फॉल्स पॉज़िटिव पैराडॉक्स कैलकुलेटर

फॉल्स पॉज़िटिव पैराडॉक्स कैलकुलेटर

बढ़ रहा AI Skill PRO

गणना दर्ज करें

सूत्र (फॉर्मूला)

PPV=सेंस·प्रिवसेंस·प्रिव+(1−स्पेस)(1−प्रिव)×100%जहाँ{प्रिव=प्रिवलेंस (%)100सेंस=सेंसिटिविटी (%)100स्पेस=स्पेसिफिसिटी (%)100\begin{gathered} \text{PPV} = \frac{\text{सेंस} \cdot \text{प्रिव}}{\text{सेंस} \cdot \text{प्रिव} + (1 - \text{स्पेस})(1 - \text{प्रिव})} \times 100\% \\[1.5em] \text{जहाँ}\quad \left\{ \begin{aligned} \text{प्रिव} &= \dfrac{\text{प्रिवलेंस (\%)}}{100} \\ \text{सेंस} &= \dfrac{\text{सेंसिटिविटी (\%)}}{100} \\ \text{स्पेस} &= \dfrac{\text{स्पेसिफिसिटी (\%)}}{100} \end{aligned} \right. \end{gathered}
उपयोग आँकड़े

विज्ञापन

परिणाम

पॉज़िटिव टेस्ट के बाद बीमारी होने की संभावना (PPV)
16.67%
पॉज़िटिव प्रेडिक्टिव वैल्यू
फॉल्स डिस्कवरी रेट 83.33%
ट्रू पॉज़िटिव (आबादी में हिस्सा) 0.99%
फॉल्स पॉज़िटिव (आबादी में हिस्सा) 4.95%

इस पेज पर त्रुटि की रिपोर्ट करें

फॉल्स पॉज़िटिव पैराडॉक्स क्या है?

फॉल्स पॉज़िटिव पैराडॉक्स मेडिकल टेस्टिंग और स्क्रीनिंग की एक ऐसी हकीकत बयान करता है जो पहली नज़र में उलटी लगती है: जब जिस बीमारी की जाँच हो रही हो वह दुर्लभ हो, तो बेहद सटीक टेस्ट भी ज़्यादातर झूठे अलार्म दे सकता है। यह कैलकुलेटर बेज़ प्रमेय (Bayes' theorem) का इस्तेमाल करके यह बताता है कि पॉज़िटिव आने के बाद आपको सचमुच बीमारी होने की असली संभावना कितनी है — इसे पॉज़िटिव प्रेडिक्टिव वैल्यू (PPV) कहते हैं — और यह अक्सर टेस्ट की प्रचारित "एक्यूरेसी" से कहीं कम निकलती है।

1000 वर्गों का ग्रिड, जिसमें ट्रू पॉज़िटिव का एक छोटा समूह और स्वस्थ लोगों में फ़ॉल्स पॉज़िटिव का एक बड़ा समूह दिखाया गया है
जनसंख्या ग्रिड: कम प्रसार होने पर, सटीक जाँच के बावजूद फ़ॉल्स पॉज़िटिव की संख्या ट्रू पॉज़िटिव से अधिक हो सकती है।

इसका इस्तेमाल कैसे करें

तीन प्रतिशत भरें: प्रिवलेंस (जाँची जा रही आबादी में यह बीमारी कितनी आम है), सेंसिटिविटी (बीमार व्यक्ति के पॉज़िटिव आने का चांस, यानी ट्रू पॉज़िटिव रेट), और स्पेसिफिसिटी (स्वस्थ व्यक्ति के निगेटिव आने का चांस, यानी ट्रू निगेटिव रेट)। कैलकुलेटर बताएगा कि पॉज़िटिव नतीजा सही होने की संभावना कितनी है, साथ ही फॉल्स डिस्कवरी रेट भी।

फॉर्मूला समझें

बेज़ प्रमेय इस बात को जोड़ता है कि बीमार लोगों के पॉज़िटिव आने की संभावना कितनी है और स्वस्थ लोगों के गलती से पॉज़िटिव आने की संभावना कितनी है:

$$P(D|+) = \frac{\text{sens} \cdot \text{prev}}{\text{sens} \cdot \text{prev} + (1 - \text{spec})(1 - \text{prev})}$$

ऊपर वाला हिस्सा (numerator) उस आबादी का अंश है जो बीमार भी है और सही पकड़ी भी गई है। नीचे वाले हिस्से (denominator) में फॉल्स पॉज़िटिव — यानी गलती से फ्लैग हुए स्वस्थ लोग — भी जुड़ जाते हैं। जब प्रिवलेंस बहुत कम होती है, तो यही फॉल्स-पॉज़िटिव वाला हिस्सा हावी हो जाता है।

विज्ञापन
वृक्ष आरेख, जो जनसंख्या को रोगग्रस्त और स्वस्थ शाखाओं में, फिर पॉज़िटिव और नेगेटिव जाँच परिणामों में बाँटता है
प्रायिकता वृक्ष, जो दिखाता है कि प्रसार, संवेदनशीलता और विशिष्टता मिलकर ट्रू और फ़ॉल्स पॉज़िटिव कैसे बनाते हैं।

हल किया हुआ उदाहरण

मान लीजिए कोई बीमारी 1% लोगों को होती है (prevalence = 0.01), टेस्ट की सेंसिटिविटी 99% और स्पेसिफिसिटी 95% है। ट्रू पॉज़िटिव \(= 0.99 \times 0.01 = 0.0099\)। फॉल्स पॉज़िटिव \(= 0.05 \times 0.99 = 0.0495\)। $$\text{PPV} = \frac{0.0099}{0.0099 + 0.0495} = \frac{0.0099}{0.0594} \approx 16.7\%$$ यानी "99% एक्यूरेट" टेस्ट के बावजूद हर 6 पॉज़िटिव नतीजों में से केवल लगभग 1 ही सही होता है।

प्रसार (Prevalence) PPV को कैसे बदलता है

नीचे दी गई तालिका में संवेदनशीलता (sensitivity) 99% और विशिष्टता (specificity) 95% पर रखी गई है, और केवल प्रसार (prevalence) बदला गया है। हर पंक्ति में \(\text{PPV} = \frac{ \text{Sens} \cdot \text{Prev} }{ \text{Sens} \cdot \text{Prev} + (1-\text{Spec})(1-\text{Prev}) }\) का उपयोग होता है, और मिथ्या खोज दर (false discovery rate, FDR) \(1-\text{PPV}\) है।

प्रसार PPV मिथ्या खोज दर
0.1% 1.94% 98.06%
1% 16.67% 83.33%
5% 51.03% 48.97%
10% 68.75% 31.25%
25% 86.84% 13.16%
50% 95.19% 4.81%

1% पंक्ति की जाँच: \(\text{PPV} = \frac{0.99 \times 0.01}{0.99 \times 0.01 + 0.05 \times 0.99} = \frac{0.0099}{0.0594} \approx 0.1667\), या लगभग 16.7%। भले ही परीक्षण सटीक लगे, जब कोई स्थिति दुर्लभ हो तो लगभग छह में से पाँच धनात्मक परिणाम गलत होते हैं। इसे मिथ्या धनात्मक विरोधाभास (false positive paradox) कहते हैं।

1% प्रसार पर विशिष्टता का प्रभाव

संवेदनशीलता 99% और प्रसार 1% पर स्थिर रखा गया है।

विशिष्टता PPV मिथ्या खोज दर
95% 16.67% 83.33%
99% 50.00% 50.00%
99.9% 90.91% 9.09%

कम प्रसार पर विशिष्टता का PPV पर बहुत बड़ा प्रभाव पड़ता है, क्योंकि मिथ्या धनात्मक परिणाम बड़े स्वस्थ समूह से आते हैं।

विज्ञापन

मुख्य शब्द: संवेदनशीलता, विशिष्टता, PPV और अन्य

  • प्रसार (Prevalence): परीक्षित जनसंख्या का वह अनुपात जिसमें वास्तव में वह स्थिति है।
  • आधार दर (Base rate): प्रसार का एक और नाम, या किसी भी परीक्षण परिणाम के ज्ञात होने से पहले उस स्थिति की पूर्व संभावना।
  • संवेदनशीलता (सही धनात्मक दर): वे लोग जिनमें वह स्थिति है, उनमें से धनात्मक परीक्षण वाले लोगों का अनुपात।
  • विशिष्टता (सही ऋणात्मक दर): वे लोग जिनमें वह स्थिति नहीं है, उनमें से ऋणात्मक परीक्षण वाले लोगों का अनुपात।
  • मिथ्या धनात्मक दर: वे लोग जिनमें वह स्थिति नहीं है, उनमें से धनात्मक परीक्षण वाले लोगों का अनुपात, जो \(1-\text{specificity}\) के बराबर है।
  • मिथ्या ऋणात्मक दर: वे लोग जिनमें वह स्थिति है, उनमें से ऋणात्मक परीक्षण वाले लोगों का अनुपात, जो \(1-\text{sensitivity}\) के बराबर है।
  • धनात्मक पूर्वानुमानित मान (PPV): धनात्मक परिणामों में से वे अनुपात जो सही धनात्मक हैं।
  • मिथ्या खोज दर (FDR): धनात्मक परिणामों में से वे अनुपात जो मिथ्या धनात्मक हैं, जो \(1-\text{PPV}\) के बराबर है।
  • ऋणात्मक पूर्वानुमानित मान (NPV): ऋणात्मक परिणामों में से वे अनुपात जो सही ऋणात्मक हैं।

संवेदनशीलता और विशिष्टता परीक्षण के गुण हैं और प्रसार पर निर्भर नहीं करते। PPV और NPV प्रसार पर निर्भर करते हैं, इसलिए एक ही परीक्षण अलग-अलग जनसंख्या में अलग पूर्वानुमानित मान देता है।

अक्सर पूछे जाने वाले सवाल

यह संभावना इतनी कम क्यों है? क्योंकि दुर्लभ बीमारियों का मतलब है कि स्वस्थ लोग कहीं ज़्यादा होते हैं, इसलिए थोड़ा-सा फॉल्स-पॉज़िटिव रेट भी ट्रू पॉज़िटिव की तुलना में कहीं ज़्यादा झूठे अलार्म पैदा कर देता है।

PPV कैसे बढ़ाएँ? ज़्यादा जोखिम वाले समूहों की जाँच करें (जहाँ प्रिवलेंस ज़्यादा हो), ज़्यादा स्पेसिफिक टेस्ट इस्तेमाल करें, या किसी दूसरे स्वतंत्र टेस्ट से पुष्टि करें।

क्या यह सिर्फ़ मेडिकल टेस्ट के लिए है? नहीं — यही बेज़ियन तर्क स्पैम फ़िल्टर, फ्रॉड डिटेक्शन, ड्रग स्क्रीनिंग और किसी भी दुर्लभ-घटना वाले क्लासिफ़ायर पर लागू होता है।

अंतिम अपडेट:

गणित और सांख्यिकी में सबसे लोकप्रिय

गणित और सांख्यिकी के सभी कैलकुलेटर देखें