我有从传感器收集的数据来检测几个人的疾病。每个人每天都有已知的疾病状态（在下表中标记为Actual，并且根据对传感器数据执行的预测方程式可以预测疾病的状况（在下表中Predicted）。我正在尝试据此计算灵敏度/特异性。每个人可以有一个以上的疾病病例，并且病例可以持续数天。该传感器在疾病的第一天或第二天相当准确地检测出疾病。在某些情况下，传感器数据可以在观察到病例的前一天预测疾病。
例如，在下表中，从发生疾病事件的前一天的传感器数据中预测出疾病的一天。健康的日子用0表示，疾病/患病的日子用1表示。在记录的疾病事件之间必须有3个明确的（健康）天才能被分类为新事件，因此，第41天和第42天是健康事件的一部分。与第37-39天相同的事件。由于可以预测疾病事件，因此应将其归为真正的阳性。
Day Actual Predicted
----- -------- -----------
34 0 0
35 0 0
36 0 1
37 1 0
38 1 0
39 1 0
40 0 0
41 1 0
42 1 0
43 0 0
44 0 0
执行敏感性和特异性的“传统”方式的问题（我一直在使用R的插入符号包中的confusionmatrix进行此操作）是每天单独查看而不是逐案查看。由于案例可以持续数天，因此实际上给出的灵敏度结果很差，而实际上传感器可以在疾病的第一天检测到疾病事件。我想对Actual和Predicted达成一致的任何场合进行分类，即使在一次疾病事件中仅进行1天。
是否有一种方法可以使用经过修改的混淆矩阵版本（如果存在）？还是其他测试更合适？