Słownik metodologiczny · Klasyfikacja i diagnoza

Punkt odcięcia – skąd się bierze próg w kwestionariuszu przesiewowym?

Punkt odcięcia zamienia wynik kwestionariusza w decyzję „dodatni” albo „ujemny”. Wyjaśniamy, skąd biorą się progi, co zmienia przesunięcie progu i dlaczego próg wybrany na własnej próbie wygląda lepiej, niż działa.

Strona główna / Słownik / Punkt odcięcia

Opracowanie merytoryczne: · Opublikowano:

W skrócie: Punkt odcięcia to wynik, od którego osobę uznaje się za „dodatnią” w kwestionariuszu przesiewowym. Wyznacza się go względem kryterium zewnętrznego, zwykle z krzywej ROC. Wynik powyżej progu to wskazanie do dalszej diagnozy, a nie rozpoznanie.

Co to jest punkt odcięcia?

Punkt odcięcia (ang. cut-off, cutoff score) to wartość wyniku, od której osobę zalicza się do grupy „dodatniej”, np. z prawdopodobnym zaburzeniem albo wymagającej dalszej diagnozy. Zamienia wynik ciągły w decyzję tak/nie. W psychologii i naukach o zdrowiu stosuje się go głównie w kwestionariuszach przesiewowych.

Skąd się bierze punkt odcięcia?

  • Kryterium zewnętrzne. Wyniki kwestionariusza porównuje się z niezależną diagnozą, np. z wywiadu klinicznego. To badanie trafności kryterialnej.
  • Krzywa ROC. Dla każdego możliwego progu liczy się czułość i swoistość, a krzywa ROC pokazuje je dla wszystkich progów naraz (Mandrekar, 2010).
  • Reguła wyboru. Często wybiera się próg o największym indeksie Youdena, ale w przesiewie można świadomie przedłożyć czułość nad swoistość.

Progi wyznaczone z rozkładu w grupie odniesienia (np. górne 10% wyników) to co innego: opisują nietypowość wyniku, a nie trafność diagnostyczną (zob. normy testowe).

Przykład

W próbie 200 osób, z których 39 miało diagnozę z wywiadu klinicznego, kwestionariusz przesiewowy 0–21 uzyskał AUC = .84 (dane symulowane). Próg ≥ 8 dał czułość 84.6% i swoistość 67.1%, próg ≥ 10 – 66.7% i 83.2%, a próg ≥ 12 – 51.3% i 91.9%. Indeks Youdena wskazał próg ≥ 8. W 1000 symulowanych powtórzeniach próg wybrany na próbie 100 osób dawał w niej średnio J = .65, a w nowych próbach tylko .58.

Jak opisać w pracy

Za wynik dodatni uznano co najmniej 8 punktów. Przy tym progu czułość względem diagnozy z wywiadu klinicznego wyniosła 84.6%, a swoistość 67.1% (AUC = .84; N = 200, w tym 39 osób z diagnozą).

Na co uważać

  • Przesiew to nie diagnoza. Wynik powyżej progu oznacza wskazanie do dalszej oceny, a nie rozpoznanie. Pisz „wynik wskazujący na nasilone objawy”, a nie „osoby z depresją”.
  • Próg z własnej próby jest optymistyczny. Leeflang i in. (2008) pokazali, że wybór progu na podstawie danych zawyża czułość i swoistość, zwłaszcza w małych próbach. Sprawdź go w niezależnej próbie albo użyj progu z opublikowanej walidacji.
  • Kierunek nierówności. Zapisz, czy próg oznacza „≥ 8”, czy „> 8”. Przy wynikach całkowitych to różnica jednej kategorii.
  • Odsetek trafnych wyników dodatnich zależy od rozpowszechnienia zaburzenia w badanej grupie (zob. PPV i NPV).

Jak liczy się i opisuje wyniki popularnych skal przesiewowych, pokazuje wpis GAD-7 i PHQ-9 – jak policzyć wynik.

Przykład reprodukowalny

Punkt odcięcia w R

Kod liczy czułość i swoistość dla trzech progów oraz próg o największym indeksie Youdena. Liczby z przykładu pochodzą z tego kodu (symulacja optymizmu – w pełnym skrypcie strony).

Czułość i swoistość przy kilku progach

Dane wejściowe: 200 osób z wynikiem kwestionariusza 0–21 i diagnozą z wywiadu (0/1), dane symulowane, set.seed(158).

Co odczytać: czułość i swoistość dla progów ≥ 8, ≥ 10 i ≥ 12 oraz próg wskazany przez indeks Youdena (threshold 7.5 oznacza wynik dodatni od 8 punktów).

R
symuluj <- function(n, chorobowosc = 0.2) {      # kwestionariusz przesiewowy 0–21, diagnoza z wywiadu klinicznego
  dx <- rbinom(n, 1, chorobowosc)
  wynik <- pmin(21, pmax(0, round(rnorm(n, ifelse(dx == 1, 12, 6), 3.5))))
  data.frame(dx, wynik)
}
set.seed(158)
d <- symuluj(200)
tab <- t(sapply(c(8, 10, 12), function(k) c(prog = k,
  czulosc = mean(d$wynik[d$dx == 1] >= k), swoistosc = mean(d$wynik[d$dx == 0] < k))))
round(tab, 3)
krzywa <- roc(d$dx, d$wynik, quiet = TRUE)
coords(krzywa, "best", best.method = "youden", ret = c("threshold", "sensitivity", "specificity"))
Wynik w R
     prog czulosc swoistosc
[1,]    8   0.846     0.671
[2,]   10   0.667     0.832
[3,]   12   0.513     0.919
  threshold sensitivity specificity
1       7.5   0.8461538   0.6708075

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiet pROC).

  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/
  2. pROC (wersja 1.19.0.1): Robin, X., Turck, N., Hainard, A., Tiberti, N., Lisacek, F., Sanchez, J.-C., & Müller, M. (2011). pROC: An open-source package for R and S+ to analyze and compare ROC curves. BMC Bioinformatics, 12, 77. https://doi.org/10.1186/1471-2105-12-77

Najczęstsze pytania

Czy mogę wyznaczyć własny punkt odcięcia w pracy magisterskiej?

Możesz, jeśli masz kryterium zewnętrzne, np. diagnozę kliniczną. Próg wybrany na tej samej próbie zawyża jednak czułość i swoistość, więc opisz go jako wstępny albo sprawdź w innej próbie.

Czy wynik powyżej punktu odcięcia oznacza diagnozę?

Nie. W kwestionariuszu przesiewowym oznacza wskazanie do dalszej oceny. Rozpoznanie wymaga badania klinicznego, dlatego w pracy pisz o wyniku wskazującym na nasilone objawy.

Co się dzieje, gdy podniosę punkt odcięcia?

Swoistość rośnie, a czułość spada. W przykładzie przejście z progu ≥ 8 na ≥ 12 podniosło swoistość z 67.1% do 91.9%, ale obniżyło czułość z 84.6% do 51.3%.

Powiązane hasła

Krzywa ROCIndeks YoudenaCzułość i swoistośćWartość predykcyjna dodatnia i ujemna (PPV, NPV)Trafność kryterialnaNormy testowe

Poradniki, w których użyjesz tego pojęcia

Poradnik

K10 i K6 – jak policzyć wynik

Punktacja 0–4 i 1–5, grupy dystresu K10, próg K6 ≥ 13, rzetelność i opis w pracy – z przykładem w R na danych 300 osób studiujących.

Czytaj →Poradnik

GAD-7 i PHQ-9 – jak policzyć wynik

Suma 0–21 i 0–27, braki, progi 5/10/15/20 ze źródłami, próg przesiewowy 10, pozycja 9 PHQ-9 i przykład w R z opisem do pracy.

Czytaj →Poradnik

Niski, przeciętny, wysoki wynik

Steny, punkty odcięcia, podział skali i tercyle na jednym przykładzie: odsetki z CI, wady podziału z próby, wynik ciągły zamiast poziomów i wzór 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. Leeflang, M. M. G., Moons, K. G. M., Reitsma, J. B., & Zwinderman, A. H. (2008). Bias in sensitivity and specificity caused by data-driven selection of optimal cutoff values: Mechanisms, magnitude, and solutions. Clinical Chemistry, 54(4), 729–737. https://doi.org/10.1373/clinchem.2007.096032
  2. Mandrekar, J. N. (2010). Receiver operating characteristic curve in diagnostic test assessment. Journal of Thoracic Oncology, 5(9), 1315–1316. https://doi.org/10.1097/jto.0b013e3181ec173d ● Otwarty dostęp

Cytowania BibTeX

@article{leeflang2008bias, author={Leeflang, Mariska M. G. and Moons, Karel G. M. and Reitsma, Johannes B. and Zwinderman, Aeilko H.}, title={{Bias in sensitivity and specificity caused by data-driven selection of optimal cutoff values: Mechanisms, magnitude, and solutions}}, journal={Clinical Chemistry}, year={2008}, volume={54}, number={4}, pages={729--737}, doi={10.1373/clinchem.2007.096032}}
@article{mandrekar2010receiver, author={Mandrekar, Jayawant N.}, title={{Receiver operating characteristic curve in diagnostic test assessment}}, journal={Journal of Thoracic Oncology}, year={2010}, volume={5}, number={9}, pages={1315--1316}, doi={10.1097/jto.0b013e3181ec173d}}
R