Hispanopedia Wiki
Articulo de referencia

Sensibilidad y especificidad

Sensibilidad y especificidad: La mitad izquierda de la imagen, con los puntos sólidos, representa a las personas que padecen la afección, mientras que la mitad derecha, con los ...

Hispanopedia WikiContenido en espanolLectura gratuita

Sensibilidad y especificidad: La mitad izquierda de la imagen, con los puntos sólidos, representa a las personas que padecen la afección, mientras que la mitad derecha, con los puntos huecos, representa a las personas que no la padecen. El círculo representa a todas las personas que dieron positivo en la prueba.

En medicina y estadística , la sensibilidad y la especificidad describen matemáticamente la precisión de una prueba que indica la presencia o ausencia de una afección médica. Si las personas que presentan la afección se consideran "positivas" y las que no la presentan, "negativas", entonces la sensibilidad mide la capacidad de la prueba para identificar los verdaderos positivos, y la especificidad mide la capacidad de la prueba para identificar los verdaderos negativos.

  • La sensibilidad (tasa de verdaderos positivos) es la probabilidad de obtener un resultado positivo en una prueba, suponiendo que el individuo sea realmente positivo.
  • La especificidad (tasa de verdaderos negativos) es la probabilidad de obtener un resultado negativo en una prueba, condicionada a que el individuo sea realmente negativo.

Si no se puede determinar el estado real de la afección, la sensibilidad y la especificidad se pueden definir en relación con una prueba de referencia, que se considera correcta. En todas las pruebas, tanto de diagnóstico como de cribado , suele existir una relación inversa entre sensibilidad y especificidad: una mayor sensibilidad implica una menor especificidad, y viceversa.

Una prueba que detecta de forma fiable la presencia de una afección, con un alto número de verdaderos positivos y un bajo número de falsos negativos, tendrá una alta sensibilidad. Esto es especialmente importante cuando las consecuencias de no tratar la afección son graves y/o el tratamiento es muy eficaz y tiene mínimos efectos secundarios.

Una prueba que excluye de forma fiable a las personas que no padecen la afección, con un alto número de verdaderos negativos y un bajo número de falsos positivos, tendrá una alta especificidad. Esto es especialmente importante cuando las personas diagnosticadas con la afección pueden verse sometidas a más pruebas, gastos, estigma, ansiedad, etc.

Sensibilidad y especificidad

Los términos "sensibilidad" y "especificidad" fueron introducidos por el bioestadístico estadounidense Jacob Yerushalmy en 1947. [ 1 ]

En el control de calidad de laboratorio existen diferentes definiciones , donde la "sensibilidad analítica" se define como la cantidad mínima de sustancia en una muestra que puede medirse con precisión mediante un ensayo (sinónimo de límite de detección ), y la "especificidad analítica" se define como la capacidad de un ensayo para medir un organismo o sustancia en particular, en lugar de otros. [ 2 ] Sin embargo, este artículo trata sobre la sensibilidad y especificidad diagnósticas tal como se definen anteriormente.

Aplicación al estudio de cribado

Imaginemos un estudio que evalúa una prueba para detectar una enfermedad. Cada persona que se somete a la prueba tiene o no tiene la enfermedad. El resultado puede ser positivo (clasificando a la persona como portadora de la enfermedad) o negativo (clasificando a la persona como no portadora de la enfermedad). Los resultados de la prueba para cada sujeto pueden o no coincidir con su estado real. En ese contexto:

  • Verdadero positivo: Personas enfermas identificadas correctamente como enfermas.
  • Falso positivo: Personas sanas identificadas erróneamente como enfermas.
  • Verdadero negativo: Personas sanas identificadas correctamente como sanas
  • Falso negativo: Personas enfermas identificadas erróneamente como sanas.

Tras obtener el número de verdaderos positivos, falsos positivos, verdaderos negativos y falsos negativos, se puede calcular la sensibilidad y la especificidad de la prueba. Si la sensibilidad es alta, es probable que cualquier persona que padezca la enfermedad dé positivo en la prueba. Por otro lado, si la especificidad es alta, es probable que cualquier persona que no padezca la enfermedad dé negativo en la prueba. En el sitio web de los NIH se explica cómo se calculan estas proporciones. [ 3 ]

Definición

Sensibilidad

Consideremos el ejemplo de una prueba médica para diagnosticar una afección. La sensibilidad (a veces también denominada tasa de detección en un entorno clínico) se refiere a la capacidad de la prueba para detectar correctamente a los pacientes enfermos entre aquellos que sí padecen la afección. [ 4 ] Matemáticamente, esto se puede expresar como:

sensibilidad=número de verdaderos positivosnúmero de verdaderos positivos+número de falsos negativos=número de verdaderos positivosnúmero total de individuos enfermos en la población=probabilidad de un resultado positivo en la prueba dado que el paciente tiene la enfermedad{\displaystyle {\begin{aligned}{\text{sensibilidad}}&={\frac {\text{número de verdaderos positivos}}{{\text{número de verdaderos positivos}}+{\text{número de falsos negativos}}}}\\[8pt]&={\frac {\text{número de verdaderos positivos}}{\text{número total de individuos enfermos en la población}}}\\[8pt]&={\text{probabilidad de una prueba positiva dado que el paciente tiene la enfermedad}}\end{aligned}}}

Un resultado negativo en una prueba con alta sensibilidad puede ser útil para "descartar" una enfermedad, [ 4 ] ya que rara vez diagnostica erróneamente a quienes sí la padecen. Una prueba con 100% de sensibilidad reconocerá a todos los pacientes con la enfermedad al dar positivo. En este caso, un resultado negativo descartaría definitivamente la presencia de la enfermedad en un paciente. Sin embargo, un resultado positivo en una prueba con alta sensibilidad no es necesariamente útil para "confirmar" una enfermedad. Supongamos que un kit de prueba "falso" está diseñado para dar siempre una lectura positiva. Cuando se usa en pacientes enfermos, todos los pacientes dan positivo, lo que le da a la prueba una sensibilidad del 100%. Sin embargo, la sensibilidad no toma en cuenta los falsos positivos. La prueba falsa también da positivo en todos los pacientes sanos, lo que le da una tasa de falsos positivos del 100%, lo que la vuelve inútil para detectar o "confirmar" la enfermedad.

El cálculo de la sensibilidad no tiene en cuenta los resultados indeterminados de las pruebas. Si una prueba no se puede repetir, las muestras indeterminadas deben excluirse del análisis (el número de exclusiones debe indicarse al citar la sensibilidad) o pueden tratarse como falsos negativos (lo que proporciona el peor valor posible para la sensibilidad y, por lo tanto, puede subestimarla).

Una prueba con mayor sensibilidad tiene una menor tasa de error de tipo II .

Especificidad

Consideremos el ejemplo de una prueba médica para diagnosticar una enfermedad. La especificidad se refiere a la capacidad de la prueba para descartar correctamente a pacientes sanos sin la afección. Matemáticamente, esto se puede expresar como:

especificidad=número de verdaderos negativosnúmero de verdaderos negativos+número de falsos positivos=número de verdaderos negativosnúmero total de individuos sanos en la población=Probabilidad de un resultado negativo en la prueba dado que el paciente está bien{\displaystyle {\begin{aligned}{\text{especificidad}}&={\frac {\text{número de verdaderos negativos}}{{\text{número de verdaderos negativos}}+{\text{número de falsos positivos}}}}\\[8pt]&={\frac {\text{número de verdaderos negativos}}{\text{número total de individuos sanos en la población}}}\\[8pt]&={\text{probabilidad de una prueba negativa dado que el paciente está sano}}\end{aligned}}}

Un resultado positivo en una prueba con alta especificidad puede ser útil para confirmar la presencia de una enfermedad, ya que la prueba rara vez da resultados positivos en pacientes sanos. [ 5 ] Una prueba con una especificidad del 100 % reconocerá a todos los pacientes sin la enfermedad al dar negativo, por lo que un resultado positivo confirmaría definitivamente la presencia de la enfermedad. Sin embargo, un resultado negativo de una prueba con alta especificidad no es necesariamente útil para descartar la enfermedad. Por ejemplo, una prueba que siempre da un resultado negativo tendrá una especificidad del 100 % porque la especificidad no considera los falsos negativos. Una prueba de ese tipo daría negativo para los pacientes con la enfermedad, lo que la hace inútil para descartarla.

Una prueba con mayor especificidad tiene una menor tasa de error de tipo I.

Ilustración gráfica

La ilustración gráfica anterior muestra la relación entre sensibilidad y especificidad. La línea punteada negra en el centro del gráfico indica el punto donde la sensibilidad y la especificidad son iguales. A medida que nos movemos hacia la izquierda de la línea punteada negra, la sensibilidad aumenta, alcanzando su valor máximo del 100 % en la línea A, y la especificidad disminuye. La sensibilidad en la línea A es del 100 % porque en ese punto no hay falsos negativos, lo que significa que todos los resultados negativos de la prueba son verdaderos negativos. Al movernos hacia la derecha, ocurre lo contrario: la especificidad aumenta hasta alcanzar la línea B, donde también llega al 100 %, y la sensibilidad disminuye. La especificidad en la línea B es del 100 % porque el número de falsos positivos es cero en ese punto, lo que significa que todos los resultados positivos de la prueba son verdaderos positivos.

La línea continua central en ambas figuras anteriores, que muestra el nivel de sensibilidad y especificidad, representa el punto de corte de la prueba. Como se describió anteriormente, al mover esta línea se produce una compensación entre el nivel de sensibilidad y especificidad. El lado izquierdo de esta línea contiene los datos que dan un resultado inferior al punto de corte y se consideran negativos (los puntos azules indican los falsos negativos (FN), los puntos blancos los verdaderos negativos (TN)). El lado derecho de la línea muestra los datos que dan un resultado superior al punto de corte y se consideran positivos (los puntos rojos indican los falsos positivos (FP)). Cada lado contiene 40 datos.

Para la figura que muestra alta sensibilidad y baja especificidad, hay 3 FN y 8 FP. Usando el hecho de que los resultados positivos = verdaderos positivos (VP) + FP, obtenemos VP = resultados positivos - FP, o VP = 40 - 8 = 32. El número de personas enfermas en el conjunto de datos es igual a VP + FN, o 32 + 3 = 35. Por lo tanto, la sensibilidad es 32 / 35 = 91,4 %. Usando el mismo método, obtenemos TN = 40 - 3 = 37, y el número de personas sanas 37 + 8 = 45, lo que resulta en una especificidad de 37 / 45 = 82,2  %.

En la figura que muestra baja sensibilidad y alta especificidad, hay 8 falsos negativos (FN) y 3 falsos positivos (FP). Usando el mismo método que en la figura anterior, obtenemos verdaderos positivos (TP) = 40 - 3 = 37. El número de personas enfermas es 37 + 8 = 45, lo que da una sensibilidad de 37 / 45 = 82,2  %. Hay 40 - 8 = 32 verdaderos negativos (TN). Por lo tanto, la especificidad resulta ser 32 / 35 = 91,4 %.

El punto rojo indica al paciente con la condición médica. El fondo rojo indica el área donde la prueba predice que el punto de datos es positivo. Los verdaderos positivos en esta figura son 6, y los falsos negativos son 0 (porque toda condición positiva se predice correctamente como positiva). Por lo tanto, la sensibilidad es del 100% (de 6 / (6 + 0) ). Esta situación también se ilustra en la figura anterior donde la línea punteada está en la posición A (el lado izquierdo es predicho como negativo por el modelo, el lado derecho es predicho como positivo por el modelo). Cuando la línea punteada, la línea de corte de la prueba, está en la posición A, la prueba predice correctamente toda la población de la clase de verdaderos positivos, pero no logrará identificar correctamente el punto de datos de la clase de verdaderos negativos.

De forma similar a la figura explicada anteriormente, el punto rojo indica al paciente con la afección médica. Sin embargo, en este caso, el fondo verde indica que la prueba predice que todos los pacientes están libres de dicha afección. El número de datos que son verdaderos negativos es entonces 26, y el número de falsos positivos es 0. Esto resulta en una especificidad del 100 % (de 26 / (26 + 0) ). Por lo tanto, la sensibilidad o la especificidad por sí solas no pueden utilizarse para medir el rendimiento de la prueba.

Uso médico

En el diagnóstico médico , la sensibilidad de una prueba es su capacidad para identificar correctamente a quienes padecen la enfermedad (tasa de verdaderos positivos), mientras que la especificidad es su capacidad para identificar correctamente a quienes no la padecen (tasa de verdaderos negativos). Si se analiza a 100 pacientes con diagnóstico de una enfermedad y 43 dan positivo, la prueba tiene una sensibilidad del 43 %. Si se analiza a 100 personas sin la enfermedad y 96 dan un resultado completamente negativo, la prueba tiene una especificidad del 96 %. La sensibilidad y la especificidad son características de la prueba independientes de la prevalencia, ya que sus valores son intrínsecos a la prueba y no dependen de la prevalencia de la enfermedad en la población de interés. [ 6 ] Los valores predictivos positivos y negativos , pero no la sensibilidad ni la especificidad, son valores influenciados por la prevalencia de la enfermedad en la población que se está analizando.

conceptos erróneos

A menudo se afirma que una prueba altamente específica es eficaz para confirmar una enfermedad cuando es positiva, mientras que una prueba altamente sensible se considera eficaz para descartar una enfermedad cuando es negativa. [ 7 ] [ 8 ] Esto ha llevado a las mnemotecnias ampliamente utilizadas SPPIN y SNNOUT, según las cuales una prueba altamente específica, cuando es positiva , confirma la enfermedad (SP-P-IN), y una prueba altamente sensible , cuando es negativa , descarta la enfermedad (SN-N-OUT). Sin embargo, ambas reglas generales son inferencialmente engañosas, ya que el poder diagnóstico de cualquier prueba está determinado por la prevalencia de la condición que se está probando, la sensibilidad de la prueba y su especificidad. [ 9 ] [ 10 ] [ 11 ] La mnemotecnia SNNOUT tiene cierta validez cuando la prevalencia de la condición en cuestión es extremadamente baja en la muestra probada.

La compensación entre especificidad y sensibilidad se explora en el análisis ROC como una compensación entre la tasa de recuperación (TPR) y la tasa de falsos positivos (FPR). [ 12 ] Asignarles el mismo peso optimiza la información = especificidad + sensibilidad − 1 = TPR − FPR, cuya magnitud da la probabilidad de una decisión informada entre las dos clases (>  0 representa un uso apropiado de la información, 0 representa un rendimiento al nivel del azar, <  0 representa un uso perverso de la información). [ 13 ]

Índice de sensibilidad

El índice de sensibilidad o d′ (pronunciado "dee-prime") es una estadística utilizada en la teoría de detección de señales . Proporciona la separación entre las medias de las distribuciones de señal y ruido, en comparación con la desviación estándar de la distribución de ruido. Para señales y ruido con distribución normal con media y desviación estándarμS{\displaystyle \mu _{S}}yσS{\displaystyle \sigma _{S}}, yμnorte{\displaystyle \mu _{N}}yσnorte{\displaystyle \sigma _{N}}, respectivamente, d′ se define como:

d′=μS−μnorte12(σS2+σnorte2){\displaystyle d^{\prime }={\frac {\mu _{S}-\mu _{N}}{\sqrt {{\frac {1}{2}}\left(\sigma _{S}^{2}+\sigma _{N}^{2}\right)}}}}[ 14 ]

También se puede obtener una estimación de d′ a partir de mediciones de la tasa de aciertos y la tasa de falsas alarmas . Se calcula de la siguiente manera:

d′ = Z (tasa de aciertos) − Z (tasa de falsas alarmas), [ 15 ]

donde la función Z ( p ), p ∈ [0, 1], es la inversa de la distribución gaussiana acumulativa .

d′ es una estadística adimensional . Un valor de d′ más alto indica que la señal se puede detectar con mayor facilidad.

Matriz de confusión

La relación entre sensibilidad, especificidad y términos similares se puede comprender mediante la siguiente tabla. Consideremos un grupo con P casos positivos y N casos negativos de alguna condición. Los cuatro resultados se pueden formular en una tabla de contingencia de 2×2 o matriz de confusión , así como derivaciones de varias métricas utilizando los cuatro resultados, como se muestra a continuación:

  1. ↑ el número de casos positivos reales en los datos
  2. ↑ Un resultado de prueba que indica correctamente la presencia de una condición o característica.
  3. ↑ Error de tipo II: Un resultado de prueba que indica erróneamente que una condición o atributo particular está ausente.
  4. ↑ el número de casos negativos reales en los datos
  5. ↑ Un resultado de prueba que indica correctamente la ausencia de una condición o característica.
  6. ↑ Error de tipo I: Un resultado de prueba que indica erróneamente que una condición o atributo particular está presente.
  • vista
  • hablar
  • editar
Un ejemplo práctico
Se aplica una prueba diagnóstica con una sensibilidad del 67% y una especificidad del 91% a 2030 personas para detectar un trastorno con una prevalencia poblacional del 1,48%.

Cálculos relacionados

  • Tasa de falsos positivos (α) = error de tipo I = 1 − especificidad = FP / (FP + TN) = 180 / (180 + 1820) = 9%
  • Tasa de falsos negativos (β) = error de tipo II = 1 − sensibilidad = FN / (TP + FN) = 10 / (20 + 10) ≈ 33%
  • Potencia = sensibilidad = 1 − β
  • Razón de verosimilitud positiva = sensibilidad / (1  −  especificidad) ≈ 0,67 / (1  −  0,91) ≈ 7,4
  • Razón de verosimilitud negativa = (1  −  sensibilidad) / especificidad ≈ (1  −  0,67) / 0,91 ≈ 0,37
  • Umbral de prevalencia =PAGT=TPAGR(−TnorteR+1)+TnorteR−1(TPAGR+TnorteR−1){\displaystyle PT={\frac {{\sqrt {TPR(-TNR+1)}}+TNR-1}{(TPR+TNR-1)}}}≈ 0,2686 ≈ 26,9%

Esta prueba de detección hipotética (prueba de sangre oculta en heces) identificó correctamente a dos tercios (66,7 %) de los pacientes con cáncer colorrectal. [ a ] ​​Desafortunadamente, al considerar las tasas de prevalencia, se observa que esta prueba hipotética tiene una alta tasa de falsos positivos y no identifica de manera confiable el cáncer colorrectal en la población general de personas asintomáticas (VPP  =  10 %).

Por otro lado, esta prueba hipotética demuestra una detección muy precisa de individuos libres de cáncer (VPN  ≈  99,5%). Por lo tanto, cuando se utiliza para la detección sistemática del cáncer colorrectal en adultos asintomáticos, un resultado negativo proporciona datos importantes tanto para el paciente como para el médico, como tranquilizar a los pacientes preocupados por desarrollar cáncer colorrectal.

Estimación de errores en la sensibilidad o especificidad citadas.

Los valores de sensibilidad y especificidad por sí solos pueden resultar muy engañosos. Es necesario calcular la sensibilidad o especificidad en el peor de los casos para evitar basarse en experimentos con pocos resultados. Por ejemplo, una prueba determinada puede mostrar fácilmente una sensibilidad del 100 % si se compara con el estándar de referencia cuatro veces, pero una sola prueba adicional con el estándar de referencia que arroje un resultado deficiente implicaría una sensibilidad de solo el 80 %. Una forma común de hacerlo es mediante el intervalo de confianza de la proporción binomial , que a menudo se calcula utilizando un intervalo de puntuación de Wilson.

Se pueden calcular intervalos de confianza para la sensibilidad y la especificidad, que proporcionan el rango de valores dentro del cual se encuentra el valor correcto a un nivel de confianza determinado (por ejemplo, 95%). [ 26 ]

Terminología en la recuperación de información

En la recuperación de información , el valor predictivo positivo se denomina precisión y la sensibilidad, exhaustividad . A diferencia de la relación entre especificidad y sensibilidad, estas medidas son independientes del número de verdaderos negativos, que generalmente se desconoce y es mucho mayor que el número real de documentos relevantes y recuperados. Esta suposición de un número muy elevado de verdaderos negativos en comparación con los positivos es poco común en otras aplicaciones. [ 13 ]

La puntuación F puede utilizarse como una medida única del rendimiento de la prueba para la clase positiva. La puntuación F es la media armónica de la precisión y la exhaustividad:

F=2×precisión×recordarprecisión+recordar{\displaystyle F=2\times {\frac {{\text{precisión}}\times {\text{recall}}}{{\text{precisión}}+{\text{recall}}}}}

En el lenguaje tradicional de las pruebas de hipótesis estadísticas , la sensibilidad de una prueba se denomina potencia estadística de la prueba, aunque el término potencia, en ese contexto, tiene un uso más general que no es aplicable en el presente caso. Una prueba sensible tendrá menos errores de tipo II .

Terminología en el análisis del genoma

De forma similar al dominio de recuperación de información , en el área de investigación de predicción de genes , el número de verdaderos negativos (no genes) en secuencias genómicas es generalmente desconocido y mucho mayor que el número real de genes (verdaderos positivos). El término conveniente e intuitivamente comprendido de especificidad en esta área de investigación se ha utilizado frecuentemente con la fórmula matemática para precisión y exhaustividad tal como se define en bioestadística. El par así definido de especificidad (como valor predictivo positivo) y sensibilidad (tasa de verdaderos positivos) representa parámetros principales que caracterizan la precisión de los algoritmos de predicción de genes. [ 27 ] [ 28 ] [ 29 ] [ 30 ] Por el contrario, el término especificidad en el sentido de tasa de verdaderos negativos tendría poca o ninguna aplicación en el área de investigación de análisis de genomas.

Véase también

Notas

  1. ↑ Todas las pruebas de detección médica presentan ventajas y desventajas. Las guías de práctica clínica , como las de detección del cáncer colorrectal, describen estos riesgos y beneficios. [ 24 ] [ 25 ]

Referencias

  1. ↑ Yerushalmy J (1947). "Problemas estadísticos en la evaluación de métodos de diagnóstico médico con especial referencia a las técnicas de rayos X". Public Health Reports . 62 (2): 1432– 39. doi : 10.2307/4586294 . JSTOR 4586294 . PMID 20340527 . S2CID 19967899 .   
  2. ↑ Saah AJ, Hoover DR (1998). "[Sensibilidad y especificidad revisitadas: significado de los términos en el lenguaje analítico y diagnóstico]". Ann Dermatol Venereol . 125 (4): 291– 4. PMID 9747274 . 
  3. ↑ Parikh R, Mathai A, Parikh S, Chandra Sekhar G, Thomas R (2008). "Comprensión y uso de la sensibilidad, la especificidad y los valores predictivos" . Indian Journal of Ophthalmology . 56 (1): 45– 50. doi : 10.4103/0301-4738.37595 . PMC 2636062. PMID 18158403 .  
  4. 1 2 Altman DG, Bland JM (junio de 1994). " Pruebas diagnósticas. 1: Sensibilidad y especificidad" . BMJ . 308 (6943): 1552. doi : 10.1136/bmj.308.6943.1552 . PMC 2540489. PMID 8019315 .  
  5. ↑ "SpPin y SnNout" . Centro de Medicina Basada en la Evidencia (CEBM) . Consultado el 18 de enero de 2023 .
  6. ↑ Mangrulkar R. "Razonamiento diagnóstico I y II" . Archivado del original el 1 de agosto de 2011. Consultado el 24 de enero de 2012 .
  7. ↑ "Diagnóstico basado en la evidencia" . Universidad Estatal de Michigan. Archivado del original el 6 de julio de 2013. Consultado el 23 de agosto de 2013 .
  8. ↑ "Sensibilidad y especificidad" . Curso de Medicina Basada en la Evidencia de la Facultad de Medicina de la Universidad de Emory.
  9. ↑ Baron JA (abr–jun 1994). " Lástima que no sea cierto". Medical Decision Making . 14 (2): 107. doi : 10.1177/0272989X9401400202 . PMID 8028462. S2CID 44505648 .  
  10. ↑ Boyko EJ (abr–jun 1994). "Descartar o confirmar una enfermedad con la prueba diagnóstica más sensible o específica: ¿atajo o camino equivocado?". Medical Decision Making . 14 (2): 175– 9. doi : 10.1177/0272989X9401400210 . PMID 8028470. S2CID 31400167 .  
  11. ↑ Pewsner D, Battaglia M, Minder C, Marx A, Bucher HC, Egger M (julio de 2004). "Confirmar o descartar un diagnóstico con "SpPIn" y "SnNOut": una nota de precaución" . BMJ . 329 ( 7459): 209–13 . doi : 10.1136/bmj.329.7459.209 . PMC 487735. PMID 15271832 .  
  12. ↑ Fawcett T (2006). "Una introducción al análisis ROC". Pattern Recognition Letters . 27 (8): 861– 874. Bibcode : 2006PaReL..27..861F . CiteSeerX 10.1.1.646.2144 . doi : 10.1016/j.patrec.2005.10.010 . S2CID 2027090 .  
  13. 1 2 Powers DM (2011). "Evaluación: De la precisión, la exhaustividad y la medida F a la curva ROC, la información, la marcación y la correlación" . Journal of Machine Learning Technologies . 2 (1): 37– 63.
  14. ↑ Gale SD, Perkel DJ (enero de 2010). "Una vía de los ganglios basales impulsa respuestas auditivas selectivas en neuronas dopaminérgicas de aves cantoras a través de la desinhibición" . The Journal of Neuroscience . 30 (3): 1027–37 . doi : 10.1523/JNEUROSCI.3585-09.2010 . PMC 2824341. PMID 20089911 .  
  15. ↑ Macmillan NA, Creelman CD (15 de septiembre de 2004). Teoría de la detección: Guía del usuario . Psychology Press. pág. 7. ISBN  978-1-4106-1114-7.
  16. ↑ Fawcett T (2006). "Una introducción al análisis ROC" (PDF) . Pattern Recognition Letters . 27 (8): 861– 874. doi : 10.1016/j.patrec.2005.10.010 . S2CID 2027090 . 
  17. ↑ Provost F, Tom Fawcett (1 de agosto de 2013). "Ciencia de datos para los negocios: lo que necesita saber sobre minería de datos y pensamiento analítico de datos" . O'Reilly Media, Inc.
  18. ↑ Powers DM (2011). "Evaluación: De la precisión, la exhaustividad y la medida F a la curva ROC, la información, la marcación y la correlación" . Journal of Machine Learning Technologies . 2 (1): 37– 63.
  19. ↑ Ting KM (2011). Sammut C, Webb GI (eds.). Enciclopedia del aprendizaje automático . Springer. doi : 10.1007/978-0-387-30164-8 . ISBN 978-0-387-30164-8.
  20. ↑ Brooks H, Brown B, Ebert B, Ferro C, Jolliffe I, Koh TY, Roebber P, Stephenson D (26 de enero de 2015). "Grupo de trabajo conjunto WWRP/WGNE sobre investigación de verificación de pronósticos" . Colaboración para la investigación meteorológica y climática australiana . Organización Meteorológica Mundial . Consultado el 17 de julio de 2019 .
  21. ↑ Chicco D, Jurman G (enero de 2020). "Las ventajas del coeficiente de correlación de Matthews (MCC) sobre la puntuación F1 y la precisión en la evaluación de la clasificación binaria" . BMC Genomics . 21 (1): 6-1–6-13. doi : 10.1186/s12864-019-6413-7 . PMC 6941312. PMID 31898477 .  
  22. ↑ Chicco D, Toetsch N, Jurman G (febrero de 2021). "El coeficiente de correlación de Matthews (MCC) es más fiable que la precisión equilibrada, la información del corredor de apuestas y la marcación en la evaluación de matrices de confusión de dos clases" . BioData Mining . 14 (13): 13. doi : 10.1186/s13040-021-00244-z . PMC 7863449. PMID 33541410 .  
  23. ↑ Tharwat A. (agosto de 2018). "Métodos de evaluación de clasificación" . Applied Computing and Informatics . 17 : 168–192 . doi : 10.1016/j.aci.2018.08.003 .
  24. ↑ Lin JS, Piper MA, Perdue LA, Rutter CM, Webber EM, O'Connor E, Smith N, Whitlock EP (21 de junio de 2016). "Detección del cáncer colorrectal". JAMA . 315 (23): 2576– 2594. doi : 10.1001/jama.2016.3332 . ISSN 0098-7484 . PMID 27305422 .  
  25. ↑ Bénard F, Barkun AN, Martel M, Renteln Dv (7 de enero de 2018). "Revisión sistemática de las guías de detección del cáncer colorrectal para adultos de riesgo promedio: resumen de las recomendaciones globales actuales" . World Journal of Gastroenterology . 24 (1): 124– 138. doi : 10.3748/wjg.v24.i1.124 . PMC 5757117. PMID 29358889 .  
  26. ↑ "Calculadora en línea de pruebas diagnósticas que calcula la sensibilidad, la especificidad, las razones de probabilidad y los valores predictivos a partir de una tabla de 2x2: calculadora de intervalos de confianza para parámetros predictivos" . medcalc.org .
  27. ↑ Burge C , Karlin S (1997). "Predicción de estructuras genéticas completas en el ADN genómico humano" (PDF) . Journal of Molecular Biology . 268 (1): 78– 94. CiteSeerX 10.1.1.115.3107 . doi : 10.1006/jmbi.1997.0951 . PMID 9149143 . Archivado del original (PDF) el 20 de junio de 2015.  
  28. ↑ Lomsadze A, Ter-Hovhannisyan V, Chernoff YO, Borodovsky M (noviembre de 2005). "GeneMark-ES" . Nucleic Acids Research . 33 (20): 6494– 6506. doi : 10.1093 / nar/gki937 . PMC 1298918. PMID 16314312 .  Lomsadze A (2005). " Búsqueda de genes en genomas novedosos mediante algoritmo de autoaprendizaje" . Nucleic Acids Research . 33 (20): 6494– 6906. doi : 10.1093/nar/gki937 . PMC 1298918. PMID 16314312 .  
  29. ↑ Korf I (2004). " Búsqueda de genes en genomas novedosos" . BMC Bioinformatics . 5 59. doi : 10.1186/1471-2105-5-59 . PMC 421630. PMID 15144565 .  
  30. ↑ Yandell M, Ence D (abril de 2012). "Una guía para principiantes sobre la anotación del genoma eucariota". Nature Reviews. Genetics . 13 (5): 329– 42. doi : 10.1038/nrg3174 . PMID 22510764. S2CID 3352427 .  

Lecturas adicionales

  • Loong TW (septiembre de 2003). " Comprensión de la sensibilidad y la especificidad con el lado derecho del cerebro" . BMJ . 327 (7417): 716–9 . doi : 10.1136/bmj.327.7417.716 . PMC 200804. PMID 14512479 .  
  • Calculadora UIC
  • Calculadora de sensibilidad/especificidad del Vassar College
  • Calculadora online gratuita MedCalc
  • Aplicación de modelo de diagnóstico clínico bayesiano que muestra los valores predictivos positivos y negativos en función de la prevalencia, la sensibilidad y la especificidad.
Lecturas relacionadas
6 articulos
Pintura al óleo de la medicina en la época del colonialismoMedicamentoBandera de la Organización Mundial de la Salud con la Vara de Asclepio , un símbolo común de la medicina y la atención sanitaria La medicina es la ...EstadísticaEstadísticaLa distribución normal , una densidad de probabilidad muy común , se utiliza ampliamente en estadística inferencial . Los diagramas de dispersión y...Probabilidad condicionalProbabilidad condicionalEn teoría de la probabilidad , la probabilidad condicional es una medida de la probabilidad de que ocurra un evento , dado que ya se sabe que ocurr...Patrón oro (prueba)En medicina y estadística médica , el estándar de oro , estándar de criterio [1] o estándar de referencia [2] es la prueba diagnóstica o punto de r...Diagnóstico médicoDiagnóstico médicoEl diagnóstico médico (abreviado Dx , [1] D x o D s ) es el proceso de determinar qué enfermedad o condición explica los síntomas y signos de una p...Screening (medicine)Screening (medicine)Screening, in medicine, is a strategy used to look for as-yet-unrecognised conditions or risk markers.[1][2][3] This testing can be applied to indi...