Kalkulator twierdzenia Bayesa
Przelicz prawdopodobieństwo po wyniku dodatnim z częstości bazowej, czułości i swoistości testu.
Oblicz prawdopodobieństwo z twierdzenia Bayesa
Od danych do świadomej decyzji
- Dane
- Wzór
- Wynik
- Interpretacja
Dlaczego sam dodatni wynik nie wystarcza?
Prawdopodobieństwo przed testem ustala punkt startowy
Częstość bazowa P(D) mówi, jak częsty jest badany stan w populacji przed poznaniem wyniku. Może chodzić o chorobę, wadę produktu, oszustwo w transakcji albo obecność sygnału. Dla 5% oczekujemy przeciętnie 5 przypadków na 100 jednostek z porównywalnej populacji.
Ta sama metoda diagnostyczna może dawać inną wartość wyniku dodatniego w grupie niskiego i wysokiego ryzyka. Test nie działa w próżni: aktualizuje wcześniejsze prawdopodobieństwo, zamiast zastępować je jedną stałą.
Wartość bazowa powinna odpowiadać konkretnej sytuacji. Częstość w poradni specjalistycznej nie musi pasować do badań przesiewowych w populacji ogólnej. Użycie złej grupy odniesienia może bardziej przesunąć wynik niż drobna różnica czułości.
Twierdzenie Bayesa odwraca warunek
Czułość P(+|D) odpowiada na pytanie: jaki odsetek jednostek ze stanem D otrzyma wynik dodatni? Użytkownik po dodatnim wyniku pyta jednak o P(D|+): jaki odsetek wszystkich dodatnich rzeczywiście ma D? To dwie różne wielkości.
Twierdzenie Bayesa łączy czułość z częstością bazową i częstością fałszywie dodatnich wyników. W mianowniku znajdują się wszystkie dodatnie wyniki — zarówno prawdziwe, jak i fałszywe.
Najczęstszy błąd polega na utożsamieniu 90-procentowej czułości z 90-procentową szansą stanu po dodatnim teście. Taki skrót pomija osoby bez D, których może być znacznie więcej i u których część testów także wypada dodatnio.
Co oznaczają czułość i swoistość?
Czułość kontroluje liczbę przeoczonych przypadków
Czułość to udział wyników dodatnich wśród jednostek, które naprawdę mają D. Przy czułości 90% test wykryje przeciętnie 90 na 100 przypadków, a 10 da wynik fałszywie ujemny.
Wysoka czułość jest ważna, gdy przeoczenie stanu ma poważne konsekwencje. Nie mówi jednak, ile dodatnich wyników w całej badanej populacji będzie prawdziwych. Do tego potrzebna jest także swoistość i częstość bazowa.
Czułość może zależeć od progu testu, stadium zjawiska, jakości próbki i sposobu wykonania pomiaru. Liczba z publikacji jest użyteczna tylko wtedy, gdy definicja wyniku i warunki odpowiadają planowanemu zastosowaniu.
Swoistość kontroluje fałszywe alarmy
Swoistość P(−|¬D) to udział wyników ujemnych wśród jednostek bez badanego stanu. Przy swoistości 95% pięć procent osób bez D otrzyma wynik fałszywie dodatni. Ta wartość 1 − swoistość trafia do mianownika wzoru Bayesa.
Nawet 5-procentowy odsetek fałszywie dodatnich może wygenerować wiele alarmów, jeśli osób bez D jest bardzo dużo. Przy rzadkim stanie grupa zdrowa lub zgodna z normą dominuje liczebnie nad grupą D.
Czułość i swoistość opisują działanie testu przy znanym stanie. Dodatnia i ujemna wartość predykcyjna opisują prawdopodobieństwo stanu przy znanym wyniku. Wartości predykcyjne zmieniają się wraz z częstością bazową.
| Stan rzeczywisty | Test dodatni | Test ujemny |
|---|---|---|
| D występuje | prawdziwie dodatni | fałszywie ujemny |
| D nie występuje | fałszywie dodatni | prawdziwie ujemny |
Przykład: częstość 5%, czułość 90%, swoistość 95%
Naturalne częstości pokazują, skąd bierze się 48,65%
Wyobraźmy sobie 10 000 jednostek. Przy częstości 5% stan D ma 500 z nich, a 9500 go nie ma. To tylko wygodna skala do rachunku; proporcje byłyby takie same dla większej populacji.
Czułość 90% daje 450 prawdziwie dodatnich i 50 fałszywie ujemnych wyników w grupie D. Swoistość 95% daje 9025 prawdziwie ujemnych oraz 475 fałszywie dodatnich wyników w grupie bez D.
Wszystkich dodatnich wyników jest 450 + 475 = 925. Spośród nich 450 to rzeczywiste przypadki, dlatego P(D|+) = 450/925 ≈ 0,486486, czyli około 48,65%.
| Grupa | Dodatni | Ujemny | Razem |
|---|---|---|---|
| D | 450 | 50 | 500 |
| brak D | 475 | 9025 | 9500 |
| razem | 925 | 9075 | 10 000 |
Wysoka czułość nie zapobiega wielu fałszywym alarmom
Liczba prawdziwie dodatnich jest mniejsza od liczby fałszywie dodatnich, mimo czułości 90% i swoistości 95%. Powodem jest rozmiar grup: bez D jest dziewiętnaście razy więcej jednostek niż z D.
Wynik około 48,65% nie oznacza, że test jest bezużyteczny. Podniósł prawdopodobieństwo z 5% przed testem do prawie 49% po wyniku dodatnim. Dalsza decyzja zależy od kosztu pomyłek, dostępności testu potwierdzającego i kontekstu.
Jeśli ten sam test zastosujesz w populacji z częstością 20%, dodatnia wartość predykcyjna wzrośnie do około 81,82%. Parametry testu pozostają takie same, lecz punkt startowy jest czterokrotnie wyższy.
Co można wywnioskować po wyniku ujemnym?
Ujemna wartość predykcyjna korzysta z prawdziwie ujemnych
W przykładzie ujemny wynik otrzymuje 9025 jednostek bez D i 50 jednostek z D. Wszystkich ujemnych jest 9075, więc P(¬D|−) = 9025/9075 ≈ 99,45%.
Prawdopodobieństwo D mimo ujemnego wyniku wynosi 50/9075 ≈ 0,55%. Test zmniejszył je z 5% przed badaniem do około pół procenta. Nie sprowadził go jednak do zera.
Wysoka ujemna wartość predykcyjna przy rzadkim stanie może wyglądać imponująco nawet dla słabszego testu, ponieważ większość populacji od początku nie ma D. Warto porównać wynik po teście z prawdopodobieństwem bazowym, a nie tylko z progiem 100%.
Ilorazy wiarygodności pozwalają aktualizować szanse
Dodatni iloraz wiarygodności LR+ = czułość/(1 − swoistość). W przykładzie LR+ = 0,90/0,05 = 18. Mówi, ile razy dodatni wynik jest bardziej prawdopodobny przy D niż przy braku D.
Szanse przed testem wynoszą 0,05/0,95 ≈ 0,05263. Po pomnożeniu przez 18 otrzymujemy szanse po teście około 0,94737. Zamiana szans na prawdopodobieństwo, odds/(1+odds), znów daje około 48,65%.
Dla wyniku ujemnego LR− = (1 − czułość)/swoistość = 0,10/0,95 ≈ 0,1053. Ilorazy są przydatne przy kolejnych niezależnych źródłach dowodu, lecz ich mechaniczne mnożenie wymaga założenia, że wyniki dostarczają odpowiednio niezależnej informacji.
Kiedy wynik Bayesa może wprowadzać w błąd?
Parametry testu mają własną niepewność
Czułość 90% i swoistość 95% są zwykle oszacowaniami z próby, a nie znanymi stałymi natury. Mają przedziały ufności i mogą zmieniać się między laboratoriami, urządzeniami, operatorami lub podgrupami.
Pojedynczy wynik kalkulatora traktuje wpisane procenty jako dokładne. Analiza wrażliwości powinna przeliczyć dolne i górne wiarygodne wartości parametrów. Przy rzadkim stanie nawet niewielka zmiana swoistości potrafi mocno zmienić liczbę fałszywych alarmów.
Częstość bazowa także bywa niepewna. Objawy, wcześniejsze badanie, wiek, ekspozycja lub sposób kwalifikacji mogą zmieniać prawdopodobieństwo dla konkretnej osoby względem średniej populacyjnej. Dobór prioru jest częścią modelu, nie neutralnym polem technicznym.
Wynik binarny upraszcza testy z ciągłą skalą
Wiele badań daje liczbę, a dodatni lub ujemny wynik powstaje dopiero po zastosowaniu progu. Zmiana progu zwykle zwiększa czułość kosztem swoistości albo odwrotnie. Parametry muszą dotyczyć dokładnie użytego progu.
Powtórzenie tego samego testu na tej samej próbce nie zawsze daje niezależny dowód. Błędy mogą być skorelowane, więc dwukrotne zastosowanie twierdzenia Bayesa z tym samym LR może przesadnie zwiększyć pewność.
W zastosowaniu medycznym wynik nie zastępuje diagnozy. Lekarz łączy prawdopodobieństwo z objawami, przeciwwskazaniami, dokładnością konkretnego badania i konsekwencjami dalszych kroków. W zastosowaniach technicznych analogicznie potrzebna jest wiedza o kosztach fałszywego alarmu i przeoczenia.
Najczytelniejszy audyt to tabela liczebności
Gdy procenty wydają się abstrakcyjne, wybierz 1000 albo 10 000 hipotetycznych jednostek i rozpisz cztery pola. Suma wiersza D musi zgadzać się z częstością bazową, a suma wiersza bez D z jej dopełnieniem.
Następnie zsumuj kolumnę dodatnią. Dodatnia wartość predykcyjna to prawdziwie dodatnie podzielone przez wszystkie dodatnie. Analogiczna kontrola kolumny ujemnej daje prawdopodobieństwo braku D po wyniku ujemnym.
Taka tabela natychmiast ujawnia pomylenie swoistości z odsetkiem fałszywie dodatnich albo użycie czułości w złym mianowniku. Jest też łatwiejsza do wyjaśnienia odbiorcy niż sam zapis symboliczny.
- dopasuj częstość bazową do badanej populacji
- użyj czułości i swoistości dla właściwego progu
- rozpisz prawdziwe i fałszywe wyniki
- przelicz warianty dla niepewnych parametrów
- nie traktuj wyniku jako samodzielnej decyzji klinicznej lub biznesowej
Najczęstsze pytania
Czy 90% czułości oznacza 90% szans stanu po dodatnim wyniku?
Nie. Czułość to P(+|D), a użytkownika interesuje P(D|+). Druga wartość zależy dodatkowo od swoistości i częstości bazowej.
Dlaczego przy rzadkim stanie jest dużo wyników fałszywie dodatnich?
Osób bez stanu jest bardzo dużo. Nawet mały procent fałszywych alarmów z tej grupy może dorównać liczbie prawdziwych dodatnich wyników.
Czym różni się swoistość od dodatniej wartości predykcyjnej?
Swoistość to odsetek poprawnie ujemnych wśród osób bez D. Dodatnia wartość predykcyjna to odsetek rzeczywistych przypadków wśród wszystkich dodatnich wyników.
Co oznacza częstość bazowa 5%?
Przed poznaniem wyniku testu stan D ma przeciętnie 5 na 100 jednostek z odpowiednio dobranej populacji odniesienia.
Czy ujemny wynik wyklucza stan D?
Nie zawsze. W przykładzie zmniejsza prawdopodobieństwo z 5% do około 0,55%, lecz nie do zera. Znaczenie zależy od czułości i punktu startowego.
Czy można zastosować Bayesa do dwóch kolejnych testów?
Tak, jeśli potrafisz określić właściwe ilorazy wiarygodności i zależność między wynikami. Silnie skorelowane testy nie dostarczają dwóch niezależnych porcji informacji.
Dlaczego warto użyć tabeli na 10 000 osób?
Naturalne liczebności pokazują osobno prawdziwie i fałszywie dodatnie wyniki. Dzięki temu widać mianownik P(D|+) i łatwiej wykryć odwrócenie warunku.
Źródła i dalsza lektura
- NIST/SEMATECH. (2012). e-Handbook of Statistical Methods.
- NIST Digital Library of Mathematical Functions. (n.d.). Probability and statistical functions.