Likelihood Ratio (Geneeskunde): Basisdefinitie, Interpretatie

Statistiek Definities > Likelihood Ratio

Het volgende artikel behandelt de Likelihood Ratio zoals deze van toepassing is op diagnostische tests in de geneeskunde. Als u op zoek bent naar de test die wordt gebruikt om het beste model te kiezen, zie dan het volgende artikel: Likelihood Ratio Test (Probability and Mathematical Statistics).

Wat is een Likelihood Ratio?

U kunt misschien beter eerst dit artikel lezen: Sensitivity vs Specificity.

Likelihood Ratio’s (LR) bij medische tests worden gebruikt om diagnostische tests te interpreteren. In principe zegt de LR hoe waarschijnlijk het is dat een patiënt een ziekte of aandoening heeft. Hoe hoger de ratio, hoe waarschijnlijker het is dat de patiënt de ziekte of aandoening heeft. Omgekeerd betekent een lage LR dat de ziekte of aandoening zeer waarschijnlijk niet aanwezig is. Daarom kunnen deze ratio’s een arts helpen bij het in- of uitsluiten van een ziekte.

Formules

De formule voor de likelihood ratio (LR) is:

Tests kunnen zowel positief als negatief zijn, dus zijn er twee ratio’s:

• Positieve LR: Deze vertelt u hoeveel groter de kans is dat u een ziekte hebt, gegeven een positief testresultaat. De verhouding is:
  kans dat een persoon met de aandoening positief test (een echte positieve) /
  kans dat een persoon zonder de aandoening positief test (een valse positieve).
• Negatieve LR: Deze vertelt u hoeveel u de kans op het hebben van een ziekte moet verkleinen, gegeven een negatief testresultaat. De verhouding is:
  kans dat een persoon met de aandoening negatief test (fout-negatief) /
  kans dat een persoon zonder de aandoening negatief test (echt negatief).

Gevoeligheid en specificiteit zijn een alternatieve manier om de likelihood ratio te definiëren:

• Positieve LR = gevoeligheid / (100 – specificiteit).
• Negatieve LR = (100 – gevoeligheid) / specificiteit.

Interpretatie van Likelihood Ratios

Likelihood ratio’s lopen van nul tot oneindig. Hoe hoger de waarde, hoe waarschijnlijker het is dat de patiënt de aandoening heeft. Stel dat een positief testresultaat een LR van 9,2 heeft. Dit resultaat is 9,2 keer waarschijnlijker bij een patiënt met de aandoening dan bij een patiënt zonder de aandoening.

Een vuistregel (McGee, 2002; Sloane, 2008) voor het interpreteren ervan:

• 0 tot 1: verminderd bewijs voor ziekte. Waarden dichter bij nul hebben een grotere afname van de waarschijnlijkheid van ziekte. Bijvoorbeeld, een LR van 0,1 vermindert de waarschijnlijkheid met -45%, terwijl een waarde van -0,5 de waarschijnlijkheid met -15% vermindert.
• 1: geen diagnostische waarde.
• Boven 1: meer aanwijzingen voor ziekte. Hoe verder weg van 1, hoe meer kans op ziekte. Bijvoorbeeld, een LR van 2 verhoogt de waarschijnlijkheid met 15%, terwijl een LR van 10 de waarschijnlijkheid met 45% verhoogt. Een LR van meer dan 10 is zeer sterk bewijs om een ziekte uit te sluiten.

Real Life Example

Sloane (2008) geeft het volgende voorbeeld voor een serum ferritine test, die test op ijzertekort anemie. De LR voor de test is:

De LR van 51.8 voor de onder 15 mg/dL resultaat zeer sterk bewijs om uit te sluiten in ijzergebrek anemie. Aan de andere kant is de zeer lage LR van 0,08 een duidelijk bewijs dat er geen anemie is. Scores daartussen zijn voor interpretatie vatbaar; verdere tests kunnen nodig zijn.

Bayes Theorem and the LR

In theorie zegt de LR of een test juist is. In de praktijk wordt hij niet veel gebruikt. Dat kan komen doordat het theorema van Bayes (de theorie achter de pre- en posttestkansen) niet erg gemakkelijk te begrijpen is. U hoeft de werking van de stelling echter niet te begrijpen om de Likelihood Ratio-vorm van de stelling te begrijpen:

Bij wijze van voorbeeld: een patiënt die terugkeert van een vakantie in Rio heeft koorts en gewrichtspijn. Gegevens uit het verleden vertellen u dat 70% van de patiënten in uw praktijk die uit Rio terugkeren met koorts en gewrichtspijn, Zika hebben. Het resultaat van de bloedtest is positief, met een waarschijnlijkheidsratio van 6. Om de waarschijnlijkheid te berekenen dat de patiënt Zika heeft:
Stap 1: Converteer de pre-test waarschijnlijkheid naar kansen:
0,7 / (1 – 0,7) = 2,33.
Stap 2: Gebruik de formule om pre-test naar post-test kansen om te rekenen:
Post-test kansen = Pre-test kansen * LR = 2,33 * 6 = 13,98.98.
Post-test kansen = Pre-test kansen * LR = 2,33 * 6 = 13,98.
Stap 3: Gebruik de formule om pre-test kansen om te rekenen naar post-test kansen33 * 6 = 13.98.
Stap 3: Converteer de kans in stap 2 terug naar waarschijnlijkheid:
(13.98) / (1 + 13.98) = 0.93.
Er is een kans van 93% dat de patiënt Zika heeft.

Reference:
McGee, S. Simplifying Likelihood Ratios. J Gen Intern Med. 2002 Aug; 17(8): 647-650. Hier beschikbaar.
Sloane, P. 2008. Essentials of Family Medicine. Lippincott Williams & Wilkins.

——————————————————————————

Heb je hulp nodig bij een huiswerk- of toetsvraag? Met Chegg Study kunt u stap-voor-stap oplossingen voor uw vragen krijgen van een expert op dit gebied. Uw eerste 30 minuten met een Chegg-leraar zijn gratis!