Thread by @KlausR3003

CN Medizinische #Diagnostik

#Test #Bayes_Theorem #Testqualität #Screening #Corona #COVID19

#Krank 🤢 oder #Gesund 😀

#Thread

1/x

Im Zusammenhang mit medizinischen Untersuchungen, Labortests und #Screenings ist immer wieder die Rede von Sinnhaftigkeit, Testqualität und Sicherheit der Ergebnisse. Wichtig dabei ist, dass die Genauigkeit eines Tests nicht getrennt von der Testpopulation zu betrachten ist.

2/x

Diesen Zusammenhang beschreibt der Satz von #Bayes, oder #Bayes_Theorem, einer statistischen Betrachtungsweise, die sich mit bedingten Wahrscheinlichkeiten beschäftigt. Ich wende also einen Unterscheidungsmerkmal (Test) auf eine Population mit bestimmten Eigenschaften an.

3/x

Beispiel: Ein Test, mit dem eine Krankheit erkannt werden kann, hat eine Empfindlichkeit (Sensitivität) und Genauigkeit (Spezifität) von jeweils 98%. Diesen Test wenden wir mal auf eine Gruppe von je 50% Gesunden und 50% Erkrankten an. Los geht´s!

4/x

Vor dem Test:
😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢😀🤢

5/x

Nach dem Test:

Positiv (krank): 🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢🤢😀😀

Negativ (gesund): 😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀🤢🤢

6/x

Das sieht schon nicht schlecht aus, der Test hat in jeder Ergebnisgruppe nur zwei Emojis falsch zugeordnet, man ist somit auf jeden Fall schlauer als vorher. Was passiert denn, wenn wir das mit einer Krankheit machen, die viel seltener ist (1%)? Auf geht´s!

7/x

Vor dem Test:
😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀🤢

8/x

Nach dem Test:

Positiv (krank): 🤢😀😀

Negativ (gesund:)😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀

9/x

Oha! Die gute Nachricht ist, der Test hat das kranke Emoji gefunden (richtig-positiv), die schlechte Nachricht ist, der Test hält doppelt soviele gesunde Emojis für krank (falsch-positiv). Das sorgt zumindest bei einem von den 50 Gesunden für Stress.

10/x

Anders gesagt, die Wahrscheinlichkeit, bei einem pos. Test tatsächlich krank zu sein, beträgt nur 1/3. Dabei ist ein 98%-Test ziemlich gut. Was passiert, wenn wir unsere 1%-Krankheit mit einem Test untersuchen, der "nur" 90% Spezifität und Sensitität hat? Schon eine Idee?

11/x

Vor dem Test:
😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀🤢

12/x

Nach dem Test:

Positiv (krank): 🤢😀😀😀😀😀😀😀😀😀😀

Negativ (gesund): 😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀

13/x

Was ist denn jetzt passiert? Jetzt ist nur einer von 11 positiv getesteten Emojis wirklich krank. Vorher haben wir geschätzt, dass 99% gesund sind, jetzt sagt uns der Test, dass 11% krank sind. Würdet Ihr in dem Setting vor einem Wochenende gerne so ein Testergebnis bekommen?
14/

Was sagt uns das? Bevor wir einen Test durchführen, muss uns klar sein, zu welcher Risikogruppe die Testperson gehört und welche Qualität der Test für sich genommen liefert. Das entscheidet über die Ergebnisqualität und über die Aussagekraft des Tests.

15/x

Bei einem hohen Risiko (😀😀😀😀😀😀🤢🤢🤢🤢🤢🤢🤢🤢) muss der Test sehr empfindlich sein, um alle Kranken zu finden. Bei einem niedrigen Risiko (😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀😀🤢) muss der Test sehr genau sein, um nicht zuviele Gesunde für krank zu erklären.

16/x

Ganz besonders kritisch wird es bei Tests, die an augenscheinlich Gesunden durchgeführt wird, also Screening-Untersuchungen. Hier sind die Anforderungen an die Testqualität und an die Sicherheit der Prozedur sehr hoch zu stellen.

17/x

Wenn Ihr also demnächst nach einem bestimmten Labortest von Eurer Hausärzt*in fragt und sie/er möchte den Test nicht durchführen, dann liegt das u. U. nicht an fehlender Motivation oder Kosten, sondern vielleicht auch daran, dass Euch der Test gar nicht weiter hilft. 😀🤢

18/18

Korrektur: Hier habe ich die 2%-Fehlerquote fälschlicherweise auf die 100er-Population bezogen, bei jeweils 50 in jeder Gruppe wäre auch nur 1😀falsch-positiv und 1🤢falsch-negativ. Das Prinzip bleibt gleich.