الاتصال عبر MCP →

أدخل الحساب

صيغة رياضية

اعلان

نتائج

احتمال الإصابة بالمرض بعد نتيجة فحص إيجابية (القيمة التنبؤية الإيجابية)
١٦٫٦٧%
القيمة التنبؤية الإيجابية
معدل الاكتشاف الكاذب ٨٣٫٣٣%
الإيجابيات الصحيحة (نسبة من السكان) ٠٫٩٩%
الإيجابيات الكاذبة (نسبة من السكان) ٤٫٩٥%

ما هي مفارقة الإيجابية الكاذبة؟

تكشف مفارقة الإيجابية الكاذبة عن حقيقة تبدو غير منطقية في الفحوصات الطبية وبرامج المسح الصحي: حتى الفحص شديد الدقة قد يُنتج إنذارات كاذبة في معظم الحالات عندما يكون المرض الذي يبحث عنه نادرًا. تستخدم هذه الحاسبة نظرية بايز لتُظهر لك الاحتمال الحقيقي لإصابتك بالمرض بعد ظهور نتيجة فحص إيجابية — وهو ما يُعرف بالقيمة التنبؤية الإيجابية (PPV) — والذي يكون غالبًا أقل بكثير مما توحي به نسبة دقة الفحص المُعلنة.

Grid of 1000 squares showing a small group of true positives versus a larger group of false positives among healthy people
A population grid: with low prevalence, false positives can outnumber true positives even with an accurate test.

كيفية الاستخدام

أدخِل ثلاث نسب مئوية: الانتشار (مدى شيوع المرض بين الفئة الخاضعة للفحص)، والحساسية (احتمال ظهور نتيجة إيجابية لدى الشخص المريض، أي معدل الإيجابيات الصحيحة)، والنوعية (احتمال ظهور نتيجة سلبية لدى الشخص السليم، أي معدل السلبيات الصحيحة). تُظهر لك الحاسبة احتمال أن تكون النتيجة الإيجابية حقيقية، إضافةً إلى معدل الاكتشاف الكاذب.

شرح المعادلة

تجمع نظرية بايز بين احتمال ظهور نتيجة إيجابية لدى المرضى واحتمال ظهور نتيجة إيجابية خاطئة لدى الأصحاء:

$$P(D|+) = \frac{\text{الحساسية} \times \text{الانتشار}}{\text{الحساسية} \times \text{الانتشار} + (1 - \text{النوعية}) \times (1 - \text{الانتشار})}$$

يمثّل البسط نسبة الأشخاص المرضى فعلًا والذين رُصدوا بشكل صحيح. أما المقام فيضيف الإيجابيات الكاذبة — أي الأصحاء الذين رُصدوا خطأً. وعندما يكون الانتشار ضئيلًا جدًا، يطغى عامل الإيجابيات الكاذبة على النتيجة.

اعلان
Tree diagram splitting a population into diseased and healthy branches, then into positive and negative test results
A probability tree showing how prevalence, sensitivity and specificity combine to produce true and false positives.

مثال تطبيقي

لنفترض أن مرضًا ما يصيب 1٪ من الناس (الانتشار = \(0.01\))، وأن الفحص يتمتع بحساسية 99٪ ونوعية 95٪. الإيجابيات الصحيحة = \(0.99 \times 0.01 = 0.0099\). الإيجابيات الكاذبة = \(0.05 \times 0.99 = 0.0495\). القيمة التنبؤية الإيجابية = $$\frac{0.0099}{0.0099 + 0.0495} = \frac{0.0099}{0.0594} \approx 16.7\%$$ أي أنه رغم أن الفحص "دقيق بنسبة 99٪"، فإن نتيجة إيجابية واحدة فقط من كل ست نتائج تقريبًا تكون صحيحة.

الأسئلة الشائعة

لماذا يكون الاحتمال منخفضًا إلى هذا الحد؟ لأن ندرة المرض تعني وجود عدد أكبر بكثير من الأصحاء، وبالتالي فإن معدل الإيجابيات الكاذبة ولو كان صغيرًا يُنتج إنذارات كاذبة أكثر بكثير من الإيجابيات الصحيحة.

كيف يمكنني رفع القيمة التنبؤية الإيجابية؟ عن طريق فحص الفئات الأعلى خطورة (انتشار أعلى)، أو استخدام فحوصات أكثر نوعية، أو تأكيد النتيجة بفحص ثانٍ مستقل.

هل ينطبق هذا على الفحوصات الطبية فقط؟ لا — فالمنطق البايزي نفسه ينطبق على مرشّحات البريد المزعج، وكشف الاحتيال، وفحوصات المخدرات، وأي نظام تصنيف يتعامل مع أحداث نادرة.

آخر تحديث: