] เนื่องจากตัวเลขขนาดใหญ่ของ Dis eases เกิดขึ้นเฉพาะในสัดส่วนขนาดเล็กของประชากร ( เช่นมีความชุกต่ำ )ต่ำบวกค่าพยากรณ์ ( R ) ของการตรวจวินิจฉัยทางการแพทย์เป็นกังวลชัดเจน แพทย์พยายามที่จะระบุตัวตนของโรคความชุกต่ำ การให้ตัวอย่างสมมติว่าแพทย์กำลังพยายามที่จะตรวจสอบว่าผู้ป่วยมีโรคที่เกิดขึ้นใน 1% ของประชากรที่กำหนดโดย tient . เมื่อการทดสอบจะทำในผู้ป่วยที่มีโรคมันให้ผลการทดสอบเป็นลบ ผลบ่งชี้สถานะของโรคใน 90% ของผู้ป่วย ( เซนซิ tivity เท่ากับ . 90 ) เมื่อการทดสอบจะทำในผู้ป่วยที่ไม่มีโรค มันถูกระบุ 98% ของผู้ป่วยที่เป็นโรคฟรี ( ความจำเพาะเท่ากับ . 98 )เป็น equa tion ตามทฤษฎีบทสามารถใช้คำนวณความน่าจะเป็นที่ผู้ป่วยที่มีผลการทดสอบเป็นบวกแล้วได้โรค สมการง่าย ๆสำหรับ calcu lating ความน่าจะเป็นนี้ :
p ( | B ) = P ( B | ) * P ( A ) / P ( B )
( 1 ) สมการ ( 1 ) อธิบายถึงความน่าจะเป็นที่คนไข้

การใช้ทฤษฎีการสรุปอ้างอิงเพื่อประเมินการประยุกต์ใช้แบบจำลองอนุกรม Bayes ในการประมาณค่าพยากรณ์บวกทางจิตวิทยาหรือ 195 หลายการทดสอบทางการแพทย์ได้โรคนี้ได้รับการทดสอบในเชิงบวกผล [ P ( | B ) ]และเท่ากับความน่าจะเป็นของผลการทดสอบในเชิงบวกให้แก่ผู้ป่วยที่มีโรค [ P ( B | ) - ความไว ] คูณความน่าจะเป็นของโรค [ P ( A ) - ความชุก ] แบ่งตามความน่าจะเป็นโดยรวมของการทดสอบในเชิงบวกผลภายในประชากร [ P ( B ) ] ข้อบกพร่องใน equa tion ( 1 ) ความน่าจะเป็นก่อนโดยรวมของการทดสอบในเชิงบวก ผลที่ได้มาดังแสดงในสมการที่ ( 2 )ที่ J 1 , 2 . . . . . . . และจะเป็นค่ามาก มีสมมติฐาน ในคดีที่ถูกกล่าวถึงในตัวอย่างปัญหานี้มีแค่สองสมมติฐานที่เป็นไปได้ ( ho1 : ผู้ป่วยที่มีโรค– ho2 : ผู้ป่วยไม่มีโรคง่าย ) ดังนั้นในตัวอย่างนี้ผลรวมถ่ายระดับมากกว่าเพียงสอง . ดังนั้นความน่าจะเป็นโดยรวมของ tive ตําแหน่ง ผลการตรวจคือ ผลรวมของความน่าจะเป็นของการทดสอบเป็นบวกในนั้นด้วย ( ความไว ) และไม่มี ( 1 ) ความจำเพาะ ) โรคแต่ละคูณโดยความชุกของประชากร
p ( B ) = [ Σ J P ( B | J ) p ( J ) ] ( 2 )
สมการ ( 3 ) แสดงการคำนวณโดยใช้ระดับของความไวและความจำเพาะ ความกล่าวไว้ในตัวอย่างของเราแม้จะมีระดับสูงของความจำเพาะและ sensitiv ity , ผู้ป่วยที่มีผลการทดสอบเป็นบวกมีเพียง 31% โอกาสจริงมีโรค นี้เป็นทั่วไปและประเภทของการค้นหาที่รู้จักกันดีที่เกี่ยวข้องกับการทดสอบทางการแพทย์ที่ออกแบบมาเพื่อตรวจหาโรคความชุกต่ำ
p ( | B ) = 90 * . 01 / ( ( 90 * . 01 ) ( 02 * 99 ) ) = . 31

( 3 )สิ่งที่ยังไม่แพร่หลาย หรือชื่นชมว่าผลลัพธ์ของ retesting ผู้ป่วยโดยใช้แบบเดียวกันหรือแตกต่างกันทดสอบจะส่งผลกระทบต่อประมาณการความน่าจะเป็นว่า คนไข้โรคมีคำแนะนำเล็ก ๆน้อย ๆในวรรณกรรมทางการแพทย์หรือทางจิตวิทยาเกี่ยวกับหรือไม่ว่าผลจากการทดสอบอนุกรมการปรับปรุงความสามารถในการวินิจฉัยโรคเมื่อโครงสร้างหรือสาเหตุของการพึ่งพาระหว่างการทดสอบ ไม่แน่นอน อย่างไรก็ตามมันเป็นอย่างชัดเจน impor tant ( เข้าใจว่า PPV เปลี่ยนแปลงเมื่อผู้ป่วยจะใช้สองหรือการทดสอบทางการแพทย์หรือทางจิตวิทยา 3 เมื่อสมมติฐานของการทดสอบยัง pendence ใช้แบบจำลองอนุกรม Bayes อาจให้คำแนะนำในบริบทที่เหมือนกับที่แสดงในเช่นกว้างขวางกล่าวถึงเพียง
เมื่อความน่าจะเป็นจากการคำนวณ Bayes ก่อนหน้าจะใช้ในการปรับปรุงการประเมินก่อนที่ความน่าจะเป็น [ P ( A ) ] และเมื่อเป็นอิสระ ยืนยันว่า เราสามารถใช้อนุกรม Bayes มาคำนวณความน่าจะเป็นที่คนไข้ที่มีโรคได้รับผลการทดสอบที่สองtion equa ( 4 ) ได้เสนอขั้นตอนต่อไป ในบริบทของการเล่น EX ของเราโดยใช้การคำนวณแบบเบส์สำหรับที่สองคอน secutive บวกทดสอบภายใต้สมมติฐานที่ 2 การทดสอบอิสระ บวกกับสองผล ความน่าจะเป็นของการเกิดโรคไป . 31 . 95 และความมั่นใจในการวินิจฉัยจะปรากฏขึ้นเพื่อปรับปรุงอย่างมากมันควรจะสังเกตว่าภายใต้ assump tion ของความเป็นอิสระ , การทดสอบแบบขนานสามารถผลผลิตผลคล้ายกับการทดสอบอนุกรม ดังนั้น แม้ว่าโฟกัสของบทความนี้คือในกลุ่มหรือเป็นผู้ทดสอบเมื่อเวลาหรือโอกาสของการทดสอบไม่ได้เป็นปัจจัยในการกำหนด portant im การทดสอบความเป็นอิสระ อะไรคือรายงานที่กล่าวถึงที่นี่และยังอาจใช้ในการทดสอบแบบขนาน
P ( | B ) = 90 * 31 / ( ( 90 * 31 ) ( 02 * . 69 ) ) = . 95

( 4 ) จากผลที่แสดงในสมการที่ ( 4 ) ปรากฎว่า PPV ของแบบทดสอบเพื่อใช้ตรวจหาโรคความชุกต่ำลดอาจเป็นอย่างมาก ปรับปรุงโดยผู้บริหาร tering การทดสอบครั้งที่สอง หรือ สาม แต่เป็นมนุษย์ tioned ,ผลทางบวก เช่น ใช้เป็นสมมติฐานว่ามีใบสมัครที่ถูกต้องของอนุกรมความน่าจะเป็นแบบเบย์ และแสดงให้เห็นว่าอัตราการผิดพลาด แต่ละแบบเป็นอิสระ ดังนั้น เพื่อตรวจสอบว่า มีการเพิ่มประสิทธิภาพของ PPV สามารถทำได้โดยการทดสอบอีกครั้ง จึงจำเป็นต้องสร้างแหล่งหลัก ( s ) ของข้อผิดพลาดการทดสอบและไม่ว่า หรืออะไร condi ยินดีด้วยในการทดสอบทางการแพทย์ที่สามารถจะถือว่าเป็นอิสระ
เมื่อเป็น " มาตรฐาน " ทองสามารถใช้ได้สำหรับการตรวจสอบความถูกต้องของการทดสอบความผิดพลาด , การจัดตั้ง independ ENCE ระหว่างสองทดสอบการบริหารคือตรงไปข้างหน้า หนึ่งต้องการเพียงสองครั้งคำนวณความจำเพาะและความไวของการบริหารการทดสอบที่สองเมื่อสำหรับกลุ่มผู้ป่วยที่การทดสอบในเชิงบวกในการทดสอบครั้งแรกและครั้งเดียวสำหรับกลุ่มผู้ป่วยที่ใช้ลบในการทดสอบครั้งแรก ถ้าสองการคำนวณในข้อตกลงปิด , สมมติฐานของความเป็นอิสระเป็นพอใจ unfortu nately , " วิธีการ " มาตรฐานทองสำหรับการตรวจสอบการทดสอบ ACCU เผ็ดร้อนมักจะไม่สามารถใช้ได้ และขั้นตอนอื่นๆ อีก quired .
ความเป็นอิสระระหว่างผลการทดสอบสามารถเกิดขึ้นได้เมื่อแพทย์สุ่มตัวอย่างจากการทดสอบตัวแปรที่เกี่ยวข้องที่นำไปสู่ข้อผิดพลาดและเมื่อแต่ละโรคผู้ป่วยบวกมีโอกาสเท่าเทียมกันที่จะแสดงผลเป็นเท็จเนกา tive และเมื่อแต่ละโรคผู้ป่วยลบมีแนวโน้มเท่าเทียมกันเพื่อแสดงผลการทดสอบเป็นบวกเท็จ ในโฉนดเมื่อเงื่อนไขที่นำไปสู่การทดสอบความเป็นอิสระจะเข้าใจประโยชน์ของการทดสอบในระดับความชุกโรคบริบทมักจะสามารถเป็นคุ้งเป็นแควเพิ่มโดยการสุ่มอย่างง่ายของกระบวนการทดสอบที่ ples สามจากตัวแปรให้เกิดข้อผิดพลาด เพื่อยืนยันสมมติฐานที่เป็นอิสระภายใต้เงื่อนไขว่าพอใจนักวิจัยจะต้องศึกษาและยืนภายใต้ข้อผิดพลาดทางการแพทย์หรือทางจิตวิทยาโครงสร้างของผลการทดสอบ ให้ศักยภาพเพื่อปรับปรุงการวินิจฉัยความถูกต้องอย่างมาก การวิจัยดังกล่าวเป็นคุณสมบัติที่สำคัญในการปรับปรุงสาธารณูปโภคของการทดสอบบางอย่างกับ PPV ต่ำ
ในบริบทที่ทดสอบหลาย มันมักจะไม่ได้เป็นไปได้ที่จะสร้างความถูกต้องของการทดสอบการวัดเปรียบเทียบ

โดยการใช้ทฤษฎีการสรุปอ้างอิงเพื่อประเมินการประยุกต์ใช้แบบจำลองอนุกรม Bayes ในการประมาณค่าพยากรณ์บวก 196 หลายจิต หรือการทดสอบทางการแพทย์