Sbu • Statens beredning för medicinsk utvärdering The Swedish Council on Technology Assessment in Health Care

Sensitivitet, specificitet, positivt  

och negativt prediktionsvärde

För att beräkna tillförlitligheten (validiteten) hos ett diagnostiskt test 

eller en metod för riskbedömning används främst fyra olika mått: sen-

sitivitet, specificitet, positivt och negativt prediktionsvärde. Sensitivitet 

anger den andel av de sjuka där testet är positivt och specificitet den 

andel av de friska där testet är negativt. Motsvarande för riskbedöm-

ning är: sensitivitet anger den andel av dem som blev sjuka där testet är 

positivt och specificitet den andel av dem som förblev friska där testet 

är negativt. Positivt prediktionsvärde (PPV) beskriver sannolikheten 

att patienten har karies/kommer att få karies om testet är positivt. Det 

K A R I E S   –   d I A G N O S T I K ,   R I S K B E d ö M N I N G   O C H   I C K E - I N vA S I v   B E H A N d L I N G

42

negativa prediktionsvärdet (NPV) beskriver sannolikheten för att patien-

ten inte har karies/kommer att få karies om testet är negativt. De olika 

kombinationerna av sjukdomsförekomst och testresultat kan ställas upp  

i en fyrfältstabell, se Faktaruta 1.3.

PPV och NPV beskriver testets egenskaper från ett kliniskt perspektiv. 

Medan sensitivitet och specificitet anses vara stabila mått på ett tests 

förmåga att diagnostisera (eller prediktera) sjukdom, är de prediktiva 

värdena beroende av prevalensen av sjukdomen i populationen; ju lägre 

kariesprevalensen är, desto mer sjunker PPV för en given sensitivitet och 

specificitet. 

Det negativa prediktionsvärdet påverkas inte nämnvärt av sjukdoms-

prevalensen utom vid höga prevalenser, då värdet sjunker. Faktaruta 1.4 

illustrerar hur PPV och NPV uppför sig i relation till sjukdomsprevalen-

sen för en viss sensitivitet och specificitet. 

Ett lågt PPV innebär samtidigt att andelen falska positiva fynd (falska 

alarm) ökar vid låg sjukdomsprevalens. Hur påverkar det min diagnos-

tiska tillförlitlighet? Hur tillförlitligt är ett röntgenfynd, t ex en radio-

lucens som jag noterat på en approximalyta i yttre delen av dentinet 

hos en patient? Hur stor är sannolikheten att mitt röntgenfynd är sant 

positivt, att det verkligen motsvarar en dentinskada? Den sannolikheten 

(PPV) är alltså beroende av prevalensen av sådana dentinskador i popu-

lationen. Om prevalensen dentinskador i mitt patientklientel är låg, blir 

också PPV relativt lågt, och andelen falska positiva fynd relativt hög. 

Även med höga värden på sensitivitet och specificitet kan andelen falska 

positiva fynd bli hög i en population med låg sjukdomsprevalens. I Fakta-

ruta 1.4 illustreras hur sjukdomsprevalensen påverkar andelen falska 

positiva diagnoser.

Ett positivt prediktionsvärde från en studie kan därför inte direkt över-

föras till en annan population, om inte sjukdomsprevalensen är jämför-

bar. Man måste alltså vara försiktig när man applicerar resultat avseende 

det positiva prediktiva värdet från en studie till sitt eget patientklientel. 

43

K A P I T E L   1   •   I n L E d n I n g

Receiver operating characteristic (ROC)

ROC är ett grafiskt sätt att sammanfatta testresultat. Genom att lägga 

in sensitivitet gentemot 1 minus specificitet för varje ”cut-off” (tröskel-

värde) i ett diagram och sedan förbinda punkterna får man en så kallad 

ROC-kurva. ROC-analys är hämtad från forskning om mottagning av 

radio- och radarsignaler, där signal–brusförhållande analyseras. Inom 

odontologin används det ofta för att jämföra och värdera olika röntgeno-

logiska metoder. Fördelen med ROC-analys är att man kan analysera 

en metods prestanda när man har flera möjliga nivåer för gränsdragning 

mellan sjukt och friskt. ROC kan beskrivas som en funktion där ande-

len sant positiva (sensitivitet) sätts i relation till andelen falskt positiva 

(1 minus specificitet). I Faktaruta 1.5 ges ett exempel på hur ROC kan 

användas. Rent matematiskt är den optimala gränsdragningen mellan 

sjukt och friskt i den punkt som ligger närmast diagrammets övre 

vänstra hörn. Det bästa valet i en klinisk situation behöver dock inte 

vara där. Beroende på situationen, kan man välja att prioritera en stor 

andel sant positiva och acceptera att andelen falskt positiva blir relativt 

stor eller välja en relativt låg andel sant positiva för att undvika en hög 

andel falskt positiva.

Likelihood-kvot (sannolikhetskvot)

Det är en fördel att ha ett mått på ett tests prestanda, ett mått som sam-

manfattar sensitivitet och specificitet och som är oberoende av sjuk-

domsprevalensen. Likelihood-kvoten (LR) är ett sådant mått. En positiv 

likelihood-kvot (LR+) beskriver sannolikheten att vara testpositiv om 

man är sjuk dividerat med sannolikheten att vara testpositiv om man är 

frisk (sensitivitet/1 minus specificitet). En negativ likelihood-kvot (LR–) 

beskriver sannolikheten att vara testnegativ om man är sjuk dividerat 

med sannolikheten att vara testnegativ om man är frisk (1 minus sen-

sitivitet/specificitet). En metods likelihood-kvot ger alltså oddset för 

att sjukdom föreligger vid positivt testresultat respektive oddset för att 

sjukdom föreligger vid ett negativt testresultat och ger därmed en enkel 

överblick över hur värdefullt ett test är. Likelihood-kvoten kan ses som 

en omräkningsfaktor och kan användas för att fastställa sannolikheten 

för sjukdom efter positivt testutfall om man känner till sjukdomspre-

valensen i populationen. Positiv och negativ likelihood-kvot beskrivs 

K A R I E S   –   d I A G N O S T I K ,   R I S K B E d ö M N I N G   O C H   I C K E - I N vA S I v   B E H A N d L I N G

44

ytterligare i Faktaruta 1.6. Exempel på hur det så kallade nomogrammet 

kan användas för att beräkna likehood-kvoter illustreras i Faktaruta 1.7.

Andra mått som används  

i samband med riskbedömning

Relativ risk (RR)

Relativ risk är sannolikheten för att en händelse ska inträffa om man är 

exponerad för en riskfaktor dividerat med sannolikheten för att händel-

sen ska inträffa om man inte är exponerad för riskfaktorn ifråga. Begrep-

pet används ibland för att jämföra riskerna för att få karies hos individer 

med respektive utan en specifik riskfaktor (t ex hög sockerkonsumtion). 

Relativ risk i det exemplet är kvoten mellan individer som får karies som 

har hög sockerkonsumtion och individer som får karies som inte har hög 

sockerkonsumtion. Beräkning av relativ risk illustreras i Faktaruta 1.8.

Oddskvot (”odds ratio”, OR)

Odds är sannolikheten för att en händelse ska inträffa dividerat med 

sannolikheten för att händelsen inte ska inträffa. Begreppet oddskvot 

används för att uttrycka den relativa risken för sjukdom för dem som är 

exponerade för en riskfaktor i relation till dem som inte är exponerade 

för riskfaktorn. Framför allt i studier som undersöker effekten av riskbe-

dömning där flera riskfaktorer ingår, används ofta oddskvot. Beräkning 

av odds och oddskvot illustreras i Faktaruta 1.8.

45

K A P I T E L   1   •   I n L E d n I n g

År

Ålder, år

3                                                      6

1985

83

45

1990

91

60

1995

93

65

2000

94

70

2005

95

73

År

DFT

0

1

2

3

4

5–7

≥8

1985

17

10

11

12

19

21

10

1990

40

14

12

10

10

11

3

1995

49

15

12

9

8

6

1

2000

60

16

10

6

4

2

1

2005

58

17

11

6

4

3

1

År

DFT

0

1

2

3

4–6

7–9

≥10

1985

35

14

11

7

15

8

10

1990

50

14

10

7

11

4

4

1995

58

14

9

5

8

3

3

2000

59

14

9

5

8

3

3

2005

59

15

9

5

7

3

2

Tabell 1.1 Procentandel kariesfria av undersökta barn (folktandvården)  

i det primära bettet (mjölktänder) från år 1985 till 2005.

Tabell 1.2 Procentuell fördelning av antalet karierade och fyllda tänder  

(DFT = decayed, filled teeth) hos 12-åringar från år 1985 till 2005.

Tabell 1.3 Procentuell fördelning av antalet karierade och fyllda tänder  

(DFT =decayed, filled teeth) hos 19-åringar från år 1985 till 2005.

K A R I E S   –   d I A G N O S T I K ,   R I S K B E d ö M N I N G   O C H   I C K E - I N vA S I v   B E H A N d L I N G

46

Tabell 1.1 Procentandel kariesfria av undersökta barn (folktandvården)  

i det primära bettet (mjölktänder) från år 1985 till 2005.

Tabell 1.2 Procentuell fördelning av antalet karierade och fyllda tänder  

(DFT = decayed, filled teeth) hos 12-åringar från år 1985 till 2005.

Tabell 1.3 Procentuell fördelning av antalet karierade och fyllda tänder  

(DFT =decayed, filled teeth) hos 19-åringar från år 1985 till 2005.

Figur 1.1 Figuren illustrerar hur faktorer på olika nivåer – från biologisk nivå 

till samhällsnivå – är involverade i kariesprocessen. På den biologiska nivån 

är balansen mellan remineralisering och demineralisering beroende av kost- 

och munhygienvanor men också av faktorer som t ex tandens morfologi och 

salivfunktion. Kost- och munhygienvanor styrs av individens livsstil och attityder 

som i sin tur påverkas av sociodemografiska faktorer och välfärden i samhället.

Få syratoleranta och syra-

producerande bakterier.

Kortvariga pH-fall i biofilmen:

Remineralisering > 

demineralisering

•  Begränsat intag av 

 

fermentabla kolhydrater

•  God munhygien 

•  Tillräcklig fluortillförsel

•  Frekvent intag av 

 

fermentabla kolhydrater

•  Dålig munhygien 

•  Otillräcklig fluortillförsel

Utbildning, kunskaper, livsstil, attityder, beteende

Ålder, tandmorfologi, tandyta, 

salivfunktion, genetiska faktorer

Sociodemografi och välfärd

Samhällsnivå

Individnivå

Biologisk nivå 

Tillväxt av syratoleranta och 

syraproducerande bakterier.

Utdragna pH-fall i biofilmen:

Demineralisering > 

remineralisering

47

K A P I T E L   1   •   I n L E d n I n g

Kariesskadan synlig  

för blotta ögat

Subklinisk:

Kariesskadan synlig  

i mikroskop

Tid

Ökande förstörelse  

av tandkronan

En kavitet  

har bildats

Figur 1.2 Utveckling av en kariesskada från subklinisk nivå till ökande grad av 

destruktion av tandvävnad. Tidsaxeln speglar inte det verkliga tidsförhållandet 

mellan olika stadier i en kariesskadas utveckling. 

Figur 1.3 Underkäkständer i höger käkhalva. Tändernas approximalytor  

är de ytor som står i kontakt med andra tänders approximalytor

1

.

Approximalyta

Tuggyta

Approximalyta

1. LifeART copyright (2007) Wolters Kluwer Health, Inc. Lippincott Williams & Wilkins.  

All rights reserved.

K A R I E S   –   d I A G N O S T I K ,   R I S K B E d ö M N I N G   O C H   I C K E - I N vA S I v   B E H A N d L I N G

48

Faktaruta 1.1 Olika aspekter på validitet.

•

Kriterievaliditet (”criterion validity”) där testet jämförs  

med en referensmetod (”gold standard”)*

•

Innehållsvaliditet (”content validity”) där testet baseras på all relevant  

 

teoretisk och empirisk kunskap om det som mäts

•

Begreppsvaliditet (”construct validity”)** där testet är uppbyggt så att  

 

mätningarna stämmer med vad andra har kommit fram till med andra  

 

skalor med samma teoretiska definitioner.

Faktaruta 1.2 Beräkning av reliabilitet med ett hypotetiskt exempel: 

röntgenbilder av 60 approximalytor tolkas av två undersökare med avseende på 

förekomst av dentinkaries. Positiv = dentinkaries; negativ = ingen dentinkaries.

a) Resultatet av upprepad tolkning av röntgenbilder av 60 approximalytor

 

Första tolkningen

Andra tolkningen

Positiv

Negativ

Totalt

Positiv

Negativ

Totalt

11

3

14

11

35

46

22

38

60

* Den typ av validitet som denna rapport utvärderar.

** Ett exempel där ett test validerats med ”construct validity” är en studie där diagnoserna

aktiv eller inaktiv initial karies bestämdes med hjälp av visuell-taktil undersökning [20]. Dia-

gnoserna validerades efter en observationstid på tre år med utgångspunkt från ett teoretiskt 

resonemang kring fluorens effekt på aktiva respektive inaktiva initiala kariesskador.

Faktarutan fortsätter på nästa sida

49

K A P I T E L   1   •   I n L E d n I n g

Faktarutan fortsätter på nästa sida

b) det förväntade slumpmässiga resultatet om diagnoserna var oberoende av

varandra

Andra tolkningen

Första tolkningen

      Positiv

     Negativ

         Totalt

Positiv

Negativ

Totalt

5,13

8,87

14,00

16,87

29,13

46,00

22,00

38,00

60,00

Resultatet från a): Vid första tolkningen hade 22 ytor dentinkaries och vid andra

tolkningen som gjordes ”blint” (ovetande om vad observatören kommit fram till

första gången) hade 14 ytor dentinkaries. 11 ytor var positiva båda gångerna och

35 ytor var negativa vid båda tillfällena. Den procentuella överensstämmelsen var

alltså (11+35)/60=0,77 eller 77%.

Detta mått på observatörsvariation är dock missledande, eftersom man ignorerar att

de två tolkningarna kan ge samma resultat beroende på slumpen. Om man tänker sig 

att observatören andra gången slumpmässigt väljer 14 röntgenbilder och benämner

dem ”positiva”. Man kan då förvänta sig att 22 * 14/60 = 5,13 bilder kommer att bli

”positiva” vid båda tillfällena och att 38 * 46/60 = 29,13 kommer att bli ”negativa”

båda gångerna. Det förväntade resultatet beroende på slumpen är illustrerat i b).

Man kan alltså beräkna att det förväntade resultatet som beror på slumpen är (5,13

+ 29,13)/60 = 0,57 eller 57%. När man tar detta i betraktande, blir det observerade

procentuella överensstämmelsen på 77% mindre imponerande.

Det är detta problem som formaliserats i den så kallade kappastatistiken, som

relaterar den observerade överensstämmelsen till den överensstämmelse som kan 

bero på slumpen. I det beskrivna exemplet är kappavärdet 47%, vilket betyder att

skillnaden mellan den observerade överensstämmelsen och den slumpberoende 

överensstämmelsen (77–57%) endast är 47% av skillnaden mellan perfekt överens-

stämmelse och slumpmässig överensstämmelse (100–57%). Detta kan illustreras

med en figur:

A______________________B________C__________D

0 

57 

77 

100

ÖVERENSSTÄMMELSE (%)

A = total brist på överensstämmelse; B = den förväntade överensstämmelsen pga

slumpen; C = den observerade överensstämmelsen; D = perfekt överensstäm-

melse. Figuren härleder till a) och b) ovan.

Kappa = (C–B)/(D–B) = (77–57)/(100–57) = 0,47 eller 47%.

Faktaruta 1.2 fortsättning

K A R I E S   –   d I A G N O S T I K ,   R I S K B E d ö M N I N G   O C H   I C K E - I N vA S I v   B E H A N d L I N G

50

 

   

Faktaruta 1.3 Fyrfältstabell med kombinationer av testresultat och 

sjukdomsförekomst samt beräkning av sensitivitet, specificitet, positivt och 

negativt prediktionsvärde och exempel som illlustrerar hur sjukdomsprevalensen 

påverkar andelen falska positiva diagnoser. 

Nya testet visar:

Referensmetoden visar att:

Sjukdom finns

Sjukdom saknas

Positivt testresultat

a = sant positiv

Fastställer korrekt

b = falskt positiv

”Falskt alarm”

Negativt testresultat

c = falskt negativ

”Fall missas”

d = sant negativ

Utesluter korrekt

Sensitivitet = a/a+c

Specificitet = d/b+d

Positivt prediktionsvärde (PPV) = a/a+b

Negativt prediktionsvärde (NPV) = d/c+d

Sensitivitet och specificitet kan vardera anta värden mellan 0 och 1. Ju närmare 1 

desto bättre är det diagnostiska/prognostiska testet. Om summan av sensitivitet  

och specificitet är 2, är testet perfekt. Om sensitivitet och specificitet vardera är  

≤0,5, är testet värdelöst, dvs det är inte bättre än slumpen. Värden för sensitivitet  

och specificitet multipliceras ofta med 100 och uttrycks i procent.

Faktarutan fortsätter på nästa sida

51

K A P I T E L   1   •   I n L E d n I n g

Två exempel som illustrerar hur sjukdomsprevalensen påverkar andelen  

falska positiva diagnoser (FP). I båda exemplen är sensitiviteten = 90% och 

specificiteten = 99%.

1. Sjukdomsprevalens = 30%

 

Sjukdom finns

 Sjukdom finns inte

Totalt

Positivt 

testresultat

270           

7 (FP)

277

Negativt  

testresultat

30

693

723

Totalt

300

700

1 000

Andelen falska positiva diagnoser: 7/277 x 100 = 2,5%

 

2. Sjukdomsprevalens = 5%

 

Sjukdom finns

Sjukdom finns inte

Totalt

Positivt 

testresultat

45

10 (FP)

55

Negativt  

testresultat

5

940

945

Totalt

50

950

1 000

Andelen falska positiva diagnoser: 10/55 x 100 = 18%

Faktaruta 1.3 fortsättning

K A R I E S   –   d I A G N O S T I K ,   R I S K B E d ö M N I N G   O C H   I C K E - I N vA S I v   B E H A N d L I N G

52

Faktaruta 1.4 Diagram som illustrerar hur det positiva och negativa 

prediktionsvärdet påverkas av sjukdomsprevalensen. I exemplet är andelen 

sanna positiva 0,6 och andelen sanna negativa 0,9. Vid en sjukdomsprevalens 

på 10 procent blir det positiva prediktionsvärdet (PPV) 0,40 medan det negativa 

prediktionsvärdet (NPV) blir 0,95. Om sjukdomsprevalensen är 50 procent, ökar 

PPV till 0,85, medan NPV sjunker till 0,70.

 

Pr

ediktivt vär

de

Prevalens

NPV

PPV

Andelen sant 

positiva = 0,6

Andelen sant 

negativa = 0,9

0,0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1,0

0,1

0,2

0,3

0,4

0,5

0,6 0,7

0,8 0,9

1,0

1,1

1,2

PPV = 0,40

NPV = 0,95

PPV = 0,85

NPV = 0,70

53

K A P I T E L   1   •   I n L E d n I n g

Faktaruta 1.5 ”Receiver operating characteristic” (ROC) med sanna positiva 

värden (sensitivitet) på y-axeln och falska positiva värden (1 – specificitet) på  

x-axeln. Kurvorna visar sambandet mellan sanna positiva värden och falska 

positiva värden för dentinkaries på approximal- och tuggytor. Exemplet är 

från en in vitro-studie med extraherade tänder (”gold standard” = histologisk 

verifikation), där undersökare fick ange graden av säkerhet för dentinkaries  

på röntgenbilden på en skala från 0 = ”säkert ingen dentinkaries” till 5 =  

”helt säkert dentinkaries”. Från Espelid 2001 [21].

 

Sensitivitet

1 – Specificitet

Approximalkaries

Ocklusalkaries

0,0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1,0

0,1

0,2

0,3

0,4

0,5

0,6 0,7

0,8 0,9

1,0

K A R I E S   –   d I A G N O S T I K ,   R I S K B E d ö M N I N G   O C H   I C K E - I N vA S I v   B E H A N d L I N G

54