Słownik metodologiczny · Pomiar i skale

Badanie przesiewowe – czym jest i dlaczego wynik dodatni to nie diagnoza?

Badanie przesiewowe wyłania osoby z podwyższonym ryzykiem, które potrzebują dalszej diagnozy. Pokazujemy, jak ocenia się test przesiewowy, jak chorobowość zmienia wartość predykcyjną i jak opisać przesiew w pracy.

Strona główna / Słownik / Badanie przesiewowe

Opracowanie merytoryczne: · Opublikowano:

W skrócie: Badanie przesiewowe to badanie osób pozornie zdrowych, które ma wyłonić te z podwyższonym ryzykiem choroby lub zaburzenia. Wynik dodatni jest wskazaniem do dalszej diagnozy, a nie rozpoznaniem. Przy rzadkim zaburzeniu nawet dobry test daje wiele wyników fałszywie dodatnich.

Co to jest badanie przesiewowe?

Badanie przesiewowe (ang. screening) to badanie osób pozornie zdrowych, które ma wyłonić te z podwyższonym ryzykiem danej choroby lub zaburzenia (Grimes i Schulz, 2002). Wynik dodatni nie jest rozpoznaniem, tylko wskazaniem do dalszej diagnostyki. W psychologii i naukach o zdrowiu przesiew prowadzi się zwykle krótkim kwestionariuszem z punktem odcięcia, np. PHQ-2 i GAD-2, SCOFF albo MUST, a w geriatrii także krótkimi testami poznawczymi (MMSE i MoCA).

Kiedy przesiew ma sens

Klasycznym punktem odniesienia jest raport Wilsona i Jungnera „Principles and practice of screening for disease”, przygotowany w 1968 roku na zlecenie WHO; Andermann i in. (2008) opisują, jak te kryteria rozwijano przez kolejne 40 lat. Grimes i Schulz (2002) przypominają, że wcześniejsze wykrycie nie zawsze jest lepsze ani warte kosztów. Przesiew ma sens, gdy po wyniku dodatnim jest dostępna dalsza diagnostyka i skuteczne postępowanie.

Jak ocenia się test przesiewowy

Trafność testu opisują czułość i swoistość oraz wartości predykcyjne wyniku dodatniego i ujemnego. Czułość i swoistość są cechą testu przy danym progu, a wartości predykcyjne zależą też od chorobowości: przy rzadkim zaburzeniu nawet bardzo dobry test daje niską wartość predykcyjną dodatnią (Grimes i Schulz, 2002).

Przykład

Test o czułości i swoistości 90% zastosowano w R u 1000 osób. Przy chorobowości 20% wynik dodatni ma 260 osób, z czego 180 naprawdę ma zaburzenie (PPV = 69.2%). Przy chorobowości 2% wynik dodatni ma 116 osób, ale tylko 18 z nich ma zaburzenie, a 98 to fałszywe alarmy (PPV = 15.5%, NPV = 99.8%). Ten sam test w populacji ogólnej daje głównie wyniki fałszywie dodatnie.

Jak opisać w pracy

Do przesiewu użyto kwestionariusza z punktem odcięcia przyjętym za autorami narzędzia. Wynik dodatni traktowano jako wskazanie do dalszej diagnozy, a nie jako rozpoznanie. Przy czułości i swoistości 90% oraz chorobowości 2% oczekiwana wartość predykcyjna wyniku dodatniego wynosi 15.5%.

Na co uważać

  • Odsetek dodatnich jako chorobowość. Liczba wyników dodatnich to nie liczba chorych – w przykładzie przy chorobowości 2% wynik dodatni miało 116 na 1000 osób.
  • Próg z innej populacji. Czułość i swoistość z badań klinicznych nie muszą się przenosić na populację ogólną.
  • Ocena programu. Błąd czasu wyprzedzenia (lead time) i błąd długości (length bias) zniekształcają pozorną korzyść z programu przesiewowego; uniknąć ich pozwala tylko badanie randomizowane (Grimes i Schulz, 2002).
Przykład reprodukowalny

Wartości predykcyjne przesiewu w R

Kod liczy oczekiwane liczby wyników prawdziwie i fałszywie dodatnich oraz wartości predykcyjne testu o czułości i swoistości 90% w 1000 osób przy dwóch poziomach chorobowości.

Ten sam test przy chorobowości 20% i 2%

Dane wejściowe: czułość .90, swoistość .90, 1000 osób, chorobowość 20% i 2% (obliczenie deterministyczne, bez losowania).

Co odczytać: liczbę wyników dodatnich, TP, FP, FN oraz PPV i NPV w procentach.

R
czulosc <- 0.90; swoistosc <- 0.90; n <- 1000
przesiew <- function(chorobowosc) {
  chorzy <- n * chorobowosc; zdrowi <- n - chorzy
  TP <- czulosc * chorzy; FP <- (1 - swoistosc) * zdrowi
  FN <- chorzy - TP; TN <- zdrowi - FP
  c(dodatni = TP + FP, TP = TP, FP = FP, FN = FN,
    PPV = round(100 * TP / (TP + FP), 1), NPV = round(100 * TN / (TN + FN), 1))
}
rbind(`chorobowosc 20%` = przesiew(0.20), `chorobowosc 2%` = przesiew(0.02))
Wynik w R
                dodatni  TP FP FN  PPV  NPV
chorobowosc 20%     260 180 80 20 69.2 97.3
chorobowosc 2%      116  18 98  2 15.5 99.8

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (bez dodatkowych pakietów). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/

Najczęstsze pytania

Czy wynik dodatni w badaniu przesiewowym oznacza rozpoznanie?

Nie. Oznacza podwyższone ryzyko i wskazanie do dalszej diagnozy, np. wywiadu klinicznego. Przy rzadkim zaburzeniu większość wyników dodatnich może być fałszywie dodatnia.

Dlaczego ten sam test przesiewowy działa gorzej w populacji ogólnej?

Bo wartość predykcyjna zależy od chorobowości. Test o czułości i swoistości 90% ma PPV 69.2% przy chorobowości 20%, ale tylko 15.5% przy chorobowości 2%.

Czym badanie przesiewowe różni się od badania diagnostycznego?

Przesiew obejmuje osoby bez objawów lub bez rozpoznania i ma wyłonić grupę ryzyka. Badanie diagnostyczne rozstrzyga, czy dana osoba ma zaburzenie, i zwykle jest dłuższe, droższe i dokładniejsze.

Powiązane hasła

Czułość i swoistośćPunkt odcięciaWartość predykcyjna dodatnia i ujemna (PPV, NPV)Krzywa ROCChorobowość i zapadalność

Poradniki, w których użyjesz tego pojęcia

Poradnik

PHQ-2 i GAD-2 – krótkie przesiewy

Suma dwóch pozycji 0–6, próg ≥ 3 lub ≥ 2, PHQ-4 i przesiew dwustopniowy – z przykładem w R, rzetelnością dwóch pozycji i wzorem opisu.

Czytaj →Poradnik

SCOFF – jak policzyć wynik

Pięć pytań tak/nie, wynik 0–5 i próg ≥ 2: przesiew, a nie rozpoznanie – z przykładem w R, PPV przy różnej częstości i wzorem opisu.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Andermann, A., Blancquaert, I., Beauchamp, S., & Déry, V. (2008). Revisiting Wilson and Jungner in the genomic age: A review of screening criteria over the past 40 years. Bulletin of the World Health Organization, 86(4), 317–319. https://doi.org/10.2471/blt.07.050112 ● Otwarty dostęp
  2. Grimes, D. A., & Schulz, K. F. (2002). Uses and abuses of screening tests. The Lancet, 359(9309), 881–884. https://doi.org/10.1016/s0140-6736(02)07948-5

Cytowania BibTeX

@article{andermann2008revisiting, author={Andermann, Anne and Blancquaert, Ingeborg and Beauchamp, Sylvie and Déry, Véronique}, title={{Revisiting Wilson and Jungner in the genomic age: A review of screening criteria over the past 40 years}}, journal={Bulletin of the World Health Organization}, year={2008}, volume={86}, number={4}, pages={317--319}, doi={10.2471/blt.07.050112}}
@article{grimes2002uses, author={Grimes, David A. and Schulz, Kenneth F.}, title={{Uses and abuses of screening tests}}, journal={The Lancet}, year={2002}, volume={359}, number={9309}, pages={881--884}, doi={10.1016/s0140-6736(02)07948-5}}
R