Do you want BuboFlash to help you learning these things? Or do you want to add or correct something? Click here to log in or create user.
Tags
#Auswertung #Interpretation #has-images
Question
Auswertung: Empirische Bestimmung von Cut-Off Werten
Answer
- Empirische Cut off Werte basieren auf Vergleichen zwischen Untersuchungsergebnissen und tatsächlichen Zuständen
- Tabelle enthält vier Häufigkeiten mit den möglichen Klassifikationsergebnissen in einer Stichprobe. Sie hängen vom gewählten Cut off Wert ab, d.h. für jeden potentiellen Cut off Wert (z.B. BDI = 8) lässt sich eine Tabelle generieren
- Richtige Klassifikation beim gewählten BDI Cut off Wert: Richtig Positive, Richtig Negative
- Falsche Klassifikation: Falsch Positive, Falsch Negative
- Bei der Interpretation individueller Untersuchungsergebnisse wird die Basisrate (Prävalenz) häufig ignoriert
- Ein positives bzw. negatives Untersuchungsergebnis bedeutet nicht automatisch, dass eine konkrete Person krank bzw. gesund ist (geeignet bzw. ungeeignet usw.)
- Bsp. Perfekte Sensitivität (= 1) bedeutet lediglich, dass kranke Personen als solche identifiziert werden. Wenn die Spezifität nicht perfekt ist, dann werden gesunde Personen u.U. fälschlicherweise eine Krankheitsdiagnose erhalten
- Sensitivität soll also nicht mit dem positiven prädiktiven Wert (PPW) gleichgesetzt werden
- Bei geringer Prävalenz (seltene Störungen, wenig geeignete Personen etc.) wird der positive prädiktive Wert (Erfolgsquote) deutlich schlechter als Sensitivität sein
- Bsp. Perfekte Sensitivität (= 1) bedeutet lediglich, dass kranke Personen als solche identifiziert werden. Wenn die Spezifität nicht perfekt ist, dann werden gesunde Personen u.U. fälschlicherweise eine Krankheitsdiagnose erhalten
- Ein positives bzw. negatives Untersuchungsergebnis bedeutet nicht automatisch, dass eine konkrete Person krank bzw. gesund ist (geeignet bzw. ungeeignet usw.)
- Die berechneten Kennwerte können unterschiedlich gewichtet werden, um die optimalen Cut off Werte zu finden
- Häufig werden Sensitivität und Spezifität gleich gewichtet
- Prinzipiell sind ungleiche Gewichte möglich (z.B. Sensitivität wichtiger als Spezifität), z.B. Berücksichtigung der Kosten von falschen Entscheidungen (Kosten für die Gesellschaft oder spezifische Interessengruppen:Fehlzeiten , Behandlungskosten, Stigmatisierung
- Üblicherweise werden Cut Off Werte anhand von ROC Kurven identifiziert (Receiver Operator Characteristic Curve )
Tags
#Auswertung #Interpretation #has-images
Question
Auswertung: Empirische Bestimmung von Cut-Off Werten
Answer
?
Tags
#Auswertung #Interpretation #has-images
Question
Auswertung: Empirische Bestimmung von Cut-Off Werten
Answer
- Empirische Cut off Werte basieren auf Vergleichen zwischen Untersuchungsergebnissen und tatsächlichen Zuständen
- Tabelle enthält vier Häufigkeiten mit den möglichen Klassifikationsergebnissen in einer Stichprobe. Sie hängen vom gewählten Cut off Wert ab, d.h. für jeden potentiellen Cut off Wert (z.B. BDI = 8) lässt sich eine Tabelle generieren
- Richtige Klassifikation beim gewählten BDI Cut off Wert: Richtig Positive, Richtig Negative
- Falsche Klassifikation: Falsch Positive, Falsch Negative
- Bei der Interpretation individueller Untersuchungsergebnisse wird die Basisrate (Prävalenz) häufig ignoriert
- Ein positives bzw. negatives Untersuchungsergebnis bedeutet nicht automatisch, dass eine konkrete Person krank bzw. gesund ist (geeignet bzw. ungeeignet usw.)
- Bsp. Perfekte Sensitivität (= 1) bedeutet lediglich, dass kranke Personen als solche identifiziert werden. Wenn die Spezifität nicht perfekt ist, dann werden gesunde Personen u.U. fälschlicherweise eine Krankheitsdiagnose erhalten
- Sensitivität soll also nicht mit dem positiven prädiktiven Wert (PPW) gleichgesetzt werden
- Bei geringer Prävalenz (seltene Störungen, wenig geeignete Personen etc.) wird der positive prädiktive Wert (Erfolgsquote) deutlich schlechter als Sensitivität sein
- Bsp. Perfekte Sensitivität (= 1) bedeutet lediglich, dass kranke Personen als solche identifiziert werden. Wenn die Spezifität nicht perfekt ist, dann werden gesunde Personen u.U. fälschlicherweise eine Krankheitsdiagnose erhalten
- Ein positives bzw. negatives Untersuchungsergebnis bedeutet nicht automatisch, dass eine konkrete Person krank bzw. gesund ist (geeignet bzw. ungeeignet usw.)
- Die berechneten Kennwerte können unterschiedlich gewichtet werden, um die optimalen Cut off Werte zu finden
- Häufig werden Sensitivität und Spezifität gleich gewichtet
- Prinzipiell sind ungleiche Gewichte möglich (z.B. Sensitivität wichtiger als Spezifität), z.B. Berücksichtigung der Kosten von falschen Entscheidungen (Kosten für die Gesellschaft oder spezifische Interessengruppen:Fehlzeiten , Behandlungskosten, Stigmatisierung
- Üblicherweise werden Cut Off Werte anhand von ROC Kurven identifiziert (Receiver Operator Characteristic Curve )
If you want to change selection, open document below and click on "Move attachment"
pdf
cannot see any pdfs
Summary
| status | not learned | measured difficulty | 37% [default] | last interval [days] | |||
|---|---|---|---|---|---|---|---|
| repetition number in this series | 0 | memorised on | scheduled repetition | ||||
| scheduled repetition interval | last repetition or drill |
Details
No repetitionsDiscussion
Do you want to join discussion? Click here to log in or create user.