Statisztikai áttekintés
Konfidenciaintervallumok: Egy populációs paraméter intervallumbecslése, és általában 95%-ban állapítják meg. Ha a populációból 100 mintát vennénk, akkor a mintanépesség 95 mintájából származó átlagpontszám vagy mérés a 95%-os konfidenciaintervallum tartományába esne. Minél közelebb vagy szorosabban van a 95%-os CI tartománya a tényleges átlaghoz, annál erősebbek az adott teszt eredményei.
A mérés standard hibája: Ez az érték azt a tartományt (+/-) adja meg, amelyen belül a beteg valódi pontszáma egy adott tesztben elhelyezkedhet. Ha a térdhajlítás mozgástartományának goniometriai mérésénél a SEM 3,5 fok, akkor a valós/tényleges mozgástartomány 116,5 és 123,5 fok közötti eltérésre számíthatunk, ha a ténylegesen mért érték 120 fok. Ezt úgy is felfoghatjuk, mint az ismételt teszteredményekből származó értékek szórásának standard eltérését.
Érzékenység: Ha egy betegnek valóban van valamilyen betegsége, mekkora az esélye annak, hogy a klinikai teszt pozitív lesz? Ez a True Positives mértékegysége. Az értékek 0 és 1,0 között mozognak, ahol 1,0 = 100% igaz pozitív. A SnOut mnemonikát használják e megállapítások alkalmazására. Ha egy tesztnek magas az érzékenysége, és a teszt negatív, a klinikus jobban érezheti magát a betegség kizárásával kapcsolatban (SnOut). A magasabb érzékenységű klinikai tesztek jobbak a betegek szűrésére a célbetegség tekintetében, de nem olyan jók a specifikus diagnózis felállítására. Más szóval, ha egy nagy érzékenységű teszt negatív, akkor biztosabbnak érezheti magát abban, hogy a beteg nem szenved az adott betegségben, azonban ha a teszt pozitív, akkor nem lehet biztos abban, hogy valóban az adott betegségben szenvedett, kivéve, ha a teszt szintén nagyon specifikus volt.
Specificitás: Ha a betegnek nincs betegsége, mekkora az esélye, hogy a klinikai teszt negatív lesz? Ez a valódi negatívok mértékegysége. Az értékek 0 és 1,0 között mozognak, ahol 1,0 = 100% igaz negatív. A SpIn mnemonikát használják ezen megállapítások alkalmazására. Ha egy tesztnek magas a specificitása, és a teszt pozitív, a klinikus jobban érezheti magát a betegség kizárásával kapcsolatban (SpIn). Ha egy magas specificitású teszt pozitív, akkor biztosabbnak érezheti magát abban, hogy a páciensnek valóban megvan a betegsége, azonban ha a teszt negatív, akkor nem lehet biztos abban, hogy nincs meg a betegnek a betegsége, kivéve, ha a teszt szintén magas érzékenységű volt.
Pozitív valószínűségi arány (+LR): Kifejezi a pozitív teszt esetén a betegséget valószínűsítő esélyek változását. A teszt specificitásának és érzékenységének kiszámítása (+LR = Érzékenység / 1-Specifikusság). A +LR > 1,0 növeli a helyes diagnózis felállításának valószínűségét a teszteredmény alapján.
Negatív valószínűségi arány: Kifejezi annak az esélynek a változását, hogy egy állapot nem áll fenn, ha negatív tesztet kapunk. A teszt specificitásának és érzékenységének kiszámítása (-LR = 1-érzékenység / specificitás). Az LR < 1,0 növeli a helyes diagnózis felállításának valószínűségét a teszteredmény alapján.
Odds Ratio: Ez a relatív kockázat becslése, és általában akkor használják, ha a relatív kockázatot a vizsgálat korlátai miatt nem lehet pontosan meghatározni (a kumulatív incidencia pontos kiszámításának képtelensége, pl. eset-kontroll vizsgálat). Gyakran használják a hatásméret kifejezésére. Az egyik csoportban bekövetkező esemény esélyének és a másik csoportban bekövetkező esemény esélyének hányadosa. Ez annak a valószínűsége, hogy ugyanaz az esemény vagy állapot két csoportban előfordul. Az 1:1 esélyhányados azt jelenti, hogy nincs különbség az esélyek között a csoportok között (az esemény vagy állapot mindkét csoportban egyformán előfordul).
Relatív kockázat: Ez a relatív hatás mérőszáma, amely az exponált csoporthoz kapcsolódó kockázatokat írja le a nem exponált csoporthoz képest. Megmutatja annak valószínűségét, hogy egy kockázati tényezőnek kitett személynél kialakul a betegség, összehasonlítva azzal, aki nem volt kitéve.
Hatásméret: Két kezelés közötti különbség vagy két változó közötti kapcsolat nagysága. Egy kezelés nagyobb hatásmérete azt jelzi, hogy az nagyobb pozitív különbséget eredményezett a mért eredményben.
Érvényesség: A klinikai teszt azt méri, amit mérni hivatott? Erre a kérdésre ad választ az érvényesség. Ezt gyakran a szenzitivitási és specificitási értékekkel, valamint a valószínűségi arányokkal lehet mérni (a pozitív és negatív prediktív értékeket gyakran használják, de nem olyan hasznosak, mint a valószínűségi arányok).
Megbízhatóság: Mennyire értenek egyet a vizsgálók egy teszt eredményeiben? A megbízhatóság az egyetértés mérőszáma, de nem az érvényességé. A pontsorozatban jelenlévő hiba mennyiségén alapul. Ahhoz, hogy egy klinikai teszt jó érvényességgel rendelkezzen, jó megbízhatóságra van szükség. Azonban a nem jó érvényességű tesztek is rendelkezhetnek kiváló megbízhatósággal. A vizsgáztatók képesek lehetnek egy tesztet nagyon megbízhatóan mérni saját maguk és más vizsgáztatók között, de ez nem feltétlenül jelenti azt, hogy a teszt egy adott állapot vagy diagnózis jó mérőeszköze. Ezt együtthatókkal (Kappa vagy Intraclass Correlation Coefficients, a változó típusától függően) mérik.
Kappa: Ez a véletlenszerűséggel korrigált egyezés mértéke. Ez a statisztika a megfigyelt egyezés arányát értékeli, majd figyelembe veszi a véletlenszerűen várható arányt. Elsősorban nem parametrikus adatok, például dichotóm változók (igen/nem és pozitív/negatív válaszok) és kategorikus változók, például a manuális izomtesztek osztályzatai mérésére tervezték. A pontszámok tartománya 0-tól 10-ig terjed, és a pontszámok értelmezését a következőképpen javasolták:
1,0 = Tökéletes
0,8-1,0 = Kiváló
0,6-0,8 = Jelentős
0,4-0,6 = Mérsékelt
< 0,4 = Gyenge
Súlyozott Kappa: A hagyományos Kappa statisztika nem tesz különbséget az egyet nem értések között. Ha a kutató a nagyobb lehetséges kockázatok miatt nagyobb súlyt akar adni az egyik egyet nem értésnek a másikhoz képest, akkor súlyozott Kappává válik. Egyes nézeteltérések súlyosabbak lehetnek, mint mások. Nem minden adatot lehet így megkülönböztetni, de ha igen, akkor ez a súlyozott Kappa használható a megbízhatóság becslésére.
Osztályon belüli korrelációs együttható (ICC): Az ICC egy megbízhatósági együttható. Kiszámítja a pontszámok szórását, és képes tükrözni az értékelések közötti megfelelés és egyezés mértékét is. Az érték 0 és 1,0 között mozog. Az ICC a megbízhatóság olyan mérőszáma, amelyet elsősorban olyan paraméteres változókra (intervallum- vagy arányadatok) terveztek, amelyek folyamatosak, mint például a mozgástartomány-mérések, magasság, testsúly, stb. A pontszámok értelmezését a következőképpen javasolták:
1,0 = Tökéletes
0,9-1,0 = Kiváló
0,75-0,9 = Jó
0,5-0,75 = Mérsékelt
< 0,5 = Gyenge
Korreláció: A korreláció az asszociációt és nem az egyezést méri (a megbízhatóság az egyezést méri). A változók közötti lineáris kapcsolatot jelzi, és -1 és 0 és 1 között mozog, és együtthatókkal (Pearson vagy Spearmans) mérik. Minél közelebb van a változó az 1-hez, annál erősebb a pozitív korreláció, és minél közelebb van a -1-hez, annál erősebb a negatív korreláció. A legtöbb esetben a nulla azt jelzi, hogy a változók között egyáltalán nincs korreláció. A korreláció nagyságát a következőképpen határozták meg:
+/- 0,1-0,3 = kicsi
+/- 0,3-0,5 = közepes
+/- 0,5-1,0 = nagy
Korrelációs együtthatók: Két változó közötti kapcsolat erősségét és irányát kvantitatív módon leíró statisztikák.