Inleiding

"Ons model is 95% specifiek en presteert daardoor beter dan de modellen van onze concurrenten!" Dit soort uitspraken kunnen erg goed klinken, 95% klinkt namelijk erg hoog. Maar wat betekent het nou eigenlijk? Wat betekent het in de context van zeldzame ziektebeelden en waarom kan zelfs 95% catastrofaal verkeerd uitpakken?
Bij het diagnosticeren van zeldzame ziektes kunnen zelfs tests met een hoge specificiteit, zoals 95%, leiden tot een overweldigend aantal vals-positieve diagnoses. Dit komt door het lage aantal mensen dat daadwerkelijk de ziekte heeft, ook wel de prevalentie genoemd. In deze whitepaper leggen we uit hoe de combinatie van lage prevalentie en ogenschijnlijk betrouwbare diagnostische tests kan leiden tot onverwacht veel vals-positieve uitslagen, en waarom dit resulteert in een lage positief voorspellende waarde (PPV).

Het probleem van lage prevalentie

Zeldzame ziekten worden gedefinieerd door hun lage prevalentie in de bevolking. Ze komen namelijk bijna niet voor. Stel dat een ziekte een prevalentie heeft van 1 op 10.000 mensen (0,01%). Dit betekent dat, zelfs met een zeer specifieke diagnostische test, het aantal mensen dat ten onrechte als ziek wordt aangemerkt, veel groter kan zijn dan het aantal dat daadwerkelijk ziek is. Dat zit zo.

Specificiteit en vals-positieven

Een test met een specificiteit van 95% betekent dat deze test in 95 van de 100 gezonde personen correct aangeeft dat ze gezond zijn. Dit klinkt betrouwbaar en dat is het ook, maar als je deze test toepast in een populatie waar de ziekte zeer zeldzaam is, gaan de vals-positieven zich opstapelen. Eerst een metafoor.

Metafoor: De rookmelder voor branden in een grote stad

Denk aan een rookmelder die 95% van de tijd correct rook (een ziekte) detecteert en 5% van de tijd vals alarm slaat. In een drukke stad waar bijna nooit brand uitbreekt (lage prevalentie), slaat de rookmelder ondanks zijn extreem hoge diagnostische specificiteit (namelijk 95%) vaak onterecht alarm. Het aantal keren dat hij rook detecteert, terwijl er geen brand is, is veel groter dan het aantal echte branden. Dit is precies wat er gebeurt bij diagnostische tests voor zeldzame ziektes: ondanks een hoge specificiteit, zijn er in absolute aantallen veel meer vals-positieven dan echte positieven. Dit klinkt nog abstract, dus laten we gaan rekenen.

Rekenen met vals-positieven: Een voorbeeld

Stel dat we met het bovenstaande voorbeeld (een rookalarm) met 95% specificiteit gebruiken voor een ziekte (brand in de stad) met een prevalentie van 0,01% (1 op 10.000)

Populatiegrootte: 100.000 huizen (of in diagnosen: mensen)

Prevalentie: 0,01% (er zijn 10 branden, of in diagnosen: er zijn 10 mensen zijn daadwerkelijk ziek).

Specificiteit: 95%. Dus van de 99.990 huizen die niet in brand staan (gezonde mensen) wordt 95% (94.990) daadwerkelijk correct als 'huis staat niet in brand' (gezond)  geïdentificeerd. Dit betekent dat 5% van de huizen (gezonde mensen) onterecht als brandend (ziek) wordt geïdentificeerd: 5% van 99.990 is 4.999 vals-positieven (vals alarm!).

Ondanks de hoge specificiteit zijn er dus bijna 5.000 vals-positieven, vergeleken met slechts 10 echte branden zieken. Dit leidt tot een extreem lage positief voorspellende waarde (PPV), oftewel de kans dat iemand met een positieve testuitslag daadwerkelijk ziek is. Maar wat betekent het nou in dit rekenvoorbeeld?

Wat is PPV in dit geval?

De positief voorspellende waarde (PPV) wordt berekend als het aantal werkelijke positieven gedeeld door het totale aantal positieve testresultaten (echte en vals-positieven). In dit geval:

Echte zieken: 10

Vals-positieven: 4.999

Totale positieve uitslagen: 10 (echt ziek) + 4.999 (vals-positief) = 5.009

De PPV is dan 10 (echt ziek) / (10 (echt ziek)+ 4.999 (vals-positief)) oftewel 10 / 5009 = 0,2 %.

‍

Dit betekent dat, ondanks een specifieke test, slechts 0,2% van de mensen met een positieve uitslag daadwerkelijk de ziekte heeft. Bij het rekenvoorbeeld met een brand in de stad kun je je voorstellen dat het ernstig is als de brandweer bijna 5000 keer moet uitrukken om 10x een brand te blussen. Toch hoop je dat het vaker vals alarm is dan echt alarm… In de gezondheidszorg heeft het een ander effect.

De impact van een lage PPV in de gezondheidszorg

Een lage PPV betekent dat veel patiënten ten onrechte als ziek worden beschouwd. Dit heeft verregaande gevolgen, zoals:

Onnodige vervolgonderzoeken: Vals-positieve patiënten worden vaak doorgestuurd voor dure en invasieve vervolgtesten.

Onnodige zorgen: Patiënten worden onnodig angstig gemaakt en kunnen emotioneel lijden door de overtuiging dat ze een ernstige ziekte hebben.

Verhoogde kosten voor de gezondheidszorg: Vals-positieven leiden tot hogere kosten voor vervolgonderzoeken, behandelingen, en ziekenhuisopnames.

‍

‍

Dit illustreert waarom zelfs diagnostische tests met hoge specificiteit bij zeldzame ziektes veel vals-positieven kunnen genereren, wat de zorg voor patiënten en de gezondheidszorg als geheel onder druk zet. Wil je zelf rekenen met getallen die van belang zijn in jouw veld? Neem contact op met ons en ontvang een formulier waar dit mee kan!