Epitools - Glosario

Precisión

El grado en que una medición, o una estimación basada en mediciones, representa el verdadero valor del atributo que se está midiendo. (Ver también Precisión y Validez que son los dos componentes de "Precisión")

Parámetros alfa y beta

Dos parámetros utilizados para definir la distribución de probabilidad Beta . El valor medio de la distribución se puede calcular como alfa / (alfa + beta) y el modo es (alfa-1) / (alfa + beta-2).

Límites de confianza asintóticos

Los 'límites de confianza se calculan utilizando la teoría de muestras grandes y suponiendo una aproximación normal de la distribución de muestreo. Los límites de confianza asintóticos son simétricos y pueden ser menores que cero o mayores que la unidad si la proporción verdadera está cerca de estos valores.

Método bayesiano

Un método estadístico basado en el teorema de Bayes. Se utiliza para calcular la probabilidad condicional de un evento dado el supuesto conocimiento previo. Las estimaciones previas de probabilidad se actualizan en base a nuevos datos. Una aplicación común de los métodos bayesianos es el cálculo del valor predictivo de una prueba basada en valores supuestos de prevalencia y sensibilidad y especificidad de la prueba y el resultado de la prueba.

Distribución Beta

Las distribuciones beta son un tipo de distribución de probabilidad que se usa comúnmente para describir la incertidumbre sobre el verdadero valor de una proporción, como la sensibilidad, la especificidad o la prevalencia. Son distribuciones apropiadas para expresar incertidumbre sobre los valores anteriores de prevalencia, sensibilidad o especificidad en la muestra de Gibbs ( Joseph et al., 1995 ; Vose, 2000 ). Cuando se usa para este propósito, la distribución Beta se puede definir por los dos parámetros, alfa y beta (escrito como Beta (alfa, beta)), con alfa = x + 1 y beta = n - x + 1, donde x es el número de eventos positivos de n ensayos. A medida que n aumenta, el grado de incertidumbre (el ancho de la distribución) sobre la proporción estimada (x / n) disminuye.

Bias

Cualquier efecto en cualquier etapa de una investigación que tiende a producir resultados que se alejan sistemáticamente de los valores verdaderos, es decir, un error sistemático. (Consulte también Error aleatorio )

Distribución binomial

La distribución binomial - Binomial (n, p) - es una distribución de probabilidad del número de éxitos que ocurren en los ensayos independientes de n , donde la probabilidad de éxito en cualquier ensayo es p , y las pruebas son independientes ( p permanece constante). La media de la distribución es np .

Límites de confianza y probabilidad

Los límites de confianza son los puntos finales superiores e inferiores de un intervalo alrededor de una estimación de parámetros, de modo que si un experimento se repitiera un número infinito de veces, en el porcentaje especificado (generalmente 95% o 99%) de los ensayos, el intervalo generado Contiene el verdadero valor del parámetro. Los límites de confianza se pueden calcular utilizando asintomático (aproximación normal) o exactos métodos.

Los límites de probabilidad (o credibilidad) son los puntos finales superior e inferior del intervalo que tiene una probabilidad específica (por ejemplo, 95% o 99%) de contener el valor verdadero de un parámetro de población, como una media o proporción. Generalmente se aplican en lugar de los límites de confianza cuando se utilizan métodos bayesianos .

Nivel de confianza

La probabilidad de aceptar la hipótesis nula cuando es verdadera; por ejemplo, la probabilidad de que los resultados de las pruebas detecten la enfermedad cuando la prevalencia real es mayor o igual que la prevalencia de diseño especificada .

Prevalencia de diseño (objetivo)

Un valor fijo para la prevalencia utilizado para probar la hipótesis nula de que la población está infectada en una prevalencia igual o mayor que la prevalencia de diseño. Si todas las muestras analizadas son negativas, la hipótesis nula se rechaza y se asume que la prevalencia es menor que la prevalencia de diseño (o 0). Alternativamente, el valor asumido para la prevalencia verdadera utilizada en la simulación del muestreo para la estimación de la prevalencia.

Descartar

Este es el número de iteraciones iniciales del Gibbs sampler que se descartan para permitir la convergencia del modelo en los valores verdaderos para los parámetros de interés.

Límites de confianza exactos

Los 'límites de confianza se calculan utilizando una distribución de probabilidad apropiada (generalmente la distribución binomial ) para llegar a un valor exacto. Los límites exactos de confianza son asimétricos y no pueden ser menores que cero o mayores que la unidad.

Falsos negativos (FN)

El número de individuos con la característica de interés (por ejemplo, verdaderamente infectados) que tienen un resultado de prueba negativo.

Muestra de Gibbs

Una muestra de Gibbs es un método Bayesiano que utiliza la simulación de Monte Carlo de Cadena de Markov para derivar las distribuciones de probabilidad posteriores que mejor se ajustan a las distribuciones anteriores y datos experimentales. La muestra de gibbs se ejecuta durante miles de iteraciones para permitir que las estimaciones de los parámetros posteriores converjan en los valores verdaderos.

Sensibilidad al rebaño (HSe)

La probabilidad de que un hato infectado dé un resultado positivo a un protocolo de prueba en particular, dado que se infecta con una prevalencia igual o mayor que la prevalencia de diseño .

Especificidad de rebaño (HSp)

La probabilidad de que un rebaño no infectado dé un resultado negativo a un protocolo de prueba particular.

Iteraciones

El número total de veces que se repite el modelo Gibbs sampler para generar distribuciones de probabilidad para el (los) parámetro (s) de interés. Para que las simulaciones estimen el sesgo, es el número de ejecuciones del modelo (simulaciones) utilizadas para estimar la prevalencia media y el sesgo.

Límites de confianza (probabilidad) más bajos

El límite inferior del confianza o probabilidad especificado.

LR para negativo (LRN)

Las probabilidades de un resultado de prueba negativo en individuos enfermos frente a enfermedad libres pueden calcularse como (1- Sensibilidad ) / Especificidad .

LR para positivo (LRP)

Las probabilidades de un resultado de prueba positivo en individuos enfermos frente a enfermedad libres pueden calcularse como Sensibilidad / (1- Especificidad) .

Máximo

El valor máximo de la distribución de probabilidad posterior para el parámetro de interés.

Significa

El valor medio aritmético de la distribución de probabilidad posterior para el parámetro de interés.

Prevalencia media

La media aritmética de la prevalencia estimada en todas las iteraciones para cada estrategia.

Prevalencia Mínima

El valor mínimo de la prevalencia estimada en todas las iteraciones para cada estrategia.

Máxima prevalencia

El valor máximo de la prevalencia estimada en todas las iteraciones para cada estrategia.

Sesgo medio

La media aritmética de la diferencia entre la prevalencia estimada y la prevalencia supuesta (diseño) en todas las iteraciones para cada estrategia (o la diferencia entre la prevalencia media y la supuesta (diseño) prevalencia.

Anchura media de CI

La media aritmética de la diferencia entre los límites de confianza superior e inferior en todas las iteraciones para cada estrategia. Para tamaños de piscinas fijas y pruebas perfectas o pruebas de sensibilidad y especificidad conocidas, se utilizan límites de confianza binomiales exactos . Para tamaños de grupos fijos y pruebas de sensibilidad y especificidad inciertas, límites de confianza asintóticos se utilizan.

Error estándar medio

La media aritmética de los errores estándar de las estimaciones de prevalencia en todas las iteraciones para cada estrategia. El error estándar promedio no está disponible para simulaciones de tamaño de grupo variable .

Error cuadrático medio (MSE)

La media varianza (la media de los cuadrados de los errores estándar ) más el cuadrado de la sesgo medio . El error cuadrático medio no está disponible para simulaciones de tamaño de grupo variable .

Bias / AP

Sesgo como proporción de la prevalencia aparente = El sesgo medio dividido por la prevalencia media (aparente) .

Bias / TP

Sesgo como proporción de la prevalencia verdadera = El sesgo medio dividido por la prevalencia verdadera supuesta (diseño).

Bias / MSE

Sesgo como una proporción del error cuadrático medio = El cuadrado del sesgo medio dividido por el error cuadrado medio . Bias / MSE no está disponible para simulaciones de tamaño de grupo variable .

Mediana

El valor del punto medio de la distribución de probabilidad posterior para el parámetro de interés, que es el valor donde el 50% de los valores son más altos y el 50% son más bajos.

Modo

El valor más probable asumido para el parámetro de interés.

Mínimo

El valor máximo de la distribución de probabilidad posterior para el parámetro de interés.

Valor predictivo negativo (VAN)

La probabilidad de que un individuo con prueba negativa esté verdaderamente libre de infección.

Prevalencia agrupada

La proporción de individuos que tienen la característica de interés (por ejemplo, infectada o enferma), estimada a partir de las pruebas de muestras agrupadas.

Pruebas agrupadas

Pruebas realizadas en muestras agregadas (agrupadas), donde cada muestra analizada es representativa de un número de individuos.

Tamaño de la piscina

El número de personas representadas en cada grupo sometido a pruebas agrupadas .

Valor predictivo positivo (PPV)

La probabilidad de que una persona con resultado positivo de prueba esté realmente infectada.

Distribución de probabilidad posterior

Una distribución de probabilidad generada por el Gibbs sampler para el parámetro de interés (prevalencia, sensibilidad, especificidad, etc.). Esto se deriva como la distribución de frecuencia relativa de los valores para el parámetro de interés generado a partir de múltiples iteraciones del modelo, después de descartando un número específico de iteraciones para permitir la convergencia del modelo.

Precisión

La inversa de la varianza de una estimación de parámetro: una medida de la repetibilidad o la consistencia de la estimar. La calidad de ser claramente definido o declarado, es decir. falta de error aleatorio Se refiere a la capacidad de una prueba o dispositivo de medición para dar resultados consistentes cuando se aplica repetidamente. Consulte también validity . Una buena prueba es precisa y válida, ya que son los dos componentes de exactitud .

Predominio

La proporción de individuos que tienen la característica de interés (por ejemplo, infectados o enfermos).

Prevalencia previa

La supuesta prevalencia de la infección antes de tener en cuenta los datos adicionales que puedan estar disponibles para el análisis. La prevalencia previa se expresa como una distribución de probabilidad Beta para los análisis bayesianos y se puede estimar a partir de datos preexistentes o en base a la opinión de expertos utilizando la estimación de modo y 5% o 95% límite de probabilidad . Los parámetros alfa y beta para la distribución se pueden calcular utilizando la utilidad de distribución Beta siempre que.

Sensibilidad previa

La supuesta sensibilidad de la prueba de detección utilizada antes de tener en cuenta los datos adicionales que puedan estar disponibles para el análisis. La sensibilidad previa se expresa como una distribución de probabilidad Beta para los análisis bayesianos y se puede estimar a partir de datos preexistentes o en base a la opinión de expertos utilizando la estimación de modo y 5% o 95% límite de probabilidad . Los parámetros alfa y beta para la distribución se pueden calcular utilizando la utilidad de distribución Beta siempre que.

Especificidad previa

La supuesta especificidad de la prueba de detección utilizada antes de tener en cuenta los datos adicionales que puedan estar disponibles para el análisis. La especificidad previa se expresa como una distribución de probabilidad Beta para los análisis bayesianos y se puede estimar a partir de datos preexistentes o en base a la opinión de expertos utilizando la estimación de modo y 5% o 95% límite de probabilidad . Los parámetros alfa y beta para la distribución se pueden calcular utilizando la utilidad de distribución Beta siempre que.

Proporción válida

La proporción de iteraciones en las que el intervalo de confianza para el prevalencia estimada contiene la verdad ( diseño ) valor de prevalencia.

Error aleatorio

Error gobernado por la casualidad. (Consulte también Bias )

Repetibilidad

La capacidad de una prueba para dar resultados consistentes en pruebas repetidas. Consulte también precisión .

Tamaño de muestra para estimación Se y Sp

El número de individuos utilizados en ensayos anteriores para estimar la sensibilidad o especificidad de la prueba que se está utilizando . Cuanto mayor sea el tamaño de la muestra, más precisa la estimación y, por tanto, menor será la incertidumbre en las estimaciones de sensibilidad, especificidad y resultantes. prevalencia .

Sensibilidad (Se)

La sensibilidad estimada (sinónimo: tasa verdadera positiva) de una prueba de diagnóstico es la proporción estimada (o supuesta) de animales con la enfermedad (o infección) de interés que dan positivo. Es una medida de la probabilidad de que un individuo enfermo sea identificado correctamente por la prueba. A veces se llama "sensibilidad de la población" para distinguirla de la "sensibilidad analítica".

Nota importante

Para las pruebas agrupadas, la sensibilidad se estima a nivel de la agrupación, de modo que en este contexto, la sensibilidad es la probabilidad de que una agrupación que incluya muestras de uno o más individuos infectados arroje un resultado positivo. La sensibilidad a nivel de grupo se ve afectada tanto por la prevalencia como por el tamaño del grupo. Cuanto más alta sea la prevalencia, más individuos infectados estarán representados en grupos individuales y más probabilidades habrá de que un grupo obtenga resultados positivos y, por lo tanto, mayor sensibilidad. Esto contrasta con la sensibilidad a nivel individual, que es independiente de la prevalencia. A la inversa, cuanto mayor sea el tamaño de la agrupación, mayor será la dilución de cualquier muestra individual positiva, lo que reduce potencialmente la sensibilidad.

Especificidad (Sp)

La especificidad estimada (sinónimo: Tasa Negativa Verdadera) de una prueba de diagnóstico es la proporción estimada (o supuesta) de animales sin la enfermedad (o infección) de interés que tienen una prueba negativa. Es una medida de la probabilidad de que un individuo sin la enfermedad de interés sea identificado correctamente por la prueba. A veces se llama "especificidad de la población" para distinguir de la "especificidad analítica".

Nota importante

Para las pruebas combinadas, la especificidad se estima a nivel de la agrupación, de modo que en este contexto, la especificidad es la probabilidad de que una agrupación que no incluya muestras de cualquier individuo infectado dé positivo (falso positivo). Por lo tanto, la especificidad a nivel de la agrupación puede verse afectada por el tamaño de la agrupación, debido tanto a un posible aumento en el número de individuos falsos positivos en la agrupación a medida que aumenta el tamaño de la agrupación como al efecto de la dilución sobre si estos individuos falso positivos también son positivos en la evaluación. prueba combinada.

Sensibilidad verdadera (Se)

La verdadera sensibilidad es la proporción real de animales sin la enfermedad (o infección) de interés que dan negativo. Si la sensibilidad estimada difiere de la sensibilidad verdadera, entonces las estimaciones de prevalencia resultantes estarán sesgadas en un grado dependiendo de la cantidad de error en la estimación.

Especificidad verdadera (Sp)

La verdadera especificidad es la proporción real de animales con la enfermedad (o infección) de interés que dan positivo. Si la especificidad estimada difiere de la especificidad verdadera, entonces las estimaciones de prevalencia resultantes estarán sesgadas en un grado dependiendo de la cantidad de error en la estimación.

Desviación estándar (SD)

Una medida estándar de la variación que existe en una serie de valores o de una distribución de frecuencia. Calculado como la raíz cuadrada positiva de la varianza .

Error estándar (SE)

La desviación estándar de una estimación de parámetro. Comúnmente se utiliza para calcular límites de confianza asintóticos .

Pruebas en paralelo

La interpretación de múltiples pruebas en las que un animal se considera positivo si reacciona positivamente a una o ambas (o cualquiera) de las pruebas, esto aumenta la sensibilidad a expensas de la especificidad.

Pruebas en serie

La interpretación de pruebas múltiples en las que un animal debe ser positivo en ambas pruebas (o en todas, si son más de 2) para ser considerado positivo, esto aumenta la especificidad a expensas de la sensibilidad.

Estrategias

El número de estrategias de agrupación alternativas evaluadas (mediante simulación) para estimar la precisión y el sesgo de la prevalencia estimada para cada opción.

Verdaderos positivos (TP)

El número de individuos con la característica de interés (por ejemplo, verdaderamente infectados) que tienen un resultado de prueba positivo.

Límites de confianza superior (Probabilidad)

El límite superior del confianza o probabilidad especificado.

Varianza

Una medida estándar de la variación que existe en una serie de valores o de una distribución de frecuencia. Estimado como la suma de los cuadrados de las desviaciones del valor medio para la variable dividida por el número de grados de libertad ( n -1).

Validez

La medida en que un estudio o prueba mide lo que se propone medir, es decir. falta de error sistemático o sesgo . Consulte también precisión . Una buena prueba es precisa y válida, ya que son los dos componentes de exactitud .

Y1, Y2, Y3, Y4

The true number of animals with the characteristic of interest (infection or disease) in each of the cells (a=++, b=+-, c=-+, d=--, respectively) of the 2-by-2 table describing the comparison of test results for two tests used concurrently on a sample from the population. Used in the Bayesian estimation of prevalence using two tests - starting values for each cell are required inputs and probability distributions for the true values are produced as outputs from the model.

a (T1+/T2+)

El número de individuos positivos para ambas pruebas cuando dos pruebas se aplican simultáneamente a una muestra de individuos de una población, como muestra a en la tabla a continuación.

b (T1+/T2-)

El número de individuos positivos para la Prueba 1 y negativos para la Prueba 2 cuando dos pruebas se aplican simultáneamente a una muestra de individuos de una población, como se muestra por b en la tabla a continuación.

c (T1-/T2+)

El número de individuos negativos para la Prueba 1 y positivos para la Prueba 2 cuando dos pruebas se aplican simultáneamente a una muestra de individuos de una población, como se muestra por c en la tabla a continuación.

d (T1-/T2-)

El número de individuos negativos para ambas pruebas cuando dos pruebas se aplican simultáneamente a una muestra de individuos de una población, como se muestra por d en la tabla a continuación.