MedCalc 诊断测试

描述 可以从2x2表中输入的数据计算测试特征,例如敏感性,特异性,阳性和阴性的似然比,疾病患病率以及阳性和阴性的预测值。 必填项 输入患病组中测试阳性和阴性的病例数(左列);以及未患病组中呈阳性和阴性的病例数(右栏)。 注意:您可以通过单击按钮来更改列和行的顺序。 疾病流行 如果阳性(存在疾病)和阴性(不存在疾病)组中的样本大小不能反映疾病的实际患病率,则可以在相应的输入框中输入疾病患病率。这将对正预测值和负预测值以及准确性产生影响。 结果 报告以下统计信息,其置信区间为95%: 敏感性:疾病存在时检测结果为阳性的概率(真实阳性率)。 特异性:当疾病不存在时检测结果为阴性的可能性(真阴性率)。 AUC:ROC曲线下的面积。 阳性似然比:在存在疾病的情况下呈阳性测试结果的概率与在不存在疾病的情况下呈阳性测试结果的概率之比,即 =真阳性率/假阳性率=敏感性/(1 −特异性) 负似然比:在存在疾病的情况下呈阴性结果的概率与在不存在疾病的情况下呈阴性结果的概率之比,即 =假阴性率/真阴性率=(1 −敏感性)/特异性 阳性预测值:测试呈阳性时疾病存在的概率。 阴性预测值:测试阴性时疾病不存在的概率。 准确性:正确分类患者的总体可能性。 =灵敏度×患病率+特异性×(1 −患病率) 敏感性,特异性,疾病患病率,阳性和阴性预测值以及准确性均以百分比表示。 敏感性,特异性和准确性的置信区间是“精确”的Clopper-Pearson置信区间。 似然比的置信区间使用Altman等人在第109页上给出的“对数法”进行计算。2000。 预测值的置信区间是Mercaldo等人给出的标准logit置信区间。2007年。 在注释输入字段中,您可以输入将包含在打印报告中的注释或结论。

MedCalc 评分者间协议

描述 使用“评分者之间的一致性”评估两个分类(名义或序数尺度)之间的一致性。 如果原始数据在电子表格中可用,请使用“统计”菜单中的“评分者之间的协议”来创建分类表并计算Kappa(Cohen 1960; Cohen 1968; Fleiss等人,2003)。 一致性由Kappa(K)统计量量化: 当分类系统之间完全吻合时, K为1 当没有协议比机会更好时, K为0 当一致性差于偶然性时, K为负。 必填项 在对话框形式中,您可以在6x6频率表中输入两个分类系统。 如果数据来自有序刻度,请选择“加权卡伯”(Cohen 1968)。如果数据来自标称比例,则不要选择“加权卡伯”。 当第一类别和第二类别之间的差异与第二类别和第三类别之间的差异具有相同的重要性时,请使用线性权重。如果第一类别和第二类别之间的差异不如第二类别和第三类别之间的差异重要,等,使用二次权重。 在此示例中,从观察者B放置在类别1中的6个案例中,观察者A在类别1中放置了5个,在类别2中放置了1个;在观察者B置于第2类的19个案例中,观察者A在第1类中放置了3,在第2类中放置了12,在第3类中放置了4;从观察者B置于第3类的12个案例中,观察者A将1置于2类,将2置于第2类,将8置于第3类。 输入数据后,单击“测试”按钮。程序将显示Kappa的值及其标准错误和95%置信区间(CI)。 MedCalc根据Cohen,1960年计算出评估者间协议的统计值Kappa;并根据Cohen,1968年得出的加权Kappa。计算细节也见于Altman,1991年(第406-407页)。根据Fleiss等人(2003年)计算标准误和95%置信区间。 MedCalc报告的标准误差是适当的标准误差,用于检验以下假设:加权kappa的基础值等于零以外的预定值(Fleiss等,2003)。 所述ķ值可以被解释为如下(奥特曼,1991): K值 协议强度 <0.20 较差的 0.21-0.40 公平 0.41-0.60 中等 0.61-0.80 好 0.81-1.00 挺好 在注释输入字段中,您可以输入将包含在打印报告中的注释或结论。

MedCalc 赔率

描述 允许计算赔率,这是两组结果的几率之比(回顾性研究)。在一项回顾性研究中,具有阳性和阴性结果的病例是已知的,然后根据特定特征进行分组。 该测试不是针对电子表格中的数据执行的,而是针对您在对话框中输入的统计信息执行的。 必填项   在对话框中,输入暴露组和对照组中阳性(不良)或阴性(良好)的病例数。接下来,单击“测试”按钮以执行测试。 程序显示几率,这是两组结果的几率之比。该程序还计算比值比,z统计量和关联的P值的95%置信区间。如果P小于0.05,则可以得出结论,一组的几率明显高于另一组。 在示例中,选择了30例阳性结果和30例阴性结果。接下来,回顾研究特定特征的出现。对于阳性结果的病例,有8例表现出特征(被暴露于特定风险中),而22例没有表现出特征。对于阴性结果的病例,有4例具有特征,而26例没有。 最终的优势比为2.4,95%的置信区间为0.6到8.9。z统计量为1.270,关联的P值等于0.2042。结论是,尽管阳性结果的几率增加了2.4倍,但在5%的水平上,这种增加在统计学上并不显着。 在注释输入字段中,您可以输入将包含在打印报告中的注释或结论。

MedCalc 相对风险-需要治疗的数量

描述 允许计算相对风险(或风险比率)。相对风险是前瞻性研究中两组中具有阳性结果的病例比例的比率。 在前瞻性研究中,案例被分为两组,观察到感兴趣事件发生了多少次。 该程序还可以选择以其95%置信区间计算所需治疗的数量(NNT)。 不会对电子表格中的数据执行此测试,而是对您在对话框中输入的数字执行此测试。 必填项 在对话框中,输入暴露组和对照组的阳性(不良)和阴性(良好)结果的病例数。接下来,单击“测试”按钮以执行测试。 相对风险 该程序计算相对风险和95%置信区间(Altman 1991,Daly 1998,Sheskin 2011)。相对风险是两组中阳性结果病例的比例。如果值1不在置信区间的范围内,则可以得出结论,两组的比例显着不同,并且与另一组相比,一组风险增加。 在该示例中,接受治疗A的一组中有6例阳性,阴性44例。在没有治疗的第二组中,阳性18例,阴性32例。 第一组的风险为0.12(6/50),第二组的风险为0.36(18/50)。阳性结果的相对风险为0.3333(0.12 / 0.36),95%置信区间为0.1444至0.7696。z统计量为2.574,关联的P值为0.01。结论是,治疗A组的风险降低了3倍,并且这种降低具有统计学意义(P = 0.01)。 需要治疗的人数(NNT) 需要治疗的人数(NNT)是需要新治疗而不是标准治疗(或不治疗)才能使另外一名患者受益的估计患者人数(Altman 1998)。 所需治疗数的负数称为损害所需数。 MedCalc使用Altman(1998)建议的术语,其中NNT(Benefit)和NNT(Harm)分别是需要治疗的人数,以使另外一名患者受益或受到伤害。 95%置信区间是根据Daly(1998)计算的,并根据Altman(1998)的建议进行了报告。   在注释输入字段中,您可以输入将包含在打印报告中的注释或结论。

MedCalc 两种费率的比较

描述 比率是计数与另一度量之间的比率,例如观察到的事件数与观察到的人年总数的比率。 此过程允许比较两组的费率。 不会对电子表格中的数据执行此测试,而是对您在对话框中输入的数据执行此测试。 对于两个比率之间的差异,MedCalc使用了Sahai H,Khurshid A(1996)第169页给出的“基于测试的方法”。 对于发病率比率,MedCalc使用Sahai H,Khurshid A(1996)第172-174页给出的“精确泊松法”。 必填项 分子:每个组中观察到的事件数。 分母:例如每个组的总人年。 Option Express结果为1:X:选择此选项时,比率R将显示为1:(1 / R),例如比率10/200等于0.05,可以表示为1:20。 输入所有数据后,单击“测试”按钮。 结果 程序显示: 两组的Poisson 95%置信区间为(发生率)。 两个比率R2-R1及其95%置信区间和相关的P值之差。如果P值小于0.05,则可以得出结论,两个比率之间存在统计学上的显着差异。 两种比率的比率(发生率比率)R1 / R2及其95%置信区间。如果值1不在此间隔内,则可以得出结论,比率R1 / R2与1并无显着差异(在这种情况下,比率将相等)。 在注释输入字段中,您可以输入将包含在打印报告中的注释或结论。

MedCalc 利率的置信区间

描述 比率是计数与另一度量之间的比率,例如观察到的事件数与观察到的人年总数的比率。 不会对电子表格中的数据执行此测试,而是对您在对话框中输入的数据执行此测试。 必填项 分子:观察到的事件数。 分母:例如总人年。 Option Express结果为1:X:选择此选项时,比率R将显示为1:(1 / R),例如比率10/200等于0.05,可以表示为1:20。 输入所有数据后,单击“测试”按钮。 结果 程序显示: 所计数数字的Poisson 95%置信区间(分子)。 发生率。 发生率的95%置信区间。 在注释输入字段中,您可以输入将包含在打印报告中的注释或结论。

MedCalc 独立ROC曲线下面积的比较

描述 允许比较两条独立ROC曲线的曲线下面积(AUC)。 该测试不是针对电子表格中的数据执行的,而是针对您在对话框中输入的统计信息执行的。 必填项 输入两条ROC曲线的曲线下面积(AUC)和标准误差(SE)。 单击测试按钮以测试两个AUC之间差异的统计显着性。 结果 当计算的P值小于0.05时(P <0.05),结论是两条ROC曲线的AUC s显着不同。 请注意,在MedCalc中,P值始终是双面的(或两尾的)。 在注释输入字段中,您可以输入将包含在打印报告中的注释或结论。

MedCalc 变异系数比较

描述 执行测试以比较两个变异系数(来自独立样本),以百分比表示。 该测试不是针对电子表格中的数据执行的,而是针对您在对话框中输入的统计信息执行的。 必填项 在对话框中,输入两个变化系数(以百分比表示)和相应的案例数。 单击“测试”按钮以测试两个变异系数之间的差异的统计显着性。 结果 当计算的P值小于0.05时,结论是两个变异系数显着不同。 根据Forkman(2009)进行测试。 在注释输入字段中,您可以输入将包含在打印报告中的注释或结论。

MedCalc 两种比例的比较

描述 执行卡方检验以比较两个比例(来自独立样本)的比例,以百分比表示。 MedCalc使用Campbell(2007)和Richardson(2011)推荐的“ N-1”卡方检验。 该测试不是针对电子表格中的数据执行的,而是针对您在对话框中输入的统计信息执行的。 请注意,当案例总数少于20个时,执行Fisher精确检验可能更合适。 必填项 在对话框中,您可以输入两个比例(以百分比表示)和个案总数。 例如,当在总共120位患者的一个样本中某种疾病的患病率为80%,而在总共210位患者的另一种样本中该疾病的患病率为70%,您将在对话框中输入以下内容: 单击“测试”按钮后,将显示测试结果: 这两个比例之间的差异以及此差异的95%置信区间(CI);CI是根据Altman等人给出的推荐方法计算的。(2000)。 卡方检验和P值:当P值小于0.05时,得出的结论是两个比例确实存在显着差异。 在注释输入字段中,您可以输入将包含在打印报告中的注释或结论。

MedCalc 相关系数比较

描述 计算两个独立相关系数之间差异的统计显着性。 该测试不是针对电子表格中的数据执行的,而是针对您在对话框中输入的统计信息执行的。 必填项 在对话框中输入相关系数和相应的案例数。接下来,单击“测试”按钮(或按Enter键)以计算两个相关系数之差的统计显着性。 当P值小于0.05时,得出的结论是这两个系数确实存在显着差异。 在该示例中,将相关系数0.86(样本量= 42)与相关系数0.62(样本量= 42)进行了比较。所得的z统计量为2.5097,与0.0121的P值相关。由于该P值小于0.05,因此可以得出结论,两个相关系数明显不同。 在注释输入字段中,您可以输入将包含在打印报告中的注释或结论。