Berechnung von Sensitivität, Spezifität und prädiktiven Werten für korrelierte Augen-daten

Zweck: Beschreibung und Demonstration geeigneter statistischer Ansätze zur Schätzung von Sensitivität, Spezifität, prädiktiven Werten und ihren 95%-Konfidenzintervallen (95% CI) für korrelierte Augen-daten. Methoden: Wir beschrieben verallgemeinerte Schätzgleichungen (GEE) und Clusterbootstrapping zur Berücksichtigung der Inter-Augen-Korrelation und wendeten sie zur Analyse der Daten aus einer klinischen Studie zur Telemedizin zur Erkennung der Frühgeborenenretinopathie (ROP) an. Ergebnisse: Unter 100 Säuglingen (200 Augen), die für die Analyse ausgewählt wurden, hatten 20 Säuglinge ein überweisungswürdiges ROP (RW-ROP) in beiden Augen und 9 Säuglinge mit RW-ROP nur in einem Auge, basierend auf der klinischen Augenuntersuchung. In der Analyse pro Auge, die beide Augen eines Säuglings einbezog, hatte die Bildbewertung für RW-ROP eine Sensitivität von 83,7% und eine Spezifität von 86,8%. Die 95%-CIs aus dem naiven Ansatz, der die Inter-Augen-Korrelation ignorierte, waren enger als die des GEE-Ansatzes und Clusterbootstrapping sowohl für Sensitivität (Breite des 95%-CI: 22,4% vs. 23,2% vs. 23,9%) als auch für Spezifität (11,4% vs. 12,5% vs. 11,6%). Die 95%-CIs für Sensitivität und Spezifität, die separat aus linken und rechten Augen berechnet wurden, waren breiter (35,2% bzw. 30,8% für Sensitivität, 25,4% bzw. 17,3% für Spezifität). Schlussfolgerungen: Wenn ein okulärer Test an beiden Augen einiger oder aller Studienteilnehmer durchgeführt wird, sind die statistischen Analysen am besten auf Augenebene durchzuführen und berücksichtigen die Inter-Augen-Korrelation, indem entweder GEE oder Clusterbootstrapping verwendet wird. Das Ignorieren der Inter-Augen-Korrelation führt zu unangemessen engen 95%-CIs, und die separate Analyse von Daten aus zwei Augen ist nicht effizient.