Diagnostische Genauigkeit
In diesem Beitrag
Was versteht man unter Diagnostischer Genauigkeit?
Diagnostische Genauigkeit beschreibt, wie gut ein diagnostischer Test zwischen Personen mit und ohne eine bestimmte Erkrankung oder Eigenschaft unterscheiden kann. Sie ist kein einzelner Wert, sondern ein Oberbegriff für mehrere Kennzahlen, die verschiedene Aspekte der Testleistung abbilden.
Die wichtigsten Maße der diagnostischen Genauigkeit sind:
- Sensitivität: Anteil der tatsächlich Erkrankten, die vom Test korrekt als positiv erkannt werden (Richtig-Positiv-Rate).
- Spezifität: Anteil der tatsächlich Gesunden, die vom Test korrekt als negativ erkannt werden (Richtig-Negativ-Rate).
- Positiver Vorhersagewert (PPV): Wahrscheinlichkeit, dass jemand mit positivem Testergebnis tatsächlich erkrankt ist.
- Negativer Vorhersagewert (NPV): Wahrscheinlichkeit, dass jemand mit negativem Testergebnis tatsächlich gesund ist.
- Gesamtgenauigkeit (Accuracy): Anteil aller korrekt klassifizierten Fälle an allen untersuchten Personen.
Diese Kennzahlen werden auf Basis einer sogenannten Vierfeldertafel (Konfusionsmatrix) berechnet, die Testergebnisse den tatsächlichen Krankheitszuständen gegenüberstellt.
Gesamtgenauigkeit (Accuracy)
Warum ist Diagnostische Genauigkeit für statistische Analysen wichtig?
In der Medizin, Psychologie und den Sozialwissenschaften werden Tests und Screening-Verfahren eingesetzt, um Entscheidungen zu treffen – etwa ob jemand eine Behandlung benötigt oder ob ein Screening-Programm sinnvoll ist. Die diagnostische Genauigkeit entscheidet darüber, wie verlässlich diese Entscheidungen sind.
Dabei ist es wichtig zu verstehen, dass eine hohe Gesamtgenauigkeit allein nicht ausreicht. Gerade bei seltenen Erkrankungen kann ein Test eine hohe Gesamtgenauigkeit erzielen, indem er einfach alle Personen als gesund klassifiziert – und trotzdem alle Erkrankten übersehen. Deshalb müssen Sensitivität und Spezifität immer gemeinsam betrachtet werden.
Zusätzlich erlaubt die ROC-Kurve (Receiver Operating Characteristic) eine umfassende Bewertung der Testleistung über verschiedene Schwellenwerte hinweg. Die Fläche unter der ROC-Kurve (AUC) ist ein gebräuchliches Gesamtmaß: Ein AUC-Wert von 1,0 steht für perfekte Trennschärfe, 0,5 entspricht einem zufälligen Raten.
Praxisbeispiel zu Diagnostischer Genauigkeit
Angenommen, ein neuer Schnelltest zur Erkennung einer Infektionskrankheit wird an 200 Personen erprobt. Von diesen sind 50 tatsächlich erkrankt und 150 gesund. Die Ergebnisse:
| Tatsächlich erkrankt | Tatsächlich gesund | Gesamt | |
|---|---|---|---|
| Test positiv | 45 (Richtig-Positiv) | 15 (Falsch-Positiv) | 60 |
| Test negativ | 5 (Falsch-Negativ) | 135 (Richtig-Negativ) | 140 |
| Gesamt | 50 | 150 | 200 |
Aus dieser Tabelle lassen sich die Kennzahlen direkt ablesen:
- Sensitivität: 45 / 50 = 90 % – der Test erkennt 9 von 10 Erkrankten.
- Spezifität: 135 / 150 = 90 % – der Test klassifiziert 9 von 10 Gesunden korrekt.
- Gesamtgenauigkeit: (45 + 135) / 200 = 90 %
- PPV: 45 / 60 = 75 % – bei positivem Ergebnis ist die Person in 3 von 4 Fällen tatsächlich krank.
- NPV: 135 / 140 ≈ 96 % – bei negativem Ergebnis ist die Person in etwa 96 % der Fälle tatsächlich gesund.
