Công Cụ Tính Nghịch Lý Dương Tính Giả

Công Cụ Tính Nghịch Lý Dương Tính Giả

Đang tăng trưởng AI Skill PRO

Nhập phép tính

Công thức

PPV=Nhạy·MắcNhạy·Mắc+(1−Đặc)(1−Mắc)×100%trong đó{Mắc=Tỷ lệ mắc bệnh (%)100Nhạy=Độ nhạy (%)100Đặc=Độ đặc hiệu (%)100\begin{gathered} \text{PPV} = \frac{\text{Nhạy} \cdot \text{Mắc}}{\text{Nhạy} \cdot \text{Mắc} + (1 - \text{Đặc})(1 - \text{Mắc})} \times 100\% \\[1.5em] \text{trong đó}\quad \left\{ \begin{aligned} \text{Mắc} &= \dfrac{\text{Tỷ lệ mắc bệnh (\%)}}{100} \\ \text{Nhạy} &= \dfrac{\text{Độ nhạy (\%)}}{100} \\ \text{Đặc} &= \dfrac{\text{Độ đặc hiệu (\%)}}{100} \end{aligned} \right. \end{gathered}
Thống kê sử dụng

Quảng cáo

Kết quả

Xác suất mắc bệnh khi có kết quả dương tính (PPV)
16,67%
giá trị tiên đoán dương
Tỷ lệ phát hiện sai 83,33%
Dương tính thật (tỷ lệ trong dân số) 0,99%
Dương tính giả (tỷ lệ trong dân số) 4,95%

Báo lỗi nội dung trang này

Nghịch lý dương tính giả là gì?

Nghịch lý dương tính giả mô tả một sự thật trái với trực giác trong xét nghiệm và sàng lọc y tế: ngay cả một xét nghiệm có độ chính xác rất cao vẫn có thể tạo ra phần lớn là báo động giả khi căn bệnh cần tầm soát là hiếm gặp. Công cụ này áp dụng định lý Bayes để cho bạn thấy xác suất thực sự bạn mắc bệnh sau khi có kết quả dương tính — tức giá trị tiên đoán dương (PPV) — con số này thường thấp hơn rất nhiều so với độ chính xác mà nhà sản xuất xét nghiệm quảng cáo.

Lưới 1000 ô vuông cho thấy một nhóm nhỏ dương tính thật so với một nhóm lớn hơn dương tính giả ở những người khỏe mạnh
Lưới dân số: khi tỷ lệ mắc bệnh thấp, số dương tính giả có thể nhiều hơn số dương tính thật, ngay cả khi xét nghiệm có độ chính xác cao.

Cách sử dụng

Hãy nhập ba tỷ lệ phần trăm: tỷ lệ mắc bệnh (mức độ phổ biến của bệnh trong nhóm dân số được xét nghiệm), độ nhạy (khả năng một người bệnh cho kết quả dương tính, tức tỷ lệ dương tính thật), và độ đặc hiệu (khả năng một người khỏe mạnh cho kết quả âm tính, tức tỷ lệ âm tính thật). Công cụ sẽ trả về xác suất một kết quả dương tính là thật, kèm theo tỷ lệ phát hiện sai.

Giải thích công thức

Định lý Bayes kết hợp khả năng người bệnh cho kết quả dương tính với khả năng người khỏe mạnh bị dương tính do nhầm lẫn:

$$\text{PPV} = \frac{\text{Sens} \cdot \text{Prev}}{\text{Sens} \cdot \text{Prev} + (1 - \text{Spec})(1 - \text{Prev})} \times 100\%$$

Tử số là tỷ lệ dân số vừa mắc bệnh vừa được phát hiện đúng. Mẫu số cộng thêm các trường hợp dương tính giả — những người khỏe mạnh bị gắn nhầm là dương tính. Khi tỷ lệ mắc bệnh rất nhỏ, chính phần dương tính giả này sẽ chiếm ưu thế.

Quảng cáo
Sơ đồ cây chia dân số thành nhánh có bệnh và nhánh khỏe mạnh, rồi tiếp tục chia thành kết quả xét nghiệm dương tính và âm tính
Cây xác suất cho thấy tỷ lệ mắc bệnh, độ nhạy và độ đặc hiệu kết hợp với nhau như thế nào để tạo ra dương tính thật và dương tính giả.

Ví dụ minh họa

Giả sử một căn bệnh ảnh hưởng đến 1% dân số (tỷ lệ mắc = \(0{,}01\)), xét nghiệm có độ nhạy 99% và độ đặc hiệu 95%. Dương tính thật \(= 0{,}99 \times 0{,}01 = 0{,}0099\). Dương tính giả \(= 0{,}05 \times 0{,}99 = 0{,}0495\).

$$\text{PPV} = \frac{0{,}0099}{0{,}0099 + 0{,}0495} = \frac{0{,}0099}{0{,}0594} \approx 16{,}7\%$$

Vậy nên dù xét nghiệm được quảng cáo là "chính xác 99%", chỉ khoảng 1 trên 6 kết quả dương tính là thật.

Tỷ lệ mắc bệnh ảnh hưởng đến giá trị dự đoán dương như thế nào

Bảng dưới đây giữ độ nhạy ở mức 99% và độ đặc hiệu ở mức 95%, chỉ thay đổi tỷ lệ mắc bệnh. Mỗi hàng sử dụng \(\text{PPV} = \frac{ \text{Sens} \cdot \text{Prev} }{ \text{Sens} \cdot \text{Prev} + (1-\text{Spec})(1-\text{Prev}) }\), và tỷ lệ phát hiện sai (FDR) là \(1-\text{PPV}\).

Tỷ lệ mắc bệnh PPV Tỷ lệ phát hiện sai
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%

Kiểm tra minh họa cho hàng 1%: \(\text{PPV} = \frac{0.99 \times 0.01}{0.99 \times 0.01 + 0.05 \times 0.99} = \frac{0.0099}{0.0594} \approx 0.1667\), tức khoảng 16.7%. Ngay cả với một xét nghiệm có vẻ chính xác, khoảng năm trong sáu kết quả dương tính là sai khi bệnh hiếm gặp. Đây là nghịch lý dương tính giả.

Ảnh hưởng của độ đặc hiệu ở tỷ lệ mắc bệnh 1%

Độ nhạy giữ ở mức 99% và tỷ lệ mắc bệnh ở mức 1%.

Độ đặc hiệu PPV Tỷ lệ phát hiện sai
95% 16.67% 83.33%
99% 50.00% 50.00%
99.9% 90.91% 9.09%

Ở tỷ lệ mắc bệnh thấp, độ đặc hiệu có ảnh hưởng rất lớn đến PPV vì các kết quả dương tính giả đến từ nhóm người khỏe mạnh đông đảo.

Quảng cáo

Các thuật ngữ chính: Độ nhạy, Độ đặc hiệu, PPV và các khái niệm khác

  • Tỷ lệ mắc bệnh: tỷ lệ người thực sự mắc bệnh trong nhóm được xét nghiệm.
  • Tỷ lệ nền: một tên gọi khác của tỷ lệ mắc bệnh, hoặc xác suất tiên nghiệm của bệnh trước khi biết bất kỳ kết quả xét nghiệm nào.
  • Độ nhạy (tỷ lệ dương tính thật): tỷ lệ người mắc bệnh có kết quả xét nghiệm dương tính.
  • Độ đặc hiệu (tỷ lệ âm tính thật): tỷ lệ người không mắc bệnh có kết quả xét nghiệm âm tính.
  • Tỷ lệ dương tính giả: tỷ lệ người không mắc bệnh có kết quả xét nghiệm dương tính, bằng \(1-\text{độ đặc hiệu}\).
  • Tỷ lệ âm tính giả: tỷ lệ người mắc bệnh có kết quả xét nghiệm âm tính, bằng \(1-\text{độ nhạy}\).
  • Giá trị dự đoán dương (PPV): tỷ lệ các kết quả dương tính là dương tính thật.
  • Tỷ lệ phát hiện sai (FDR): tỷ lệ các kết quả dương tính là dương tính giả, bằng \(1-\text{PPV}\).
  • Giá trị dự đoán âm (NPV): tỷ lệ các kết quả âm tính là âm tính thật.

Độ nhạy và độ đặc hiệu là đặc tính của xét nghiệm và không phụ thuộc vào tỷ lệ mắc bệnh. PPV và NPV thì phụ thuộc vào tỷ lệ mắc bệnh, vì vậy cùng một xét nghiệm sẽ cho các giá trị dự đoán khác nhau ở các quần thể khác nhau.

Câu hỏi thường gặp

Tại sao xác suất lại thấp đến vậy? Vì bệnh hiếm gặp đồng nghĩa với việc có rất nhiều người khỏe mạnh, nên ngay cả một tỷ lệ dương tính giả nhỏ cũng tạo ra số báo động giả nhiều hơn hẳn so với số ca dương tính thật.

Làm thế nào để tăng PPV? Xét nghiệm cho nhóm có nguy cơ cao hơn (tỷ lệ mắc cao hơn), dùng xét nghiệm có độ đặc hiệu tốt hơn, hoặc xác nhận lại bằng một xét nghiệm độc lập thứ hai.

Có phải nguyên lý này chỉ áp dụng cho xét nghiệm y tế? Không — cùng một logic Bayes này cũng đúng với bộ lọc thư rác, phát hiện gian lận, xét nghiệm ma túy và bất kỳ bộ phân loại sự kiện hiếm nào.

Cập nhật lần cuối:

Phổ biến nhất trong Toán học và Thống kê

Xem tất cả máy tính Toán học và Thống kê