Калькулятор чувствительности и специфичности

Калькулятор чувствительности и специфичности

Популярный AI Skill PRO

Введите расчет

Математическая формула

Чувствительность=TPTP+FN×100%\text{Чувствительность} = \frac{\text{TP}}{\text{TP} + \text{FN}} \times 100\%
Показать шаги расчёта (4)
  1. Специфичность (доля истинно отрицательных)

    Специфичность=TNTN+FP×100%\text{Специфичность} = \frac{\text{TN}}{\text{TN} + \text{FP}} \times 100\%

    Доля действительно отрицательных случаев, выявленных верно

  2. Прогностическая ценность положительного результата (PPV)

    PPV=TPTP+FP×100%\text{PPV} = \frac{\text{TP}}{\text{TP} + \text{FP}} \times 100\%

    Доля положительных результатов теста, которые являются истинно положительными

  3. Прогностическая ценность отрицательного результата (NPV)

    NPV=TNTN+FN×100%\text{NPV} = \frac{\text{TN}}{\text{TN} + \text{FN}} \times 100\%

    Доля отрицательных результатов теста, которые являются истинно отрицательными

  4. Точность

    Точность=TP+TNTP+FN+TN+FP×100%\text{Точность} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{FN} + \text{TN} + \text{FP}} \times 100\%

    Доля верных результатов среди всех результатов

Статистика использования

Реклама

Результаты

Чувствительность (доля истинно положительных)
90%
способность верно выявлять положительные случаи
Специфичность (доля истинно отрицательных) 80%
Прогностическая ценность положительного результата (PPV) 81,82%
Прогностическая ценность отрицательного результата (NPV) 88,89%
Точность 85%

Только для справки — не заменяет оценку врача.

Сообщить об ошибке на этой странице

Что считает этот калькулятор

Инструмент оценивает качество бинарного диагностического теста или классификационной модели. По четырём ячейкам матрицы ошибок 2×2 — истинно положительные (TP), ложноотрицательные (FN), истинно отрицательные (TN) и ложноположительные (FP) — он рассчитывает чувствительность, специфичность, прогностическую ценность положительного и отрицательного результата (PPV/NPV), а также общую точность. Эти показатели широко применяются в медицине, эпидемиологии и машинном обучении.

Матрица ошибок два на два с ячейками TP, FP, FN и TN
Матрица ошибок распределяет прогнозы на истинно положительные, ложноположительные, ложноотрицательные и истинно отрицательные.

Как пользоваться

Введите количество исходов каждого типа из вашего исследования или модели. «Положительный» обычно означает, что состояние присутствует (или модель относит объект к положительному классу). TP и FP — это случаи, которые тест признал положительными; TN и FN — случаи, которые тест признал отрицательными. Нажмите «Рассчитать», чтобы увидеть все пять метрик в процентах.

Разбор формул

Чувствительность \(= \text{TP} / (\text{TP} + \text{FN})\) показывает, насколько хорошо тест выявляет реальные случаи: высокое значение означает, что мало больных остаётся незамеченными.

$$\text{Sensitivity} = \frac{\text{TP}}{\text{TP} + \text{FN}} \times 100\%$$

Специфичность \(= \text{TN} / (\text{TN} + \text{FP})\) показывает, насколько хорошо тест исключает здоровых: высокое значение означает мало ложных тревог.

$$\text{Specificity} = \frac{\text{TN}}{\text{TN} + \text{FP}} \times 100\%$$

PPV \(= \text{TP} / (\text{TP} + \text{FP})\) — это вероятность того, что положительный результат верен, а NPV \(= \text{TN} / (\text{TN} + \text{FN})\) — вероятность того, что отрицательный результат действительно отрицательный.

$$\text{PPV} = \frac{\text{TP}}{\text{TP} + \text{FP}} \times 100\%$$$$\text{NPV} = \frac{\text{TN}}{\text{TN} + \text{FN}} \times 100\%$$

Точность \(= (\text{TP} + \text{TN}) /\) общее число обобщает корректность теста в целом.

$$\text{Accuracy} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{FN} + \text{TN} + \text{FP}} \times 100\%$$
Реклама
Схема, сопоставляющая чувствительность по фактически положительным и специфичность по фактически отрицательным
Чувствительность рассчитывается среди фактически положительных, а специфичность — среди фактически отрицательных.

Пример расчёта

Предположим, тест даёт TP = 90, FN = 10, TN = 80, FP = 20.

$$\text{Sensitivity} = \frac{90}{90 + 10} = 90\%$$$$\text{Specificity} = \frac{80}{80 + 20} = 80\%$$$$\text{PPV} = \frac{90}{90 + 20} \approx 81{,}82\%$$$$\text{NPV} = \frac{80}{80 + 10} \approx 88{,}89\%$$$$\text{Accuracy} = \frac{90 + 80}{200} = 85\%$$

Частые вопросы

В чём разница между чувствительностью и специфичностью? Чувствительность показывает, насколько хорошо тест обнаруживает людей с заболеванием; специфичность — насколько верно тест признаёт здоровыми тех, у кого заболевания нет.

Почему PPV и NPV отличаются от чувствительности и специфичности? Прогностические значения зависят от распространённости заболевания в вашей выборке, тогда как чувствительность и специфичность — это внутренние свойства самого теста.

Может ли тест быть на 100% чувствительным, но при этом бесполезным? Да. Тест, который признаёт положительными вообще всех, чувствителен на 100%, но специфичен на 0%, поэтому оба показателя важны только вместе.

Интерпретация чувствительности, специфичности, PPV и NPV

Чувствительность — это доля людей, которые действительно имеют состояние и которых тест правильно выявляет: \(\text{TP}/(\text{TP}+\text{FN})\). Специфичность — это доля людей без состояния, которых тест правильно исключает: \(\text{TN}/(\text{TN}+\text{FP})\).

  • Высокая чувствительность (SnNout): мало ложноотрицательных результатов, поэтому отрицательный результат помогает исключить состояние.
  • Высокая специфичность (SpPin): мало ложноположительных результатов, поэтому положительный результат помогает подтвердить состояние.
  • Низкая чувствительность: многие случаи пропускаются, поэтому отрицательный результат не слишком обнадёживает.
  • Низкая специфичность: многие здоровые люди получают положительный результат, поэтому положительный результат требует подтверждения.

Компромисс порогового значения

Большинство тестов дают непрерывное значение (балл, концентрацию, вероятность), которое с помощью порогового значения (cut-off) превращается в положительный или отрицательный результат. Снижение порога обычно повышает чувствительность, но снижает специфичность. Повышение порога действует наоборот. Ни один порог для данного теста не улучшает оба показателя одновременно, поэтому оптимальный порог зависит от относительной цены пропущенных случаев и ложных тревог. ROC-кривая показывает этот компромисс для всех порогов.

PPV и NPV зависят от распространённости

PPV — это \(\text{TP}/(\text{TP}+\text{FP})\), а NPV — это \(\text{TN}/(\text{TN}+\text{FN})\). В отличие от чувствительности и специфичности, они меняются в зависимости от того, насколько распространено состояние в обследуемой группе. При низкой распространённости даже хороший тест даёт много ложноположительных результатов по сравнению с истинноположительными, поэтому PPV падает, а NPV растёт. При высокой распространённости происходит обратное. PPV и NPV из одного исследования применимы только к популяциям со схожей распространённостью. См. таблицу ниже.

Ограничения точности

Точность (accuracy) — это \((\text{TP}+\text{TN})/\text{total}\). На несбалансированных данных она может вводить в заблуждение. Если состояние есть только у 1% выборки, тест, который всем ставит отрицательный результат, будет иметь точность 99%, но чувствительность 0%. Всегда оценивайте точность вместе с чувствительностью, специфичностью и PPV/NPV.

Эти показатели описывают введённую вами выборку. Они несут неопределённость выборки и являются общей информацией, а не персональной медицинской рекомендацией. Обсуждайте любой индивидуальный результат с квалифицированным медицинским специалистом.

Реклама

Как распространённость меняет PPV и NPV

В таблице предполагается тест с чувствительностью 90% и специфичностью 90%, применённый к 10 000 человек. Меняется только распространённость.

Распространённость TP FN TN FP PPV NPV Точность
1% 90 10 8,910 990 8.33% 99.89% 90%
5% 450 50 8,550 950 32.14% 99.42% 90%
10% 900 100 8,100 900 50.00% 98.78% 90%
25% 2,250 250 6,750 750 75.00% 96.43% 90%
50% 4,500 500 4,500 500 90.00% 90.00% 90%

Проверка расчёта при распространённости 1%

Больные: 10 000 × 0,01 = 100, поэтому TP = 100 × 0,90 = 90 и FN = 10. Здоровые: 9 900, поэтому TN = 9 900 × 0,90 = 8 910 и FP = 990.

$$\text{PPV} = \frac{90}{90+990} = \frac{90}{1080} \approx 8.33\%, \qquad \text{NPV} = \frac{8910}{8910+10} = \frac{8910}{8920} \approx 99.89\%$$

Вывод: при одном и том же тесте положительный результат верен лишь примерно в 1 случае из 12 при распространённости 1%, но в 9 случаях из 10 при распространённости 50%. Точность остаётся 90% в каждой строке, что показывает, почему одна только точность скрывает этот эффект.

Ключевые термины и глоссарий

Матрица неточностей (confusion matrix)
Таблица 2×2, которая сопоставляет результаты теста (положительный/отрицательный) с истинным состоянием (присутствует/отсутствует). Её четыре ячейки — TP, FP, FN и TN.
Истинно положительный (TP)
Человек с состоянием, которому тест правильно поставил положительный результат.
Ложно положительный (FP)
Человек без состояния, которому тест ошибочно поставил положительный результат.
Истинно отрицательный (TN)
Человек без состояния, которому тест правильно поставил отрицательный результат.
Ложно отрицательный (FN)
Человек с состоянием, которому тест ошибочно поставил отрицательный результат.
Чувствительность (полнота, sensitivity, recall, истинно положительная доля)
TP / (TP + FN). Доля людей с состоянием, у которых тест положительный.
Специфичность (истинно отрицательная доля)
TN / (TN + FP). Доля людей без состояния, у которых тест отрицательный.
Положительная прогностическая ценность (PPV, точность положительного результата)
TP / (TP + FP). Доля положительных результатов, которые являются истинно положительными.
Отрицательная прогностическая ценность (NPV)
TN / (TN + FN). Доля отрицательных результатов, которые являются истинно отрицательными.
Точность (accuracy)
(TP + TN) / (TP + FP + TN + FN). Доля всех результатов, которые верны.
Распространённость (prevalence)
(TP + FN) / total. Доля обследуемой группы, у которой есть это состояние.
Частота ложноположительных результатов
FP / (FP + TN), что равно 1 − специфичность.
Частота ложноотрицательных результатов
FN / (FN + TP), что равно 1 − чувствительность.

Источники и ссылки

Сверено с этими источниками . Не проверено врачом. Только общая информация, не медицинская консультация и не диагноз. С любыми вопросами о здоровье обращайтесь к врачу.

Последнее обновление:

Самые популярные в разделе Здоровье и фитнес

Все калькуляторы раздела Здоровье и фитнес