1: Inleiding tot de medische biochemie & klinische biologie
2: Statistiek in de klinische biologie
Statistiek: vlug doorlezen & onthoud de zaken van normale verdeling, voor de rest geen
examenvragen van
Normale verdeling = gaussiaanse distributie:
Confidentie-interval:
● -s tot +s (s = standaardafwijking) = 68,3% van de
waarden
● -2s tot +2s = 95,4% van de waarden (95%
confidentie-interval)
● -3s tot +3s = 99,7% van de waarden
De normale verdeling of gaussverdeling is een continue
kansverdeling met 2 parameters: verwachtingswaarde
(piek) & standaardafwijking.
Normale klokverdeling: symmetrisch rond het gemiddelde.
Hierbij is het gemiddelde gelijk aan de mediaan en aan de
modus (de waarde op de piek)
Abnormale verdelingen: het gemiddelde is niet gelijk aan de
mediaan en ook niet aan de modus.
Bimodale verdelingen: 2 pieken (dus 2 modussen)
- sensitiviteit & specificiteit van een test (ex)
- predictieve waarde van een positief & negatief testresultaat (ex)
3: Referentiewaarden, specificiteit, sensitiviteit van testen
Referentie-interval: normaal gezien een 95% confidentie-interval nemen (interval waar 95%
van de normale waarden tussen zitten)
Het interval tussen (en inbegrepen) 2 referentielimieten: centraal interval tussen de lage &
hoge referentielimiet.
=> normaalwaarden
Echter: normaalwaarde betekent niet altijd een afwezigheid van de ziekte: vaak overlappen
normale & abnormale waarden bij ziekten omdat de meeste ziekteprocessen continu
veranderen.
Daarom beter ipv ‘normale waarden’ ‘referentiewaarden’ zeggen.
Selectie van referentie-individuen:
Per definitie ‘gezond’ voor de te onderzoeken parameter.
- exclusiecriteria: bij selecteren van referentiewaarden wordt bv alcoholgebruik
uitgesloten of mensen met hoge bloeddruk of obesitas of zwangerschap of..
- soms indeling in subklassen bv leeftijd, geslacht,..
- rekening houden met circadiaans ritme, ras, nuchter of niet-nuchter, roker,..
,4: Pre-analytische fase:
Pre-analytische & analytische variabelen:
● Analytische variabelen: variabiliteiten tijdens de test
● Pre-analytische variabelen:
(apart bundeltje over pre-analytische variabelen: NK! begrip wel kennen adhv tabel)
Variabelen VOOR de test plaatsvindt: alles wat met monster dat je test gebeurt
voordat je het meet.
-> heeft persoon eerst een dieet gevolgd, geneesmiddelen, fysische activiteit bv snel
gaan lopen is en dan naar arts gaat dus verhoogde creatinekinasewaarden, stress,..)
-> staalafname zelf: liggend, staand, garrot (= drukverband dat wordt aangelegd als
men bloed afneemt waardoor bloedwaarden kunnen verhogen indien te lang)
-> specimenhandeling: transport van bloedstalen (clotting, stollingstesten doen:
hangt af van hoelang het staal onderweg was & temperatuur)
Individuele referentiewaarden:
Bv parameter om nierfunctie na te kijken = creatinineconcentratie in mg/dL
bij gezonde mensen bekijken: gaussiaanse verdeling (=normaalverdeling):
creatininewaarden zullen tussen 0.6/0.8-1.2 mg/dL liggen = referentie-interval bij grote
populatie
Individuele referentiewaarden: sommige laboparameters zijn bij iemand individueel zeer
stabiel. Stel je meet het een jaar later en de persoon gaat plots van eerst 0.72 naar nu 1.1->
valt nog steeds binnen referentiewaardes maar creatinine is een parameter dat individueel
zo stabiel is dus je weet dat er met die persoon iets gebeurt is qua nierfunctie.
Formules sensitiviteit & specificiteit niet vanbuiten leren maar adhv figuur komen tot die
formules.
Glucoseconcentratie in bloed (mg/dL) op ene as, op andere as het aantal personen waarbij
je glucoseconcentratie meet: gezonde personen = mooie Gaussiaanse verdeling
(gevoelig op examen voor: als je figuur gebruikt weten wat in X-as en Y-as staan!!! anders
versta je figuur niet)
Nu bij diabetespatiënten: waardes die verder naar rechts beginnen
Nu bepaalde cut-off definiëren in curve (= waarde bv 120mg/dL: mensen die eronder zitten
hebben een negatieve test, en erboven een positieve test: verhoogde glucoseconcentratie)
=> nu je dat weet kan je een aantal groepen gaan definiëren
● bij de gezonde (pakt 1000personen) heb je mensen die negatief testen, maar ook
een paar die positief testen
Negatief: true negatives (TN) (pakt 950)
Positief: false positives (FP) (pakt 50)
● bij de zieken (pakt 500personen) heb je mensen die ziek zijn en positief testen, en
een groepje die ziek zijn maar een negatief resultaat hebben
Positief: true positives (TP) (pakt 450)
Negatief: false negatives (FN) (pakt 50)
,Sensitiviteit & specificiteit van een test inschatten:
- SENSITIVITEIT: van alle mensen die ziek zijn, hoeveel hebben er een positieve test
alle mensen die ziek zijn (true positive + false negative) hoeveel daarvan hebben een
positief resultaat = 450
TP/(TP+FN)
TP/450+50= 450/500= 90%
- SPECIFICITEIT: van alle gezonde mensen, hoeveel hebben er een negatieve test
TN/(FP+TN)
TN/950+50= 95%
Hieruit een aantal begrippen afleiden:
● PV+ = predictieve waarde van een positief resultaat (Productive Value)
-> welke mensen hebben allemaal een positief resultaat? De écht positieven (450) en
de vals positieven (50)
450+50
en welke van die mensen met positief resultaat hebben de ziekte: true positives =
450
===> PV+ = TP/(TP+FP)
450/450+50 = 90% dus maw: als je een positief resultaat hebt heb je 90% kans dat je
de ziekte hebt
● PV- = predictieve waarde van een negatief resultaat
Negatief testresultaat: true negatives (950) + false negatives (50) en de true
negatives zijn gezond
===> PV- = TN/(TN+FN)
950/950+50 = 95% dus maw: met 95% zekerheid heb je de ziekte niet
Examen: bespreek de predictieve waarde van een positief resultaat, of begrippen
sensitiviteit & specificiteit (formules niet kennen maar kunnen afleiden om het te begrijpen)
Algemene begrippen:
Zwangerschapstest/PCR-test: positief of negatief, maar meeste testen hebben een
kwantitatief resultaat dus je kan ook kijken naar het kwantitatief karakter van je test:
- Glucosetest geen pos/neg maar 250 mg/dL -> sterk indicatief voor diabetes, dus
verschilt van iemand met 130 mg/dL
- Cut-off waarde: stel je bent directeur van bloedtransfusiecentrum en er komen
mensen bloed geven voor RBC: je wilt niet dat een van de bloedzakjes besmet is
met HIV-virus dus personen testen op HIV- : je kan je niet veroorloven dat mensen
die ziekte hebben en toch negatief testen want dan geef je besmet bloed aan een
donor! Oplossing: cut-off waarde lager leggen: als men negatief is dan heeft men
zeker géén HIV. Nadeel: tegen mensen die positief testen en geen HIV hebben die
speciaal gekomen zijn om bloed te geven zeggen nee mag niet, is een gedoe.
- Of anders testen: zakjes bloed komen in bloedtransfusiecentrum en dan testen.
Nadeel: je wilt niet helft van zakjes bloed weggooien.
- Dus: voor HIV bestaan testen (antigeentest) die wél sterk onderscheid kunnen
maken tussen +/-
, Ander voorbeeld:
Als je een bloedonderzoek laat doen en je stuurt het naar huisarts en die duidt positief aan,
in labo vindt men dus positief resultaat mbv goedkope test: men belt niet naar huisarts om te
zeggen die persoon is positief: men stuurt die stalen door naar referentielabo die duurdere &
specifiekere testen gebruikt: zo veel beter onderscheid maken tussen +/-: pas wanneer dat
resultaat terug is dan zal labo aan arts het resultaat geven, want bij gewone goedkope test
komen veel vals+ voor.
-> men maakt vaak gebruik van combinaties van testen: eerst gewone algemene test,
daarna specifieke test: hierdoor beter diagnostisch resultaat bekomen
PREVALENTIE: het voorkomen van een ziekte in een populatie.
Een arts moet heel goed kijken naar persoon zijn symptomen om gericht testen aan te
vragen. Hierdoor gaat er minder overlap zijn.
Zie cursus: plasma creatinekinase
2 scenario’s:
Patiënten die liggen op een hartafdeling waarbij symptoom = pijn in borststreek
CK-test doen, cut-off: + = >350, - = <350
-> 2000 patiënten op hartafdeling met symptoom pijn in borststreek
-> van die 2000 zijn er 1000 patiënten die een infarct hebben = ziekte
-> de 1000 anderen hebben geen infarct = geen ziekte:
Specificiteit: hoeveel van de gezonde mensen true negative zijn: TN/(TN+FP)
900 hebben een -resultaat en 100 een (vals) +resultaat dus specificiteit is 90%:
900/(900+100)
Sensitiviteit: hoeveel van de zieke mensen true positive zijn: TP/(TP+FN)
Test heeft sensitiviteit van 95% dus van de 1000 met infarct hebben er 950 een +resultaat en
50 een -resultaat
Prevalentie myocardinfarct: helft wel helft niet dus voorkomen = 50%
Vraag die hij stelt: bereken voor die mensen wat de predictieve waarde van +testresultaat en
predictieve waarde van een -testresultaat is
PV+ = TP/(TP+FP)
PV- = TN/(TN+FN)
PV+: alle mensen die positief testen (1050), daarvan hoeveel mensen ziek zijn (950)
=> 950/1050= 89 à 90%
Patiënten waarbij prevalentie van hartinfarct veel minder is: daar ook bij mensen die pijn
hebben in borststreek zelfde test doen:
-> 1900 geen infarct:
Specificiteit: hoeveel gezonde mensen een true negative zijn: TN/(TN+FP)
190 vals positief en 1710 negatief dus specificiteit is 90%
-> 100 wel infarct:
Sensitiviteit: hoeveel zieke mensen een true positive zijn: TP/(TP+FN)
Sensitiviteit is 95%: 95 positief, 5 mensen (vals) negatief resultaat
Prevalentie: voorkomen is 100/2000= 5%
Predictief vermogen van +resultaat: PV+ = TP/(TP+FP)
Alle mensen met positief resultaat (95+190=285), hoeveel daarvan de ziekte: 95 (⅓=33%):