IL LABORATORIO DEVE RISPONDERE
ALLE SEGUENTI DOMANDE
• il risultato dell’analisi modifica l’atteggiamento del
clinico nei confronti del paziente?
• questo cambiamento del clinico modifica il
trattamento (chirurgico, medico, consulto o
nessuna terapia) ?
• questo cambiamento nel trattamento influenza il
risultato in termini di sopravvivenza, malattia o
riduzione dei costi della cura?
CONCETTI DI:
SENSIBILITA'
SPECIFICITA'
VALORE PREDITTIVO
SENSIBILITA’ DI UN ESAME
DIAGNOSTICO
• % di risultati POSITIVI in persone che
HANNO la malattia
• IDEALE
analisi positiva in tutte le
persone malate
SPECIFICITA’ DI UN ESAME
DIAGNOSTICO
• % di risultati NEGATIVI in persone che
NON HANNO la malattia
• IDEALE
analisi negativa in tutte le
persone sane
sensibilità
se la malattia è
presente quale
probabilità c’è che il
risultato del test sia
anormale (positivo) ?
e
specificità
se la malattia non è
presente quale
probabilità c’è che il
risultato del test sia
normale (negativo)?
SENSIBILITÀ O POSITIVITÀ NELLA
MALATTIA
SENSIBILITA’
%
gravide
tests veri
POSITIVI
falsi negativi
100
100
100
0
99
100
99
1
90
100
90
10
85
100
85
15
SENSIBILITA’’ di un test = % di veri positivi in persone ammalate
IDEALE:analisi positiva in tutti gli ammalati 100% sensibilità
SPECIFICITA’ O NEGATIVITÀ’ NELLA
SALUTE
SPECIFICITA’
%
non gravide
tests veri
negativi
falsi positivi
100
100
100
0
99
100
99
1
90
100
90
10
85
100
85
15
SPECIFICITA’ di un test = % di veri negativi in persone sane
IDEALE: analisi negativa in tutti i sani 100% specificità
SENSIBILITA’ - SPECIFICITA’ PREVALENZA
1000PAZIENTI
200CONILTUMORE
160VERI POSITIVI
40FALSI NEGATIVI
800SENZAILTUMORE
80FALSI POSITIVI
720VERI NEGATIVI
SENSIBILITA’ - SPECIFICITA’ PREVALENZA
POSITIVO
RISULTATO
DELLE
ANALISI
PAZIENTE
SEMBRA
AVERE LA
MALATTIA
NEGATIVO
PAZIENTE
SEMBRA NON
AVERE LA
MALATTIA
SENSIBILITA’ : a
HA LA
MALATTIA
NON HA LA
MALATTIA
VERO
POSITIVO
FALSO
POSITIVO
a+b
a b
c d
FALSO
NEGATIVO
a+c
(veri positivi)
a +c (tutti malati)
SPECIFICITA’:
VERO
NEGATIVO
b+d
PREVALENZA:
malati)
d
( veri negativi) .
.
b + d (tutti quelli senza malattia )
c+d
a+c
( malati )
a + b + c + d ( tutti sani +
.
SENSIBILITA’ - SPECIFICITA’ PREVALENZA
PO SITIVO
N= 240
RISULTATO
DELLE
ANALISI
NEG ATIVO
= 760
TUM O RE
PRESENTE
N=200
VERO
PO SITIVO
= 160
= 40
FALSO
NEG ATIVO
TUM O RE
ASSENTE
N=800
FALSO
PO SITIVO
=80
a b
c d
= 720
VERO
NEG ATIVO
SENSIBILITA’ : ( a) 160 = 0.80
( a)160+(c)40
PREVALENZA: (a) 160 +( c) 40.
. = 0.20
(a)160+(b) 80+(c)40+(d) 720
SPECIFICITA’: (d) 720
. = 0.90
(b) 80 + (d)720
SCELTA DEGLI ESAMI IN BASE A
SPECIFICITA’ E SENSIBILITA’
• PER CONFERMARE
SOSPETTO
DIAGNOSTICO
• ALTA SPECIFICITA’
• NEGATIVI SICURI
• PER SCREENING O
ESCLUDERE
IPOTESI
DIAGNOSTICA
• ALTA SENSIBILITÀ’
• POSITIVI SICURI
SCELTA DEGLI ESAMI IN BASE A
SPECIFICITA’ E SENSIBILITA
ALTA SENSIBILITA’
( + positivo in malati)
ALTA SPECIFICITA’
( - negativo in sani)
• malattia grave curabile
mai mancarla
• malattia seria
non curabile
• importante sapere che
non si è affetti
• FALSI POSITIVI
trauma psichico
• FALSI POSITIVI
nessun problema
probabilità di avere una malattia
• ALTA
• BASSA
POSITIVO
conferma
negativo
non esclude
positivo
non aiuta a
confermare
NEGATIVO
esclude
ANALISI DEI COSTI NELLE
SCELTE DI ANALISI
• prendere coscienza da parte del clinico dell’aspetto
economico
• assieme alla sensibilità, specificità etc è utile per
gerarchizzare la sequenza di analisi
• valutare l’impatto dei falsi positivi nei pannelli multipli:
ripetizione di esami o test di conferma
L’ALTO COSTO DELLE ANALISI A BASSO COSTO
COSTO DEI FALSI POSITIVI O
DELL’INACURATEZZA
COSTO DEI
farmaci
ripetizioni di analisi
aumento dei premi assicurativi
valori psicologici ed umani dovuti
all’errore
ALL’INTERNO DELL’OSPEDALE
ripetizioni delle analisi
ALL’ESTERNO DELL’OSPEDALE
costi elevati per esami di conferma
ospedalizzazione inutile (a volte dannosa)
VALORI PREDITTIVI
Variano per uno stesso esame da una popolazione
all’altra a seconda della prevalenza della condizione
ricercata.
AL CLINICO INTERESSANO SOPRATTUTTO
I VALORI PREDITTIVI
Note la specificità, sensibilità e prevalenza della
condizione in esame si possono calcolare i valori
predittivi
la prevalenza può variare a seconda che si operi in
•
ambulatorio (o reparto) di medicina generale
•
ambulatorio (o reparto) specialistico
EFFETTO dell’INCIDENZA
sul VALORE PREDITTIVO
INCIDENZA DELLA MALATTIA
%
VALORE PREDITTIVO
%
0.1
2
1.0
16
2.0
28
5.0
50
10.0
68
50.0
95
VALORE PREDITTIVO DI UN
ESAME DIAGNOSTICO
• definisce la percentuale di risultati positivi che
sono realmente positivi
VARIA con
– sensibilità
– specificità
– incidenza
popolazione
% positivi veri
% negativi veri
malati nella
ANALISI AMBULATORIALE PER DIAGNOSI DI TUMORE
DELL’INTESTINO
SENSIBILITA’ = 95%
0.95
SPECIFICITA’ = 95 %
0.95
PREVALENZA
0.005
FREQUENZA DI TUMORI NELLA POPOLAZIONE ESAMINATA
5 CASI SU 1000
VALORE PREDITTIVO
TEST POSITIVO
VALORE PREDITTIVO
TEST NEGATIVO
VALORE PREDITTIVO
SENSIBILITA’ X PREVALENZA
.
(SENS X PREV) + ( 1 - SPECIF) X ( 1- PREV)
= 0.087
SPECIFICITA’ X (1 - PREVALENZA)
(SPEC. X (1 - PREV)) +(( 1 - SENS) X PREV)
= 0.99
PERCENTUALE DEI RISULTATI POSITIVI
CHE SONO REALMENTE POSITIVI
E DEI NEGATIVI CHE SONO REALMENTE NEGATIVI
CARATTERISTICHE DELL’ANALISI
ACCOPPIATE CON LA STIMA DELLA
PROBABILITA’
DI AVERE UNA DETERMINATA
MALATTIA
PRIMA DI SAPERE IL RISULTATO
DELL’ANALISI
RAPPORTO DI VEROSIMIGLIANZA
(Likelihood Ratio)
la misura del potere discriminatorio di un analisi
• la probabilità che un analisi sia positiva in una
persona ammalata confrontata con la probabilità
che sia positiva in una persona sana
• sensibilità / (1-specificità) POSITIVA
• (1-sensibilità) / specificità NEGATIVA
• rapporto maggiore di 1.0 = probabilità della malattia
• rapporto inferiore ad 1.0 abbassa probabilità di
malattia
CONTROLLI MEDICO STRUMENTALI
SULLE PERSONE SANE
• NON DANNEGGIARE = sicurezza della
metodica
• SENSIBILITA’ = abilità ad identificare i veri
malati
• SPECIFICITA’ = abilità ad identificare i veri
sani
CRITERI PER VALUTARE L’UTILITA’ DEI
TESTS DIAGNOSTICI DI SCREENING
1. Il test individua malattie non diagnosticabili se
non dopo lungo tempo?
2. Come correla il tests con il solo giudizio clinico?
3. La diagnosi precoce influenzerà favorevolmente
lo stato del paziente?
4. Quale è il rischio, il costo,l’efficacia e l’efficienza
della terapia in uno stadio iniziale della malattia?
5. Quale l’impatto di una diagnosi precoce sullo
stato di benessere psicologico?
CRITERI PER VALUTARE L’UTILITA’ DEI
TESTS DIAGNOSTICI DI SCREENING
1. Quali costi per esami risultanti da una diagnosi
errata?
2. Quali costi e rischi indotti da ulteriori valutazioni
diagnostiche?
3. Quali costi e rischi indotti da un trattamento
errato?
4. Quali conseguenze non mediche conseguenti ad
una etichetta diagnostica errata?
5. I potenziali benefici del test superano i costi ed i
rischi?
SCREENING
PER UNA MALATTIA
• il paziente ha la
malattia senza saperlo
PER UN FATTORE DI
RISCHIO
• il paziente non ha la
malattia
• il medico non rileva
sintomi
• il medico non rileva
sintomi
• il laboratorio rileva la
malattia in atto
• il laboratorio rivela
costituenti che possono
predire se in futuro si
svilupperà la malattia
RAZIONALE DI UN ESAME DI
SCREENING
 Struttura o natura dell’analita
 Che
essa comporti uno stadio presintomatico evidenziabile
 Che la malattia ricercata abbia una prevalenza importante
 Che esistano, per evidenzairla, esami validi ed accettabili in
termini di rischio, costo e disagio per il paziente
•
Che il trattamento a livello della fase presintomatica
riduca la mortalità e morbidità rispetto al trattamento
iniziato in uno stadio successivo
 Che
vi siano risorse necessarie per il trattamento dei soggetti
positivi
MALATTIA NOTA - CURABILE
COSTO PROPORZIONALE AL BENEFICIO
SCREENING BIOCHIMICO
MIRATO
• SERVE PER SCOPRIRE MALATTIE LATENTI O
INCIPIENTI
• DEVE PERMETTERE TRATTAMENTO EFFICACE A
COSTI BASSI
• SE DIAGNOSI TARDIVA - SPESSO INCURABILE A
COSTI ALTI
• CONDIZIONI ESSENZIALI
TERAPIA EFFICACE
TECNICA DIAGNOSTICA PRECISA
POPOLAZIONE A RISCHIO BEN IDENTIFICATE
PROBLEMA SOCIO SANITARIO SIGNIFICATIVO
PREVALENZA DI ALCUNE MALATTIE
NEONATALI PER CUI E’ INDICATO SCREENING
BIOCHIMICO
 1 su 2.000
per
FIBROSI CISTICA
 1 su 8.000
per
IPOTIROIDISMO
 1 su 40.000
per
GALATTOSEMIA
 1 su 6.000- 20.000 per
FENILCHETONURIA
RACCOMANDAZIONI PER L’USO DI PROFILI
BIOCHIMICI
PRE- AMMISSIONE IN OSPEDALE
1.1 profili biochimici non SONO indicati per screening routinari
in adulti asintomatici prima dell’ammissione in Ospedale
IN MOLTI CASI LA TECNOLOGIA CORRENTE NON
PERMETTE DI ORDINARE SELETTIVAMENTE LE
ANALISI COME SUGGERITO DALL’AM. COLL.
PHIS.
RACCOMANDAZIONI PER L’USO DI PROFILI
BIOCHIMICI
SCREENING AMBULATORIALE
 profili generici non indicati per screening routinari
in adulti asintomatici
 solo alcuni componenti: GLICEMIA-COLESTEROLOCREATININA(con o senza Azotemia)
PRE- AMMISSIONE IN OSPEDALE
 profili generici non indicati routinariamente per
ammissioni elettive in Ospedale
 componenti specifici in pazienti selezionati
RACCOMANDAZIONI PER L’USO DI PROFILI
BIOCHIMICI
 SCREENING AMBULATORIALE
1.1 profili biochimici non indicati per screening routinari in adulti asintomatici
1.1.1 Componenti specifici dei profili biochimici non indicati per screening
1.1.1.1.
1.1.1.2.
1.1.1.3.
1.1.1.4.
1.1.1.5.
1.1.1.6.
calcemia
fosfatasi alcalina
ac.urico
sodio
potassio
cloro
1.1.1.7. GOT
1.1.1.8. LDH
RACCOMANDAZIONI PER L’USO DI PROFILI
BIOCHIMICI
 SCREENING AMBULATORIALE
1.2 Componenti specifici dei profili biochimici che possono
essere indicati per
screening routinari in adulti asintomatici
1. 2 . 1
1. 2 . 2
1. 2. 3
GLICEMIA
COLESTEROLO
CREATININA (+ - azotemia)
PROCESSO DECISIONALE
NELLA PRATICA CLINICA
REVISIONE DELLE PROBABILITÀ
CON IL TEOREMA DI BAYES
Transaminasi (U/L)
Controlli “sani”
12, 15, 21, 27, 31, 38, 46, 54
Pazienti
42, 45, 58, 65, 73, 89, 96, 105
TEOREMA DI BAYES
Il teorema di Bayes viene definito il teorema delle probabilità a posteriori…
…infatti la conoscenza del
realizzarsi di un particolare
evento condizionante…
…può modificare la probabilità
a priori di un altro evento…
…aumentandone o
riducendone il valore iniziale.
 SINTOMO
 SEGNO
 TEST DI LABORATORIO
 MALATTIA
Applicazioni del teorema di Bayes in medicina
La formulazione di diagnosi:
in questo caso l’evento A1, A2, A3, …, Ak, sono tutte le possibili diagnosi,
mutuamente esclusive, che corrispondono ad un complesso di sintomi,
evento B.
E’ indispensabile conoscere a priori:
•
•
la probabilità di avere quei sintomi B dato che si ha la malattia A1;
la probabilità di avere la malattia A1 (prevalenza della patologia).
Applicazioni del teorema di Bayes in medicina
Gli screenings:
il teorema di Bayes permette di determinare il valore predittivo positivo di
un test di screening.
E’ indispensabile conoscere a priori:
• la specificità (capacità di trovare i soggetti veramente negativi tra i sani);
• la sensibilità (capacità di indicare come positivi soggetti che sono malati);
• la prevalenza della patologia.
ESEMPIO
Quando interpreta il risultato di un test, il medico converte una probabilità pre-test
o a priori di malattia nella corrispondente probabilità post-test o a posteriori.
Un medico deve utilizzare il suo miglior giudizio, derivato da tutti i dati clinici
disponibili, per stabilire valori ragionevoli di tali probabilità.
Consideriamo una donna di 25 anni che presenta disuria.
Presumiamo che il medico pensi che la probabilità di una Infezione delle Vie
Urinarie (IVU) sia moderatamente bassa (30%) sulla base dell'anamnesi e
dell'esame obiettivo della paziente.
Prima di inviare l'urina della paziente all'esame microscopico del sedimento e alla
coltura, il medico esegue un test con stick per l'esterasi leucocitaria, che presenta
un risultato positivo.
Per determinare la probabilità a posteriori di una IVU, il medico deve conoscere la
sensibilità e la specificità del test, in questo caso 71% e 85%, rispettivamente.
Ovvero
Ovvero
Interpretazione di un risultato del test per l'esterasi leucocitaria in una donna con 30% di probabilità a priori
di una IVU, simulante una coorte di 100000 donne con le stesse caratteristiche.
Presumiamo che il medico pensi che la
probabilità di una IVU sia moderatamente
bassa (30%) sulla base dell'anamnesi e
dell'esame obiettivo della paziente.
Prima di inviare l'urina della paziente all'esame
microscopico del sedimento e alla coltura, il
medico esegue un test con stick per l'esterasi
leucocitaria, che presenta un risultato positivo.
Per determinare la probabilità a posteriori di
una IVU, il medico deve conoscere la sensibilità
e la specificità del test, in questo caso 71% e
85%, rispettivamente.
Pertanto, la probabilità a posteriori o rivista di IVU dopo un risultato positivo al test dell'esterasi leucocitaria è
del 67%, il che rende la diagnosi più probabile che non probabile.
Se il risultato al test fosse negativo, delle 68200 donne con risultato negativo al test (veri e falsi negativi), 8700
(13%) avrebbero effettivamente una IVU.
Pertanto, la probabilità a posteriori o rivista di IVU dopo un risultato negativo al test dell'esterasi leucocitaria è
del 13%, il che rende la diagnosi meno probabile ma ancora possibile.
Consideriamo una seconda donna con disuria e minzione frequente, ma senza perdite o irritazione vaginale;
si presuma un'alta probabilità a priori di IVU, del 77%.
Sebbene la sensibilità e la specificità
del test non siano modificate (cioè, 71%
e 85%, rispettivamente), un risultato
positivo al test fa aumentare la
probabilità di IVU al 94%, quasi fino alla
certezza
Un risultato negativo al test la riduce al
54%, ancora più probabile che non
probabile.
La metà superiore della tabella interpreta un risultato positivo al test dell'esterasi leucocitaria in questa
donna; la metà inferiore interpreta un risultato negativo al test.
Questi esempi presumono che sia presente un semplice scenario di presenza o assenza di malattie e di
positività o negatività del risultato di un test.
Se la probabilità a priori di malattia viene espressa come suo odds (W), il rapporto di verosimiglianza (RV)
dei risultati osservati del test può essere definito come il rapporto tra la probabilità di ottenere quel risultato
nei pazienti con la malattia e la sua probabilità in quelli senza la malattia.
In altre parole, il rapporto di verosimiglianza per un risultato positivo è uguale alla percentuale di veri positivi
diviso la percentuale di falsi positivi.
Allo stesso modo, il rapporto di verosimiglianza per un risultato negativo è uguale alla percentuale di falsi
negativi diviso la percentuale di veri negativi. La formulazione odds-verosimiglianza del teorema di Bayes
afferma che gli odds a posteriori di malattia sono il prodotto dell'odds pre-test (o a priori) e del
corrispondente rapporto di verosimiglianza.
Questa formulazione del teorema di Bayes fornisce alcuni interessanti principi intuitivi. Un rapporto di
verosimiglianza > 1,0 incrementa la probabilità post-test di malattia; più grande è il rapporto di
verosimiglianza, maggiore è la quantità di informazioni che fornisce il risultato positivo a un test.
Un rapporto di verosimiglianza < 1,0 diminuisce la probabilità post-test di malattia; più piccolo è il rapporto di
verosimiglianza, maggiore è la quantità di informazioni che fornisce il risultato negativo al test.
I risultati di un test con rapporto di verosimiglianza di 1,0 non forniscono alcuna informazione e non
influiscono sulla probabilità post-test di malattia. Quindi, i rapporti di verosimiglianza sono utili per
comparare i test.
Utilizzando i rapporti di verosimiglianza si può semplificare l'interpretazione dei risultati di test sequenziali.
L'odds pre-test o a priori può essere moltiplicato per il prodotto dei rapporti di verosimiglianza che
corrispondono ad ogni risultato osservato (cioè W × RVtest1 × RVtest2 × RVtest3...);
la conversione degli odds post-test o a posteriori in probabilità tra un passaggio e l'altro non è necessaria.
Perché possa essere utilizzato il teorema di Bayes (o anche i termini sensibilità e specificità), ogni possibile
risultato di un test diagnostico deve essere classificato come positivo o negativo. Quando un test non è di per
sé di tipo binario, il laboratorio (o chiunque descriva la validità del test) stabilisce un criterio di positività tale
che tutti i risultati che oltrepassano tale criterio siano definiti come positivi e viceversa.
Due distribuzioni sovrapponibili di risultati sono
intersecate da una linea di demarcazione o di soglia.
L'area al di sotto della distribuzione dei risultati per i
pazienti con malattia, che si trova a destra della
demarcazione, corrisponde alla percentuale di veri
positivi al test (cioè, alla sua sensibilità); l'area che si
trova a sinistra della demarcazione corrisponde alla
percentuale di falsi negativi.
La relazione tra le percentuali di veri positivi
e di falsi positivi a un test (per i differenti
punti di demarcazione o di soglia) può
essere rappresentata come una curva ROC
(Receiver-Operator Characteristic). L'area al
di sotto di tale curva corrisponde al potere
discriminante del test.
Per quanto riguarda la distribuzione dei risultati per i
pazienti senza malattia, queste due aree
corrispondono rispettivamente alla percentuale di falsi
positivi e alla percentuale di veri negativi (cioè alla sua
specificità). Per due distribuzioni sovrapponibili (p. es.,
pazienti con e senza malattia), lo spostamento della
linea di demarcazione o di soglia influenza la
sensibilità e la specificità, ma in direzioni opposte. La
sensibilità e la specificità non possono essere
entrambe migliorate dalla modificazione della linea di
soglia, ma piuttosto solo dal cambiamento delle
distribuzioni in maniera tale che ci sia una minore
sovrapposizione (cioè, migliorando la discriminazione
del test stesso).
La scelta della soglia di positività del test dipende da come deve essere
utilizzato il test. La classificazione di un risultato quantitativo o graduato
semplicemente in risultato positivo o negativo esclude implicitamente le
informazioni su quanto il risultato osservato sia positivo o negativo. Per
esempio, per livelli dell'isomero MB di creatina chinasi di 10 ng/ml e di 30
ng/ml, entrambi i livelli sono considerati positivi se la soglia è posta a 8
ng/ml. Tuttavia, il livello di 30 ng/ml ha un rapporto di verosimiglianza più
elevato e pertanto fornisce più informazioni.
Il teorema di Bayes aiuta a interpretare informazioni cliniche in situazioni nelle quali esistono
più di due possibilità diagnostiche (cioè, malattia presente e assente).
Il ragionamento esplicito diventa sempre più importante quando il compito diagnostico diventa
più complesso.
I soli requisiti per l'interpretazione bayesiana consistono nel fatto che siano considerate tutte le
possibilità diagnostiche e che siano loro assegnate le corrispondenti probabilità a priori, e che
siano tutte mutuamente esclusive (cioè, solo una delle possibilità elencate può essere
presente).
Le combinazioni possono essere elencate esplicitamente. Per esempio, in una donna con
disuria che può avere una IVU, una vaginite o entrambe, le possibilità diagnostiche
mutuamente esclusive sono "IVU", "vaginite", "IVU e vaginite" e "nessuna delle due".
Il diagramma di flusso del teorema di Bayes può facilmente fornire più di due possibilità
diagnostiche. La prima serie di diagnosi mutuamente esclusive può essere estesa a tre o più
diramazioni. La serie successiva può essere estesa per includere ogni possibile risultato e il
numero di pazienti in ogni categoria diagnostica con ogni possibile risultato al test.
Per esempio, i livelli di troponina I cardiaca possono essere d'aiuto nella valutazione di un
uomo di 59 anni con un'anamnesi positiva per diabete e ipertensione che si presenta in pronto
soccorso con un dolore toracico verificatosi circa 5 ore prima.
L'ECG non mostra reperti significativi.
Le possibilità diagnostiche includono un infarto miocardico non-Q, un'angina instabile e una
patologia non cardiaca.
Il livello sierico di troponina I cardiaca può essere utile nella diagnosi differenziale. Livelli sierici
di troponina I cardiaca molto elevati si osservano più spesso in pazienti con infarto del
miocardio; livelli intermedi, in pazienti con angina instabile; e livelli molto bassi, in pazienti con
patologie di origine non cardiaca.
L'analisi matematica è utile nella quantificazione delle probabilità. Per ogni diagnosi (riga), la
somma delle probabilità condizionate è del 100% poiché sono elencati tutti i risultati possibili.
Dopo una valutazione clinica (anamnesi, esame obiettivo, ECG), si presuma che la probabilità
sia del 25% per l'infarto miocardico non-Q, del 70% per l'angina instabile e del 5% per patologie
di origine non cardiaca. Ora si considerino tre differenti livelli di troponina I cardiaca: < 0,4 ng/ml
nel primo caso, 1,0 ng/ml nel secondo caso e 3,0 ng/ml nel terzo caso.
Un basso livello di troponina I riduce la probabilità di
un infarto miocardico non-Q, incrementa lievemente
la probabilità di un'angina instabile e incrementa in
maniera consistente la possibilità di una patologia di
origine non cardiaca.
Un livello intermedio riduce in maniera modesta la
probabilità di infarto miocardico e incrementa la
probabilità di angina instabile, mentre la probabilità di
una patologia non cardiaca diminuisce bruscamente.
Un livello elevato di troponina I cardiaca fa aumentare
la probabilità di infarto miocardico e praticamente
esclude una patologia non cardiaca.