So nutzen Sie den Sensitivität-Spezifität-Rechner
Der Sensitivität-Spezifität-Rechner ermöglicht eine präzise statistische Auswertung diagnostischer Tests, Screening-Verfahren und Klassifikationsmodelle anhand einer klassischen 2x2-Vierfeldertafel. Geben Sie einfach die beobachteten Fallzahlen in die entsprechenden Felder ein:
- Richtig positiv (TP): Anzahl der erkrankten oder positiven Personen, bei denen der Test korrekt positiv angeschlagen hat.
- Falsch negativ (FN): Anzahl der erkrankten Personen, die fälschlicherweise ein negatives Testergebnis erhalten haben (übersehene Fälle).
- Richtig negativ (TN): Anzahl der gesunden oder negativen Personen, bei denen der Test korrekt negativ ausgefallen ist.
- Falsch positiv (FP): Anzahl der gesunden Personen, bei denen der Test fälschlicherweise ein positives Ergebnis angezeigt hat (Fehlalarme).
Der Sensitivität-Spezifität-Rechner berechnet daraufhin in Echtzeit alle maßgeblichen Kennzahlen wie Sensitivität, Spezifität, Genauigkeit (Accuracy), den positiven Vorhersagewert (PPV) sowie den negativen Vorhersagewert (NPV).
Aufbau der 2x2-Vierfeldertafel in der Diagnostik
In der medizinischen Biometrie und Epidemiologie bildet die 2x2-Kontingenztafel (Vierfeldertafel) das Fundament zur Validierung diagnostischer Methoden gegenüber einem anerkannten Goldstandard:
| Testergebnis / Realität | Zustand positiv (Krank) | Zustand negativ (Gesund) | Summe |
|---|---|---|---|
| Test positiv (+) | Richtig Positiv (TP) | Falsch Positiv (FP) | Alle Test-Positiven (TP + FP) |
| Test negativ (-) | Falsch Negativ (FN) | Richtig Negativ (TN) | Alle Test-Negativen (FN + TN) |
| Gesamtsumme | Alle Kranken (TP + FN) | Alle Gesunden (FP + TN) | Gesamtstichprobe ($N$) |
Mithilfe dieser Systematik trennt der Sensitivität-Spezifität-Rechner klar zwischen testspezifischen Kenngrößen und populationsabhängigen Vorhersagewerten.
Mathematische Formeln & Gütekriterien
Der Sensitivität-Spezifität-Rechner nutzt etablierte biostatistische Formeln zur Bestimmung der diagnostischen Testgüte:
1. Sensitivität (Richtig-Positiv-Rate / Recall)
Die Sensitivität gibt den Prozentsatz tatsächlich erkrankter Personen an, die durch das Verfahren korrekt als krank erkannt werden: $$\text{Sensitivität} = \frac{\text{TP}}{\text{TP} + \text{FN}}$$
2. Spezifität (Richtig-Negativ-Rate)
Die Spezifität beziffert den Anteil gesunder Personen, die vom Test fehlerfrei als gesund identifiziert werden: $$\text{Spezifität} = \frac{\text{TN}}{\text{TN} + \text{FP}}$$
3. Positiver Vorhersagewert (PPV)
Der positive Vorhersagewert beschreibt die Wahrscheinlichkeit, dass eine Person mit positivem Testergebnis tatsächlich erkrankt ist: $$\text{PPV} = \frac{\text{TP}}{\text{TP} + \text{FP}}$$
4. Negativer Vorhersagewert (NPV)
Der negative Vorhersagewert gibt die Wahrscheinlichkeit an, dass eine Person mit negativem Befund tatsächlich gesund ist: $$\text{NPV} = \frac{\text{TN}}{\text{TN} + \text{FN}}$$
5. Gesamtgenauigkeit & Fehlerraten
- Gesamtgenauigkeit (Accuracy): $\text{Genauigkeit} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{TN} + \text{FP} + \text{FN}}$
- Falsch-Positiv-Rate (FPR): $\text{FPR} = \frac{\text{FP}}{\text{FP} + \text{TN}} = 1 - \text{Spezifität}$
- Falsch-Negativ-Rate (FNR): $\text{FNR} = \frac{\text{FN}}{\text{FN} + \text{TP}} = 1 - \text{Sensitivität}$
Praxisbeispiel: Validierung eines Schnelltests
In einer klinischen Evaluierungsstudie wird ein neuer diagnostischer Schnelltest an $N = 200$ Probanden untersucht:
- $\text{TP} = 80$, $\text{FN} = 20$ (insgesamt 100 Erkrankte)
- $\text{TN} = 90$, $\text{FP} = 10$ (insgesamt 100 Nicht-Erkrankte)
Wird diese Stichprobe im Sensitivität-Spezifität-Rechner ausgewertet, ergeben sich folgende Ergebnisse:
- Sensitivität: $\frac{80}{80 + 20} = 80{,}0%$
- Spezifität: $\frac{90}{90 + 10} = 90{,}0%$
- Positiver Vorhersagewert (PPV): $\frac{80}{80 + 10} = 88{,}89%$
- Negativer Vorhersagewert (NPV): $\frac{90}{90 + 20} = 81{,}82%$
- Genauigkeit: $\frac{80 + 90}{200} = 85{,}0%$
Klinische Relevanz: Screening versus Bestätigungsdiagnostik
In der praktischen Anwendung liefert der Sensitivität-Spezifität-Rechner wichtige Entscheidungshilfen für unterschiedliche medizinische und statistische Fragestellungen:
- Screening-Untersuchungen (SnNOut): Für Reihenuntersuchungen werden Tests mit hoher Sensitivität bevorzugt. Ein negatives Ergebnis schließt die Erkrankung mit hoher Sicherheit aus (Sensitivity Negative Rules Out), sodass möglichst keine Fälle unentdeckt bleiben.
- Bestätigungstests (SpPIn): Zur Verifizierung eines Verdachts ist eine hohe Spezifität entscheidend. Ein positives Ergebnis sichert die Diagnose verlässlich ab (Specificity Positive Rules In) und verhindert unnötige Folgeeingriffe.
- Einfluss der Prävalenz: Während Sensitivität und Spezifität unveränderliche Merkmale des Messverfahrens sind, variieren PPV und NPV mit der Häufigkeit der Erkrankung (Vortestwahrscheinlichkeit) in der untersuchten Kohorte.
Nutzen Sie den Sensitivität-Spezifität-Rechner, um labormedizinische Befunde, epidemiologische Studien oder maschinelle Klassifikatoren schnell und transparent zu validieren.