Калькулятор парадокса ложноположительных результатов

Калькулятор парадокса ложноположительных результатов

Развивающийся AI Skill PRO

Введите расчет

Математическая формула

PPV=Чувств·РаспрЧувств·Распр+(1−Спец)(1−Распр)×100%где{Распр=Распространённость (%)100Чувств=Чувствительность (%)100Спец=Специфичность (%)100\begin{gathered} \text{PPV} = \frac{\text{Чувств} \cdot \text{Распр}}{\text{Чувств} \cdot \text{Распр} + (1 - \text{Спец})(1 - \text{Распр})} \times 100\% \\[1.5em] \text{где}\quad \left\{ \begin{aligned} \text{Распр} &= \dfrac{\text{Распространённость (\%)}}{100} \\ \text{Чувств} &= \dfrac{\text{Чувствительность (\%)}}{100} \\ \text{Спец} &= \dfrac{\text{Специфичность (\%)}}{100} \end{aligned} \right. \end{gathered}
Статистика использования

Реклама

Результаты

Вероятность заболевания при положительном тесте (PPV)
16,67%
прогностическая ценность положительного результата
Доля ложных открытий 83,33%
Истинно положительные (доля населения) 0,99%
Ложноположительные (доля населения) 4,95%

Сообщить об ошибке на этой странице

Что такое парадокс ложноположительных результатов?

Парадокс ложноположительных результатов — это контринтуитивный факт из мира медицинских тестов и скрининга: даже очень точный тест может давать в основном ложные тревоги, если заболевание, которое он выявляет, встречается редко. Этот калькулятор применяет теорему Байеса и показывает настоящую вероятность того, что вы действительно больны при положительном результате — то есть прогностическую ценность положительного результата (PPV). Чаще всего она оказывается заметно ниже, чем кажется по заявленной «точности» теста.

Сетка из 1000 квадратов: небольшая группа истинно положительных результатов и более многочисленная группа ложноположительных среди здоровых людей
Сетка популяции: при низкой распространённости ложноположительных результатов может оказаться больше, чем истинно положительных, даже при точном тесте.

Как пользоваться калькулятором

Введите три значения в процентах: распространённость (насколько часто заболевание встречается в обследуемой группе), чувствительность (вероятность того, что больной человек получит положительный результат, то есть доля истинно положительных) и специфичность (вероятность того, что здоровый человек получит отрицательный результат, то есть доля истинно отрицательных). Калькулятор покажет, насколько вероятно, что положительный результат настоящий, а также долю ложных открытий.

Разбираем формулу

Теорема Байеса связывает вероятность того, что больные дадут положительный результат, с вероятностью того, что здоровые получат положительный результат по ошибке:

$$P(D\mid+) = \frac{\text{чувств.} \times \text{распр.}}{\text{чувств.} \times \text{распр.} + (1 - \text{специф.}) \times (1 - \text{распр.})}$$

Числитель — это доля людей, которые одновременно и больны, и правильно выявлены тестом. В знаменателе к ним добавляются ложноположительные — здоровые люди, ошибочно «помеченные» как больные. Когда распространённость крошечная, именно слагаемое с ложноположительными начинает преобладать.

Реклама
Древовидная схема, разделяющая популяцию на ветви больных и здоровых, а затем на положительные и отрицательные результаты теста
Дерево вероятностей: как распространённость, чувствительность и специфичность вместе дают истинно и ложноположительные результаты.

Пример расчёта

Допустим, заболевание встречается у 1% людей (распространённость = 0,01), а тест имеет чувствительность 99% и специфичность 95%. Истинно положительные = \(0{,}99 \times 0{,}01 = 0{,}0099\). Ложноположительные = \(0{,}05 \times 0{,}99 = 0{,}0495\). $$\text{PPV} = \frac{0{,}0099}{0{,}0099 + 0{,}0495} = \frac{0{,}0099}{0{,}0594} \approx 16{,}7\%$$ Получается, что несмотря на «точность 99%», настоящим оказывается лишь примерно 1 положительный результат из 6.

Частые вопросы

Почему вероятность такая низкая? Потому что при редком заболевании здоровых людей гораздо больше, поэтому даже маленькая доля ложноположительных даёт куда больше ложных тревог, чем настоящих случаев болезни.

Как повысить PPV? Тестируйте группы повышенного риска (где распространённость выше), используйте более специфичные тесты или подтверждайте результат вторым независимым тестом.

Это касается только медицинских тестов? Нет — та же байесовская логика работает для спам-фильтров, выявления мошенничества, тестов на наркотики и любого классификатора редких событий.

Реклама

Как распространённость влияет на положительную прогностическую ценность

В таблице ниже чувствительность зафиксирована на уровне 99%, специфичность на уровне 95%, и меняется только распространённость. Каждая строка использует \(\text{PPV} = \frac{ \text{Sens} \cdot \text{Prev} }{ \text{Sens} \cdot \text{Prev} + (1-\text{Spec})(1-\text{Prev}) }\), а частота ложных обнаружений (FDR) равна \(1-\text{PPV}\).

Распространённость PPV Частота ложных обнаружений
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%

Проверка для строки с 1%: \(\text{PPV} = \frac{0.99 \times 0.01}{0.99 \times 0.01 + 0.05 \times 0.99} = \frac{0.0099}{0.0594} \approx 0.1667\), или примерно 16.7%. Даже при кажущейся точности теста около пяти из шести положительных результатов оказываются ложными, когда состояние редкое. Это парадокс ложноположительных результатов.

Влияние специфичности при распространённости 1%

Чувствительность остаётся на уровне 99%, распространённость — 1%.

Специфичность PPV Частота ложных обнаружений
95% 16.67% 83.33%
99% 50.00% 50.00%
99.9% 90.91% 9.09%

При низкой распространённости специфичность сильно влияет на PPV, потому что ложноположительные результаты возникают за счёт большой группы здоровых людей.

Основные термины: чувствительность, специфичность, PPV и другие

  • Распространённость: доля тестируемой популяции, у которой действительно есть это состояние.
  • Базовая частота: другое название распространённости, или априорная вероятность состояния до получения результата теста.
  • Чувствительность (доля истинно положительных): доля людей с этим состоянием, у которых тест положительный.
  • Специфичность (доля истинно отрицательных): доля людей без этого состояния, у которых тест отрицательный.
  • Частота ложноположительных результатов: доля людей без этого состояния, у которых тест положительный, равна \(1-\text{специфичность}\).
  • Частота ложноотрицательных результатов: доля людей с этим состоянием, у которых тест отрицательный, равна \(1-\text{чувствительность}\).
  • Положительная прогностическая ценность (PPV): доля положительных результатов, которые являются истинно положительными.
  • Частота ложных обнаружений (FDR): доля положительных результатов, которые являются ложноположительными, равна \(1-\text{PPV}\).
  • Отрицательная прогностическая ценность (NPV): доля отрицательных результатов, которые являются истинно отрицательными.

Чувствительность и специфичность являются свойствами теста и не зависят от распространённости. PPV и NPV зависят от распространённости, поэтому один и тот же тест даёт разные прогностические значения в разных популяциях.

Последнее обновление:

Самые популярные в разделе Математика и статистика

Все калькуляторы раздела Математика и статистика