Yanlış Pozitif Paradoksu Hesaplama Aracı

Yanlış Pozitif Paradoksu Hesaplama Aracı

Büyüyen AI Skill PRO

Hesaplamaya Girin

Formül

PPV=Duy.·Prev.Duy.·Prev.+(1−Özg.)(1−Prev.)×100%burada{Prev.=Prevalans (%)100Duy.=Duyarlılık (%)100Özg.=Özgüllük (%)100\begin{gathered} \text{PPV} = \frac{\text{Duy.} \cdot \text{Prev.}}{\text{Duy.} \cdot \text{Prev.} + (1 - \text{Özg.})(1 - \text{Prev.})} \times 100\% \\[1.5em] \text{burada}\quad \left\{ \begin{aligned} \text{Prev.} &= \dfrac{\text{Prevalans (\%)}}{100} \\ \text{Duy.} &= \dfrac{\text{Duyarlılık (\%)}}{100} \\ \text{Özg.} &= \dfrac{\text{Özgüllük (\%)}}{100} \end{aligned} \right. \end{gathered}
Kullanım istatistikleri

Reklam

Sonuç

Pozitif Test Sonrası Hastalık Olasılığı (PPD)
16,67%
pozitif prediktif değer
Yanlış keşif oranı 83,33%
Gerçek pozitifler (nüfustaki pay) 0,99%
Yanlış pozitifler (nüfustaki pay) 4,95%

Bu sayfadaki bir hatayı bildir

Yanlış pozitif paradoksu nedir?

Yanlış pozitif paradoksu, tıbbi testlerde ve tarama programlarında karşımıza çıkan, ilk bakışta mantığa aykırı görünen bir gerçeği anlatır: Çok yüksek doğruluğa sahip bir test bile, taradığı durum nadir görülüyorsa sonuçların büyük çoğunluğunda yanlış alarm verebilir. Bu hesaplama aracı, Bayes teoremini kullanarak testiniz pozitif çıktıktan sonra gerçekten hasta olma gerçek olasılığını — yani pozitif prediktif değeri (PPD) — ortaya koyar. Bu değer çoğu zaman testin reklamını yapan "doğruluk oranından" çok daha düşüktür.

Sağlıklı kişiler arasındaki daha büyük bir yanlış pozitif grubuna karşı küçük bir gerçek pozitif grubunu gösteren 1000 kareli ızgara
Bir nüfus ızgarası: Yaygınlık düşük olduğunda, doğru bir testte bile yanlış pozitifler gerçek pozitiflerden fazla olabilir.

Nasıl kullanılır?

Üç yüzde değeri girin: prevalans (test edilen toplulukta durumun ne kadar yaygın olduğu), duyarlılık (hasta bir kişinin pozitif çıkma olasılığı, yani gerçek pozitif oranı) ve özgüllük (sağlıklı bir kişinin negatif çıkma olasılığı, yani gerçek negatif oranı). Araç, pozitif bir sonucun gerçek olma olasılığını ve yanlış keşif oranını hesaplar.

Formülün açıklaması

Bayes teoremi, hasta kişilerin pozitif çıkma olasılığını, sağlıklı kişilerin yanlışlıkla pozitif çıkma olasılığıyla birleştirir:

$$P(H\mid +) = \frac{\text{duyarlılık} \times \text{prevalans}}{\text{duyarlılık} \times \text{prevalans} + (1 - \text{özgüllük}) \times (1 - \text{prevalans})}$$

Pay, hem hasta olup hem de doğru şekilde işaretlenen kişilerin nüfustaki oranını gösterir. Payda ise buna yanlış pozitifleri — hatalı şekilde işaretlenen sağlıklı kişileri — ekler. Prevalans çok düşük olduğunda, bu yanlış pozitif terimi tüm sonuca egemen olur.

Reklam
Bir nüfusu önce hasta ve sağlıklı dallara, ardından pozitif ve negatif test sonuçlarına ayıran ağaç diyagramı
Yaygınlık, duyarlılık ve özgüllüğün bir araya gelerek nasıl gerçek ve yanlış pozitifler oluşturduğunu gösteren bir olasılık ağacı.

Çözümlü örnek

Diyelim ki bir hastalık insanların %1'ini etkiliyor (prevalans = \(0{,}01\)), testin duyarlılığı %99 ve özgüllüğü %95. Gerçek pozitifler = \(0{,}99 \times 0{,}01 = 0{,}0099\). Yanlış pozitifler = \(0{,}05 \times 0{,}99 = 0{,}0495\). $$\text{PPD} = \frac{0{,}0099}{0{,}0099 + 0{,}0495} = \frac{0{,}0099}{0{,}0594} \approx \%16{,}7$$ Yani "%99 doğru" bir teste rağmen pozitif sonuçların yalnızca yaklaşık 6'da 1'i gerçektir.

Prevalans Pozitif Prediktif Değeri Nasıl Etkiler

Aşağıdaki tabloda duyarlılık %99 ve özgüllük %95 olarak sabit tutulmuş, yalnızca prevalans değiştirilmiştir. Her satır \(\text{PPV} = \frac{ \text{Sens} \cdot \text{Prev} }{ \text{Sens} \cdot \text{Prev} + (1-\text{Spec})(1-\text{Prev}) }\) formülünü kullanır ve yanlış keşif oranı (FDR) \(1-\text{PPV}\) olarak hesaplanır.

Prevalans PPV Yanlış keşif oranı
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 satırı için örnek kontrol: \(\text{PPV} = \frac{0.99 \times 0.01}{0.99 \times 0.01 + 0.05 \times 0.99} = \frac{0.0099}{0.0594} \approx 0.1667\), yani yaklaşık %16.7. Test oldukça doğru görünse bile, durum nadirse pozitif sonuçların yaklaşık altıda beşi yanlıştır. Bu, yanlış pozitif paradoksudur.

1% Prevalansta Özgüllüğün Etkisi

Duyarlılık %99, prevalans ise %1 olarak sabit kalır.

Özgüllük PPV Yanlış keşif oranı
95% 16.67% 83.33%
99% 50.00% 50.00%
99.9% 90.91% 9.09%

Düşük prevalansta özgüllük, yanlış pozitifler büyük sağlıklı gruptan geldiği için PPV üzerinde çok büyük bir etkiye sahiptir.

Reklam

Temel Terimler: Duyarlılık, Özgüllük, PPV ve Diğerleri

  • Prevalans: test edilen popülasyonun gerçekte durumdan etkilenen oranı.
  • Taban oranı: prevalans için kullanılan başka bir ad veya herhangi bir test sonucu bilinmeden önce durumun ön olasılığı.
  • Duyarlılık (gerçek pozitif oranı): durumu olan kişilerin pozitif test sonucu alma oranı.
  • Özgüllük (gerçek negatif oranı): durumu olmayan kişilerin negatif test sonucu alma oranı.
  • Yanlış pozitif oranı: durumu olmayan kişilerin pozitif test sonucu alma oranı, \(1-\text{özgüllük}\) değerine eşittir.
  • Yanlış negatif oranı: durumu olan kişilerin negatif test sonucu alma oranı, \(1-\text{duyarlılık}\) değerine eşittir.
  • Pozitif prediktif değer (PPV): pozitif sonuçların gerçek pozitif olma oranı.
  • Yanlış keşif oranı (FDR): pozitif sonuçların yanlış pozitif olma oranı, \(1-\text{PPV}\) değerine eşittir.
  • Negatif prediktif değer (NPV): negatif sonuçların gerçek negatif olma oranı.

Duyarlılık ve özgüllük testin özellikleridir ve prevalansa bağlı değildir. PPV ve NPV ise prevalansa bağlıdır; bu nedenle aynı test farklı popülasyonlarda farklı prediktif değerler verir.

Sıkça sorulan sorular

Olasılık neden bu kadar düşük? Çünkü nadir durumlarda sağlıklı insan sayısı çok daha fazladır; bu yüzden küçük bir yanlış pozitif oranı bile gerçek pozitiflerden çok daha fazla yanlış alarm üretir.

PPD'yi nasıl artırabilirim? Daha yüksek riskli grupları test ederek (daha yüksek prevalans), daha özgül testler kullanarak veya sonucu ikinci bir bağımsız testle doğrulayarak.

Bu yalnızca tıbbi testler için mi geçerli? Hayır — aynı Bayesçi mantık spam filtreleri, dolandırıcılık tespiti, uyuşturucu taramaları ve nadir olayları sınıflandıran her sistem için geçerlidir.

Son güncelleme:

Matematik ve İstatistik kategorisinde en popüler

Tüm Matematik ve İstatistik hesap makinelerini gör