positieve testuitslag bij een persoon die de ziekte niet heeft

= b 

negatieve testuitslag bij een zieke persoon

= c

de proportie van (werkelijk) zieken in de populatie bij wie een positief testresultaat werd gevonden, ten opzichte van alle zieke personen

= a / a+c

Te onthouden: 'SNOUT = SeNsitivity rules OUT' (een test met hoge sensitiviteit is een goede uitsluiter)

de proportie van gezonde personen in de populatie bij wie een negatief testresultaat werd gevonden, ten opzichte van alle gezonde personen

= d / b+d

Te onthouden: 'SPIN = SPecificity rules IN' (een test met hoge specificiteit is een goede aantoner)

het percentage personen met een positieve test dat de ziekte heeft of zal ontwikkelen = het aantal terecht positieven/het totaal aantal personen met een positieve test = het percentage correcte diagnoses die met een positieve test (= de kans dat een persoon met een positieve test de ziekte heeft of zal ontwikkelen) gepaard gaan

= a / a+b

Als we een diagnostische test gebruiken in de klinische praktijk zal de voorspellende waarde afhankelijk zijn van de prevalentie van de aandoening in de praktijkpopulatie. De prevalentie van de aandoening in de praktijkpopulatie kan sterk verschillen van de prevalentie in de onderzoekspopulatie die gebruikt werd om de accuraatheid van de diagnostische test te onderzoeken. Algemeen kunnen we stellen dat hoe zeldzamer de aandoening in de praktijkpopulatie is, hoe meer zeker we mogen zijn dat een negatieve test terecht negatief zal zijn en hoe minder zeker we mogen zijn dat een positieve test terecht positief zal zijn. Zo is bij zeer zeldzame aandoeningen de positief voorspellende waarde van een test met hoge sensititiviteit en hoge specificiteit toch zeer laag (door een toename van het aantal vals positieven). Zie ook de illustratie.

het percentage personen met een negatieve test dat de ziekte niet heeft of niet zal ontwikkelen = het aantal terecht negatieven/het totaal aantal personen met een negatieve test = het percentage correcte diagnoses die met een positieve test (= de kans dat een persoon met een negatieve test de ziekte niet heeft of niet zal ontwikkelen) gepaard gaan

= d / c+d

geeft aan in welke mate een ziekte aannemelijker wordt bij een patiënt na het vinden van een positief testresultaat = verhouding tussen de kans op een positief testresultaat bij zieken en gezonden

= sensitiviteit / 1 – specificiteit.

Een LR+ is steeds groter dan 1; vanaf een waarde van 10 mogen we stellen dat er sterke evidentie bestaat dat de test een aandoening kan aantonen; zie ook: de kracht van argumenten

geeft aan in welke mate een ziekte minder aannemelijk wordt bij een negatief testresultaat = verhouding tussen de kans op een negatief testresultaat bij zieken en gezonden

= 1 – sensitiviteit / specificiteit

Een LR- is steeds kleiner dan 1; vanaf een waarde kleiner dan 0,1 mogen we stellen dat er sterke evidentie bestaat dat de test een aandoening kan uitsluiten; zie ook: de kracht van argumenten

kans op een ziekte bij een bepaalde persoon vóór het uitvoeren van een bepaalde test (anamnese, klinisch onderzoek, technisch onderzoek)

= prevalentie

kans op het hebben van een ziekte t.o.v. kans op het niet hebben van een ziekte vóór het uitvoeren van een bepaalde test

= voorkans (%/100)/1-voorkans

kans op het hebben van een ziekte bij een positieve/negatieve testuitslag t.o.v. kans op het niet hebben van een ziekte bij een positieve/negatieve testuitslag

= LR*pre-test odds

kans op een ziekte  bij een bepaalde persoon na het in rekening brengen van een positieve/negatieve testuitslag

= [post-test odds/(post-test odds+1)]*100

Naast de berekening van de nakans aan de hand van deze formule kan ook gebruik gemaakt worden van een nomogram.

Men kan ook hiervoor ook een calculator gebruiken.

De ROC-curve is een grafiek waarmee het vermogen van een test om een onderscheid te maken tussen gezonde en zieke personen wordt weergegeven. In een ROC-curve wordt bij verschillende afkapwaarden de sensitiviteit van de test (terecht-positieven) op de y-as uitgezet tegen de fout-positieven (1-specificiteit) op de x-as.

De ‘area under the curve’ geeft aan hoe accuraat een test is: 1 is een perfecte test, die alle zieken kan identificeren zonder fout-positieven, en 0,5 (= de diagonaal) is een waardeloze test, die evenveel terecht-positieven als fout-positieven detecteert.

Hoe hoger de grens van het afkappunt, hoe lager de sensitiviteit en hoe hoger de specificiteit. De meest optimale afkapwaarde ligt in de linker bovenhoek van de curve (hoge proportie terecht-positieven en lage proportie fout-positieven).

zie afbeelding

Een ROC-curve kan ook worden gebruikt om verschillende diagnostische testen onderling te vergelijken (bijvoorbeeld in een meta-analyse).