灵敏度与特异度计算器

灵敏度与特异度计算器

热门 AI Skill PRO

输入计算

数学公式

灵敏度=TPTP+FN×100%\text{灵敏度} = \frac{\text{TP}}{\text{TP} + \text{FN}} \times 100\%
显示计算步骤 (4)
  1. 特异度(真阴性率)

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

    实际阴性中被正确识别的比例

  2. 阳性预测值(PPV)

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

    阳性检测结果中为真阳性的比例

  3. 阴性预测值(NPV)

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

    阴性检测结果中为真阴性的比例

  4. 准确率

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

    所有结果中正确结果的比例

使用统计

广告

结果

灵敏度(真阳性率)
90%
正确识别阳性病例的能力
特异度(真阴性率) 80%
阳性预测值(PPV) 81.82%
阴性预测值(NPV) 88.89%
准确率 85%

仅供参考,不能替代医生的诊断或评估。

报告本页错误

这个计算器能做什么

本工具用于评估二分类诊断试验或分类模型的表现。只需输入2×2混淆矩阵中的四个数值——真阳性(TP)、假阴性(FN)、真阴性(TN)和假阳性(FP),即可一键计算出灵敏度、特异度、阳性预测值(PPV)、阴性预测值(NPV)以及总体准确率。这些指标在医学、流行病学和机器学习领域都被广泛使用。

显示 TP、FP、FN 和 TN 单元格的二乘二混淆矩阵
混淆矩阵将预测结果归类为真阳性、假阳性、假阴性和真阴性。

使用方法

把研究或模型中每一类结果的数量分别填入对应输入框。这里的"阳性"通常表示存在某种疾病或状况(或模型预测为正类)。TP和FP是被判定为阳性的病例,TN和FN则是被判定为阴性的病例。填好后点击"计算",五项指标就会以百分比形式一并呈现。

计算公式详解

灵敏度 = TP /(TP + FN),反映试验"抓出"真实患者的能力——数值越高,说明被漏诊的患者越少。特异度 = TN /(TN + FP),反映试验排除健康人群的能力——数值越高,说明误报越少。PPV(阳性预测值)= TP /(TP + FP),表示检测结果为阳性时确实患病的概率;NPV(阴性预测值)= TN /(TN + FN),表示结果为阴性时确实未患病的概率。准确率 =(TP + TN)/ 总例数,用来概括整体判断的正确程度。

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

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

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

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

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

广告
对比实际阳性的灵敏度与实际阴性的特异度的示意图
灵敏度在实际阳性中计算,特异度在实际阴性中计算。

实例演算

假设某项检测得到 \(\text{TP} = 90\)、\(\text{FN} = 10\)、\(\text{TN} = 80\)、\(\text{FP} = 20\)。那么灵敏度 $$\frac{90}{90 + 10} = 90\%$$;特异度 $$\frac{80}{80 + 20} = 80\%$$;PPV $$\frac{90}{90 + 20} \approx 81.82\%$$;NPV $$\frac{80}{80 + 10} \approx 88.89\%$$;准确率 $$\frac{90 + 80}{200} = 85\%$$。

解读敏感性、特异性、PPV和NPV

敏感性是指真正患有该病的人中,被检测正确判定为阳性的比例:\(\text{TP}/(\text{TP}+\text{FN})\)。特异性是指未患该病的人中,被检测正确判定为阴性的比例:\(\text{TN}/(\text{TN}+\text{FP})\)。

  • 高敏感性(SnNout):假阴性很少,因此阴性结果有助于排除该病。
  • 高特异性(SpPin):假阳性很少,因此阳性结果有助于确认该病。
  • 低敏感性:许多病例被漏检,因此阴性结果不太可靠。
  • 低特异性:许多健康人检测呈阳性,因此阳性结果需要进一步确认。

阈值的权衡

大多数检测会产生一个连续数值(分数、浓度或概率),再通过临界值将其判定为阳性或阴性。降低临界值通常会提高敏感性,但会降低特异性;提高临界值则产生相反的效果。对于某一特定检测,没有任何阈值能同时提高两者,因此合适的临界值取决于漏检与误报的相对代价。ROC曲线展示了所有阈值下的这种权衡。

PPV和NPV取决于患病率

PPV为\(\text{TP}/(\text{TP}+\text{FP})\),NPV为\(\text{TN}/(\text{TN}+\text{FN})\)。与敏感性和特异性不同,它们会随该病在受检人群中的常见程度而变化。患病率较低时,即使是良好的检测,相对于真阳性也会产生很多假阳性,因此PPV下降、NPV上升;患病率较高时则相反。一项研究得出的PPV和NPV仅适用于患病率相近的人群。参见下表。

准确率的局限

准确率为\((\text{TP}+\text{TN})/\text{total}\)。在数据不平衡时,它可能产生误导。如果样本中只有1%的人患病,一项把所有人都判为阴性的检测准确率为99%,但敏感性为0%。因此务必将准确率与敏感性、特异性和PPV/NPV一起解读。

这些数据描述的是您输入的样本,存在抽样误差,仅供一般参考,不构成个人医疗建议。任何个人检测结果请与合格的医疗专业人员讨论。

患病率如何影响PPV和NPV

该表假设一项检测的敏感性为90%、特异性为90%,应用于10,000人。仅患病率发生变化。

患病率 TP FN TN FP PPV NPV 准确率
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%

1%患病率下的核对计算

患病者:10,000 × 0.01 = 100,因此 TP = 100 × 0.90 = 90,FN = 10。健康者:9,900人,因此 TN = 9,900 × 0.90 = 8,910,FP = 990。

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

要点:同一检测,在1%患病率时,阳性结果约每12次中只有1次是正确的;而在50%患病率时,约每10次中有9次正确。每一行的准确率都保持在90%,这说明为什么仅看准确率会掩盖这一效应。

广告

关键术语与词汇表

混淆矩阵
一个2×2表格,将检测结果(阳性/阴性)与真实情况(存在/不存在)交叉列出。其四个单元格为TP、FP、FN和TN。
真阳性(TP)
确实患病、且被检测正确判为阳性的人。
假阳性(FP)
未患病、却被检测错误判为阳性的人。
真阴性(TN)
未患病、且被检测正确判为阴性的人。
假阴性(FN)
患病、却被检测错误判为阴性的人。
敏感性(召回率、真阳性率)
TP /(TP + FN)。患病者中检测呈阳性的比例。
特异性(真阴性率)
TN /(TN + FP)。未患病者中检测呈阴性的比例。
阳性预测值(PPV、精确率)
TP /(TP + FP)。阳性结果中为真阳性的比例。
阴性预测值(NPV)
TN /(TN + FN)。阴性结果中为真阴性的比例。
准确率
(TP + TN)/(TP + FP + TN + FN)。所有结果中正确的比例。
患病率
(TP + FN)/ 总数。受检人群中患病的比例。
假阳性率
FP /(FP + TN),等于 1 − 特异性。
假阴性率
FN /(FN + TP),等于 1 − 敏感性。

常见问题

灵敏度和特异度有什么区别?灵敏度衡量的是试验能否准确检出真正患病的人;特异度衡量的是试验能否准确判定未患病的人。

为什么PPV、NPV和灵敏度、特异度不一样?预测值(PPV/NPV)会随样本中疾病的患病率而变化,而灵敏度和特异度则是试验本身固有的特性,不受患病率影响。

灵敏度达到100%的试验就一定好用吗?不一定。如果一个试验把所有人都判为阳性,那它的灵敏度是100%,但特异度却是0%,毫无实用价值。所以这两个数值必须结合起来看。

资料来源与参考

已与上述来源核对,日期 . 未经医生审核。 仅供一般参考,不构成医疗建议或诊断。如有任何健康方面的疑虑,请咨询医生。

最后更新:

健康与健身热门计算器

查看全部健康与健身计算器