Odchylenie widma - Spectrum bias
W biostatystyką , nastawienie Widmo odnosi się do zjawiska, że wydajność w teście diagnostycznym może zmieniać się w różnych sytuacjach klinicznych, ponieważ każde ustawienie ma inną mieszankę pacjentów. Ponieważ wydajność może zależeć od rodzaju pacjentów, wyniki w jednej klinice mogą nie stanowić wartości predykcyjnej wyników w innej klinice. Różnice te są interpretowane jako rodzaj uprzedzeń . Matematycznie, odchylenie widma jest odchyleniem próbkowania, a nie tradycyjnym odchyleniem statystycznym ; skłoniło to niektórych autorów do określania tego zjawiska jako efektów widmowych, podczas gdy inni utrzymują, że jest to błąd, jeśli rzeczywiste wyniki testu różnią się od tych, które są „oczekiwane”. Zwykle wykonanie testu diagnostycznego jest mierzone pod kątem jego czułości i swoistości, a to właśnie zmiany w tych testach są brane pod uwagę w odniesieniu do odchylenia widma. Jednak odchylenie widma może mieć również wpływ na inne miary wydajności, takie jak współczynniki prawdopodobieństwa .
Ogólnie uważa się, że odchylenie widma ma trzy przyczyny. Pierwsza wynika ze zmiany w kombinacji przypadków pacjentów z docelowym zaburzeniem (chorobą), co wpływa na wrażliwość . Drugi wynika ze zmiany kombinacji przypadków u osób bez docelowego zaburzenia (wolne od choroby), co wpływa na swoistość . Trzeci jest spowodowany zmianą częstości występowania, co wpływa zarówno na czułość, jak i swoistość . Ta ostatnia przyczyna nie jest powszechnie doceniana, ale istnieje coraz więcej dowodów empirycznych, a także argumentów teoretycznych, które sugerują, że rzeczywiście wpływa ona na działanie testu.
Przykłady, w których czułość i swoistość zmieniają się między różnymi podgrupami pacjentów można wykryć za pomocą testu antygenów rakowo - płodowych i testów paskowych moczu .
Wyniki testów diagnostycznych podawane w niektórych badaniach mogą być sztucznie zawyżone, jeśli jest to projekt kliniczno-kontrolny, w którym zdrową populację („najlepiej przystosowana”) porównuje się z populacją z zaawansowaną chorobą („najbardziej chorowity z chorych”); oznacza to, że porównuje się dwie skrajne populacje, a nie typowe populacje zdrowe i chore.
Jeśli zostanie właściwie przeanalizowane, rozpoznanie niejednorodności podgrup może prowadzić do spostrzeżeń na temat wydajności testu w różnych populacjach.