Validazione di algoritmi per individuare diabete,
ipertensione e cardiopatia ischemica dai database
amministrativi italiani:
lo studio MATRICE
Rosa Gini
Agenzia regionale di sanità della Toscana
XXXVIII Congresso AIE, Napoli, 5-7 novembre 2014
Contenuti
Identificazione di soggetti con una patologia da database esistenti
Studio di validazione del progetto MATRICE
Contesto
Obbiettivo e razionale
Metodi
Risultati
Conclusioni
Contenuti
Identificazione di soggetti con una patologia da database esistenti
Studio di validazione del progetto MATRICE
Conclusioni
Identificare condizioni da database osservazionali
Diagnosi
Identificare condizioni da database osservazionali
Assistenza ospedaliera
Assistenza secondaria
Causa di morte
Altre sorgenti
Assistenza primaria
Diagnosi
Identificare condizioni da database osservazionali
Valori di laboratorio
Evidenza
diagnostica
Bioimaging
Altre sorgenti
Diagnosi
Identificare condizioni da database osservazionali
Utilizzo dei
servizi
Altri servizi
Evidenza
diagnostica
Visite specialistiche
Esami diagnostici
Procedure
Farmaci
Diagnosi
Identificare condizioni da database osservazionali
Utilizzo dei
servizi
Evidenza
diagnostica
Criteri di
raffinamento
e/o esclusione
Diagnosi
Identificare condizioni da database osservazionali
L’utilizzo di queste
strategie espone al
Utilizzo dei
rischioservizi
di bias di
selezione e di
misclassificazione
Evidenza
diagnostica
Criteri di
raffinamento
e/o esclusione
Diagnosi
Motivazione per uno studio di validazione
Uno studio di validazione consente di calcolare gli indici di validità di un
algoritmo
GS=1
ALG=1
VP
GS=0
Prev:
marginale
di riga
FP
PPV:
condizionale
di riga a
ALG=1
NPV:
condizionale
di riga a
ALG=0
ALG=0
FN
VN
Prev oss:
marginale
di colonna
Sens:
condizionale
di colonna
a GS=1
Spec:
condizionale
di colonna
a GS=0
Motivazione per uno studio di validazione
GS=1
GS=0
Sorveglianza
ALG=1
ALG=0
Prev oss:
marginale
di colonna
Conoscendo
gli indici
VP
FP di
validità si può
aggiustare la prevalenza
osservata
FN e stimare
VN la
prevalenza reale
Sens:
condizionale
di colonna
a GS=1
Spec:
condizionale
di colonna
a GS=0
Prev:
marginale
di riga
PPV:
condizionale
di riga a
ALG=1
NPV:
condizionale
di riga a
ALG=0
Motivazione per uno studio di validazione
GS=1
GS=0
Calibrazione
ALG=1
ALG=0
Prev oss:
marginale
di colonna
Gli indici di un
algoritmo
danno
VP
FPuna
misura della selezione
e della
misclassificazione
FN
VN di
ogni studio che usa
quell’algoritmo
Sens:
condizionale
di colonna
a GS=1
Spec:
condizionale
di colonna
a GS=0
Prev:
marginale
di riga
PPV:
condizionale
di riga a
ALG=1
NPV:
condizionale
di riga a
ALG=0
Nel caso dei database amministrativi italiani?
Utilizzo dei
servizi
Evidenza
diagnostica
Diagnosi
Nel caso dei database amministrativi italiani?
×
Evidenza
diagnostica
Utilizzo dei
servizi
Altri servizi
?
Visite specialistiche
Esami diagnostici
Procedure
Farmaci
Assistenza ospedaliera
×
Assistenza secondaria
×
Causa di morte
×
Altre sorgenti
Assistenza primaria
Diagnosi
Nel caso dei database amministrativi italiani?
×
Altri servizi
Utilizzo dei
servizi
?
Evidenza
Visite specialistiche
diagnostica
Criticità per individuare malattie
croniche
Procedure
Esami diagnostici
Farmaci
Assistenza ospedaliera
×
Assistenza secondaria
×
Causa di morte
×
Altre sorgenti
Assistenza primaria
Diagnosi
Contenuti
Identificazione di soggetti con una patologia da database esistenti
Studio di validazione del progetto MATRICE
Contesto
Obbiettivo e razionale
Metodi
Risultati
Conclusioni
Contenuti
Identificazione di soggetti con una patologia da database esistenti
Studio di validazione del progetto MATRICE
Contesto
Obbiettivo e razionale
Metodi
Risultati
Conclusioni
Agenzia Nazionale per i Servizi Sanitari Regionali (Agenas)
AgeNaS supporta il
Ministero della salute e le
Regioni conducendo studi
e progetti
Immagine della XXXV conferenza dell’AIE
Agenzia Nazionale per i Servizi Sanitari Regionali (Agenas)
AgeNaS ha lanciato nel
2011 il progetto
MATRICE, che contiene
uno studio di validazione
Immagine della XXXV conferenza dell’AIE
Una risorsa: Società Italiana di Medicina Generale
Società scientifica di MMG
Una risorsa: Società Italiana di Medicina Generale
Alcuni mebri partecipano al network
Health Search, che raccoglie dati
clinici per svolgere studi
epidemiologici
Società scientifica di MMG
Una risorsa: Società Italiana di Medicina Generale
Usano lo stesso software
Alcuni mebri partecipano al network
Health Search, che raccoglie dati
clinici per svolgere studi
epidemiologici
Società scientifica di MMG
Una risorsa: Società Italiana di Medicina Generale
Usano lo stesso software
Alcuni mebri partecipano al network
Health Search, che raccoglie dati
clinici per svolgere studi
epidemiologici
I MMG che partecipano al network sono selezionati
in base alla loro accuratezza nel registrare i dati
Società scientifica di MMG
Una risorsa: Società Italiana di Medicina Generale
Usano lo stesso software
Tra i MMG di questo network si
possono trovare le diagnosi che i
flussi amministrativi non Alcuni
raccolgono!
mebri partecipano al network
Health Search, che raccoglie dati
clinici per svolgere studi
epidemiologici
I MMG che partecipano al network sono selezionati
in base alla loro accuratezza nel registrare i dati
Società scientifica di MMG
Contenuti
Identificazione di soggetti con una patologia da database esistenti
Studio di validazione del progetto MATRICE
Contesto
Obbiettivo e razionale
Metodi
Risultati
Conclusioni
Obbiettivo dello studio di validazione MATRICE
Identificare strategie ottimali per individuare soggetti con diabete
di tipo 2, ipertensione, cardiopatia ischemica, insufficienza cardiaca
e loro stadi nei database amministrativi italiani
Razionale del disegno di studio
GLI MMG sono gatekeeper per l’accesso ai servizi
Razionale del disegno di studio
Quindi sono a conoscenza della diagnosi di
patologia cronica di un loro paziente
GLI MMG sono gatekeeper per l’accesso ai servizi
Razionale del disegno di studio
Gli MMG selezionati da SIMG hanno una buona qualità
della registrazione
Quindi sono a conoscenza della diagnosi di
patologia cronica di un loro paziente
GLI MMG sono gatekeeper per l’accesso ai servizi
Razionale del disegno di studio
Gli MMG selezionati da SIMG hanno una buona qualità
della registrazione
Quindi sono a conoscenza della diagnosi di
patologia cronica di un loro paziente
I pazienti dei MMG selezionati hanno pattern simili
ai pazienti degli altri MMG
GLI MMG sono gatekeeper per l’accesso ai servizi
Razionale del disegno di studio
Gli MMG selezionati da SIMG hanno una buona qualità
della registrazione
Quindi sono a conoscenza della diagnosi di
patologia cronica di un loro paziente
I pazienti dei MMG selezionati hanno pattern simili
ai pazienti degli altri MMG
GLI MMG sono gatekeeper per l’accesso ai servizi
verrà testata
Razionale del disegno di studio
Gli MMG selezionati da SIMG hanno una buona qualità
della registrazione
Una query automatica sul DB clinico del MMG dà
lo stesso risoltato di una richiesta diretta al MMG
Quindi sono a conoscenza della diagnosi di
patologia cronica di un loro paziente
I pazienti dei MMG selezionati hanno pattern simili
ai pazienti degli altri MMG
GLI MMG sono gatekeeper per l’accesso ai servizi
Studio preparatorio: validazione del Gold Standard
Cardopatia ischemica
Insufficienza cardiaca
Ipertensione
Stadi
Diabete
Studio preparatorio: validazione del Gold Standard
Cardopatia ischemica
×
Insufficienza cardiaca
Ipertensione
×
Stadi
Diabete
Studi preliminari su dati aggregati
Contenuti
Identificazione di soggetti con una patologia da database esistenti
Studio di validazione del progetto MATRICE
Contesto
Obbiettivo e razionale
Metodi
Risultati
Conclusioni
Setting
Aziende sanitarie locali A: Brescia, B: Vicenza, C: Bologna, D:
Arezzo, E: Taranto
MMG 5 MMG per ogni ASL
Popolazione Tutti i pazienti dei 25 MMG al 1/1/2012, età 16+
Raccolta dati
Ministry of Health
encryption
key
ARS
Local Health Unit
encryption
key
TheMatrix
ID
ABC
CBA
BAC
CAB
V1
1
1
0
0
...
...
...
...
...
V1
1
1
0
0
...
...
...
...
...
Morpheus
encryption
key
ID
ABC
CBA
BAC
CAB
VN
1
0
0
0
A 7→ X
B 7→ Y
C 7→ W
Merovingio
ID
XYW
WYX
YXW
WXY
GP
1
0
1
0
A 7→ X
B 7→ Y
C 7→ W
Morpheus
ID
XYW
WYX
YXW
WXY
VN
1
0
0
0
Merovingio
ID
XYW
WYX
YXW
WXY
National Research
Council
ID
ARS
GS
P1
P2
P3
P4
V1
1
1
0
0
Morpheus
V1
...
...
...
...
...
...
...
...
...
...
Vn
1
1
0
0
GS
1
0
1
0
1
0
0
0
...
...
...
...
...
GS
1
0
1
0
VN
1
0
0
0
GS
1
0
1
0
Raccolta dati
Ministry of Health
sono stati sviluppati dei software
per eseguire la raccolta dati in
modo automatico e sicuro
encryption
key
ARS
Local Health Unit
GP
il processo è trasparente e ripetibile
encryption
key
TheMatrix
ID
ABC
CBA
BAC
CAB
V1
1
1
0
0
...
...
...
...
...
ID
XYW
WYX
YXW
WXY
V1
1
1
0
0
ID
ABC
CBA
BAC
CAB
VN
1
0
0
0
A 7→ X
B 7→ Y
C 7→ W
Merovingio
...
...
...
...
...
Morpheus
encryption
key
Morpheus
ID
XYW
WYX
YXW
WXY
1
0
0
0
Merovingio
ID
XYW
WYX
YXW
WXY
National Research
Council
ID
ARS
1
0
1
0
A 7→ X
B 7→ Y
C 7→ W
VN
P1
P2
P3
P4
V1
1
1
0
0
GS
1
0
1
0
Morpheus
V1
...
...
...
...
...
...
...
...
...
...
Vn
1
1
0
0
il permesso per eseguire il record
linkage tra dati ASL e dati MMG è
stato richiesto e ottenuto
dall’Autorità per la Privacy
GS
1
0
0
0
...
...
...
...
...
GS
1
0
1
0
VN
1
0
0
0
GS
1
0
1
0
richiesta di rendere pubblici i
dataset dei dati integrati e
aggregati (per sesso, età,
MMG. . . ) in modo da consentire
studi studi di approfondimento?
Analisi
Unità di osservazione È l’algoritmo
Misure Indici di validità: sensibilità, specificità, PPV, NPV
Aggregazione Per ASL, pooled grezzi, pooled con effetto casuale
sul MMG
Eterogeneità Wald test della ASL
Contenuti
Identificazione di soggetti con una patologia da database esistenti
Studio di validazione del progetto MATRICE
Contesto
Obbiettivo e razionale
Metodi
Risultati
Conclusioni
Popolazione
N
F
Età
MMG
16-44
45-64
65-84
85+
1
2
3
4
5
A
6951
3443 (49.5)
2836 (40.8)
2515 (36.2)
1424 (20.5)
176 (2.5)
1464 (21.1)
1444 (20.8)
1408 (20.3)
1373 (19.8)
1262 (18.2)
B
6839
3522 (51.5)
2626 (38.4)
2254 (33.0)
1648 (24.1)
311 (4.5)
1528 (22.3)
1522 (22.3)
1502 (22.0)
1271 (18.6)
1016 (14.9)
C
8038
4305 (53.6)
2916 (36.3)
2623 (32.6)
2082 (25.9)
417 (5.2)
1754 (21.8)
1682 (20.9)
1664 (20.7)
1619 (20.1)
1319 (16.4)
D
5764
3023 (52.4)
2130 (37.0)
1817 (31.5)
1459 (25.3)
358 (6.2)
1415 (24.5)
1154 (20.0)
1139 (19.8)
1096 (19.0)
960 (16.7)
E
6403
3281 (51.2)
2817 (44.0)
2201 (34.4)
1171 (18.3)
214 (3.3)
1416 (22.1)
1372 (21.4)
1323 (20.7)
1290 (20.1)
1002 (15.6)
Tot
33995
17574 (51.7)
13325 (39.2)
11410 (33.6)
7784 (22.9)
1476 (4.3)
Disponibilità dati
Flusso
SDO
Esenzioni
Farmaci
Ambulatoriale
A
2001
1991
2009
2009
B
2007
2000
2007
2009
C
2006
2000
2010
2010
D
2006
2009
2006
2006
E
2008
2011
2010
2012
Algoritmi
Ipertensione
1.0
1.0
0.9
0.9
0.8
4
7
0.8
4
3
0.7
0.6
0.5
0.4
0.5
1
0.4
6
11
0.6
0.5
8
0.4
1
0.3
0.2
0.8
0.7
9
1
0.3
0.9
7
5
0.7
0.6
Sensitivity
5
3
2
1.0
3
Sensitivity
6
Cardiopatia ischemica
10
0.3
0.2
0.2
2
0.1
0.1
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
4
0.1
2
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
Sensitivity
Diabete
Algoritmi
Ipertensione
1.0
1.0
0.9
0.9
0.8
4
7
0.8
4
3
0.7
0.6
0.5
0.4
0.6
0.8
0.5
0.4
0.7
9
0.3
11
0.6
0.5
0.4
1
0.3
0.2
6
8
1
1
0.9
7
5
0.7
Sensitivity
5
3
2
1.0
3
Sensitivity
6
Cardiopatia ischemica
Sensitivity
Diabete
10
0.3
0.2
0.2
2
0.1
0.1
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
4
0.1
2
((HOSP SEC UNSPEC OR
HOSP MAIN UNSPEC OR
EXE OR DRUGS INSULIN
OR DRUGS ORAL)) OR
((Hba1c))
Sensitivity
Specificity
PPV
NPV
κ
0.96
0.96
0.69
1.00
0.78
0.92
0.97
0.76
0.99
0.82
0.87
0.95
0.60
0.99
0.68
0.97
0.86
0.38
1.00
0.49
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
0.69
1.00
0.96
0.97
0.79
0.87
0.95
0.62
0.99
0.70
0.87
.
0.63
.
.
(0.86-0.89)
(0.60-0.67)
< .001
.
< .001
.
Algoritmi
Ipertensione
1.0
1.0
0.9
0.9
0.8
4
7
0.8
4
3
0.7
0.6
0.5
0.4
0.6
0.8
0.5
0.4
0.7
9
0.3
11
0.6
0.5
0.4
1
0.3
0.2
6
8
1
1
0.9
7
5
0.7
Sensitivity
5
3
2
1.0
3
Sensitivity
6
Cardiopatia ischemica
Sensitivity
Diabete
10
0.3
0.2
0.2
2
0.1
0.1
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
4
0.1
2
((HOSP SEC UNSPEC OR
HOSP MAIN UNSPEC OR
EXE OR DRUGS INSULIN
OR DRUGS ORAL))
Sensitivity
Specificity
PPV
NPV
κ
0.79
0.99
0.92
0.98
0.84
0.83
0.99
0.90
0.98
0.85
0.73
0.99
0.90
0.98
0.79
0.75
0.96
0.65
0.98
0.66
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
0.69
1.00
0.96
0.97
0.79
0.76
0.99
0.86
0.98
0.79
0.76
.
0.86
.
.
(0.73-0.79)
(0.84-0.88)
< .05
.
< .001
.
Algoritmi
Ipertensione
1.0
1.0
0.9
0.9
0.8
4
7
0.8
4
3
0.7
0.6
0.5
0.4
0.6
0.8
0.5
0.4
0.7
9
0.3
11
0.6
0.5
0.4
1
0.3
0.2
6
8
1
1
0.9
7
5
0.7
Sensitivity
5
3
2
1.0
3
Sensitivity
6
Cardiopatia ischemica
Sensitivity
Diabete
10
0.3
0.2
0.2
2
0.1
0.1
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
4
0.1
2
((DRUGS INSDDDlastyear
OR DRUGS ORDDDlastyear
OR HOSP MAIN UNSPEC
OR EXE OR HOSP DRG))
Sensitivity
Specificity
PPV
NPV
κ
0.71
1.00
0.94
0.97
0.79
0.77
1.00
0.94
0.98
0.84
0.56
1.00
0.93
0.97
0.68
0.55
0.99
0.89
0.96
0.66
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
0.39
1.00
0.97
0.94
0.53
0.59
1.00
0.94
0.96
0.71
0.60
.
0.94
.
.
(0.56-0.65)
(0.92-0.95)
< .001
.
0.068
.
Algoritmi
Ipertensione
1.0
1.0
0.9
0.9
0.8
4
7
0.8
4
3
0.7
0.6
0.5
0.4
0.6
0.8
0.5
0.4
0.7
9
0.3
11
0.6
0.5
0.4
1
0.3
0.2
6
8
1
1
0.9
7
5
0.7
Sensitivity
5
3
2
1.0
3
Sensitivity
6
Cardiopatia ischemica
Sensitivity
Diabete
10
0.3
0.2
0.2
2
0.1
0.1
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
4
0.1
2
(ARENIN OR BETABL OR
EXE OR
HOSP MAIN UNSP OR
HOSP SEC UNSP)
Sensitivity
Specificity
PPV
NPV
κ
0.68
0.97
0.93
0.85
0.70
0.80
0.92
0.85
0.90
0.73
0.77
0.93
0.85
0.89
0.72
0.86
0.82
0.68
0.93
0.63
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
0.50
0.98
0.91
0.81
0.54
0.72
0.93
0.83
0.87
0.67
0.73
.
0.83
.
.
(0.70-0.76)
(0.81-0.86)
< .001
.
< .001
.
Algoritmi
Ipertensione
1.0
1.0
0.9
0.9
0.8
4
7
0.8
4
3
0.7
0.6
0.5
0.4
0.6
0.8
0.5
0.4
0.7
9
0.3
11
0.6
0.5
0.4
1
0.3
0.2
6
8
1
1
0.9
7
5
0.7
Sensitivity
5
3
2
1.0
3
Sensitivity
6
Cardiopatia ischemica
Sensitivity
Diabete
10
0.3
0.2
0.2
2
0.1
0.1
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
4
0.1
2
((HOSP MAIN OR
HOSP SEC OR NITRATES
OR EXE))
Sensitivity
Specificity
PPV
NPV
κ
0.72
0.99
0.81
0.99
0.76
0.76
1.00
0.89
0.99
0.81
0.47
0.99
0.80
0.97
0.58
0.60
0.99
0.69
0.98
0.63
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
0.63
0.99
0.70
0.98
0.65
0.62
0.99
0.79
0.98
0.68
0.63
.
0.79
.
.
(0.58-0.67)
(0.76-0.83)
< .001
.
< .05
.
Algoritmi
Ipertensione
1.0
1.0
0.9
0.9
0.8
4
7
0.8
4
3
0.7
0.6
0.5
0.4
0.6
0.8
0.5
0.4
0.7
9
0.3
11
0.6
0.5
0.4
1
0.3
0.2
6
8
1
1
0.9
7
5
0.7
Sensitivity
5
3
2
1.0
3
Sensitivity
6
Cardiopatia ischemica
Sensitivity
Diabete
10
0.3
0.2
0.2
2
0.1
0.1
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
4
0.1
2
((HOSP MAIN OR
HOSP SEC OR NITRATES
OR PAI))
Sensitivity
Specificity
PPV
NPV
κ
0.87
0.92
0.29
0.99
0.40
0.87
0.91
0.29
0.99
0.40
0.82
0.90
0.33
0.99
0.43
0.91
0.84
0.20
1.00
0.28
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1-PPV
0.61
0.96
0.38
0.98
0.44
0.84
0.90
0.28
0.99
0.38
0.84
.
0.28
.
.
(0.82-0.87)
(0.26-0.31)
< .001
.
< .001
.
Contenuti
Identificazione di soggetti con una patologia da database esistenti
Studio di validazione del progetto MATRICE
Conclusioni
Riassunto dei risultati
Gruppo AIE-SISMEC Sia nel caso del diabete che nel caso della
cardiopatia ischemica gli algoritmi indicati sono quelli
prescelti dal gruppo di lavoro AIE-SISMEC nella
seconda metà degli anni Duemila.
Buon PPV Per tutte e tre le patologie sono disponibili algoritmi
specifici e con un PPV superiore all’80%
Bassa sensibilità Sensibilità inferiore all’80% e, nel caso della
cardiopatia ischemica, inferiore al 65%.
Eterogeneità Abbastanza alta: perché i dati sono disponibili per
anni diversi? Da approfondire
Aspetti inattesi Meglio dell’atteso l’ipertensione, peggio la
cardiopatia ischemica
Raccomandazioni
Gli studi che utilizzano questi algoritmi per
selezionare coorti devono condurre analisi di
sensibilità per valutare il possibile effetto di
selezione, in particolare nel caso della cardiopatia
ischemica, e il possibile effetto della
misclassificazione
Domande?
Regola di classificazione
Malati (GS)
Regola di classificazione
In una popolazione che contiene dei malati (Gold Standard, GS) una
classificazione (ALG) individua
ALG
GS
Regola di classificazione
In una popolazione che contiene dei malati (Gold Standard, GS) una
classificazione (ALG) individua
ALG
FP
VP
VN
FN
GS
Indici di validità
Se in una popolazione è disponibile un GS è possibile calcolare gli
indici di validità di ogni algoritmo: sensibilità, specificità, PPV,
NPV
Sensibilità
Denominatore
ALG
Numeratore
GS
ALG
Probabilità che una persona malata sia individuata da ALG
GS
Potere predittivo positivo (PPV)
Denominatore
ALG
Numeratore
GS
ALG
Probabilità che una persona individuata da ALG sia malata
GS
Specificità
Denominatore
ALG
Numeratore
GS
ALG
GS
Probabilità che una persona sana sia correttamente individuata
come tale da ALG
Potere predittivo negativo (NPV)
Denominatore
ALG
Numeratore
GS
ALG
GS
Probabilità che una persona individuata come sana da ALG lo sia
realmente
Se GS non è gold standard: concordanza
Denominatore
Numeratore
ALG
κ: concordanza aggiustata
GS
