เมนูนำทาง
ความไวและความจำเพาะ
| true positive (TP)เท่ากับ hittrue negative (TN)เท่ากับ correct rejectionfalse positive (FP)เท่ากับ false alarm, ความผิดพลาดชนิดที่ 1false negative (FN)เท่ากับ miss, ความผิดพลาดชนิดที่ 2 sensitivity หรือ true positive rate (TPR)เท่ากับ hit rate, recall T P R = T P / P = T P / ( T P + F N ) {\displaystyle {\mathit {TPR}}={\mathit {TP}}/P={\mathit {TP}}/({\mathit {TP}}+{\mathit {FN}})} specificity (SPC) หรือ true negative rate S P C = T N / N = T N / ( T N + F P ) {\displaystyle {\mathit {SPC}}={\mathit {TN}}/N={\mathit {TN}}/({\mathit {TN}}+{\mathit {FP}})} precision หรือ positive predictive value (PPV) P P V = T P / ( T P + F P ) {\displaystyle {\mathit {PPV}}={\mathit {TP}}/({\mathit {TP}}+{\mathit {FP}})} negative predictive value (NPV) N P V = T N / ( T N + F N ) {\displaystyle {\mathit {NPV}}={\mathit {TN}}/({\mathit {TN}}+{\mathit {FN}})} fall-out หรือ false positive rate (FPR) F P R = F P / N = F P / ( F P + T N ) = 1 − S P C {\displaystyle {\mathit {FPR}}={\mathit {FP}}/N={\mathit {FP}}/({\mathit {FP}}+{\mathit {TN}})=1-{\mathit {SPC}}} false negative rate (FNR) F N R = F N / ( T P + F N ) = 1 − T P R {\displaystyle {\mathit {FNR}}={\mathit {FN}}/({\mathit {TP}}+{\mathit {FN}})=1-{\mathit {TPR}}} false discovery rate (FDR) F D R = F P / ( T P + F P ) = 1 − P P V {\displaystyle {\mathit {FDR}}={\mathit {FP}}/({\mathit {TP}}+{\mathit {FP}})=1-{\mathit {PPV}}} accuracy (ACC) A C C = ( T P + T N ) / ( T P + F P + F N + T N ) {\displaystyle {\mathit {ACC}}=({\mathit {TP}}+{\mathit {TN}})/({\mathit {TP}}+{\mathit {FP}}+{\mathit {FN}}+{\mathit {TN}})} F1 scoreคือ มัชฌิมฮาร์มอนิก (HM) ของ precision กับ sensitivity F 1 = 2 T P / ( 2 T P + F P + F N ) {\displaystyle {\mathit {F1}}=2{\mathit {TP}}/(2{\mathit {TP}}+{\mathit {FP}}+{\mathit {FN}})} Matthews correlation coefficient (MCC) T P × T N − F P × F N ( T P + F P ) ( T P + F N ) ( T N + F P ) ( T N + F N ) {\displaystyle {\frac {{\mathit {TP}}\times {\mathit {TN}}-{\mathit {FP}}\times {\mathit {FN}}}{\sqrt {({\mathit {TP}}+{\mathit {FP}})({\mathit {TP}}+{\mathit {FN}})({\mathit {TN}}+{\mathit {FP}})({\mathit {TN}}+{\mathit {FN}})}}}} Informedness T P R + S P C − 1 {\displaystyle {\mathit {TPR}}+{\mathit {SPC}}-1} Markedness P P V + N P V − 1 {\displaystyle {\mathit {PPV}}+{\mathit {NPV}}-1} |
ลองสมมุติว่ากำลังประเมินการทดสอบชนิดใหม่ที่ตรวจคัดกรองโรคชนิดหนึ่งแต่ละคนที่ทดสอบจริง ๆ มีหรือไม่มีโรคผลสอบอาจเป็นบวก คือจัดบุคคลว่ามีโรค หรือเป็นลบ คือจัดบุคคลว่าไม่มีโรคแต่ผลของแต่ละคนอาจจะไม่เหมือนกับภาวะจริง ๆดังนั้น จะมีกรณีต่าง ๆ 4 อย่าง คือ
โดยทั่วไป Positive = identified และ negative = rejectedดังนั้น
เราจะพิจารณากลุ่มทดสอบที่มีผลบวกมีจำนวน P และผลลบมีจำนวน N เนื่องจากโรคบางอย่างผล 4 อย่างสามารถทำเป็นตาราง contingency table หรือ confusion matrix ดังต่อไปนี้
| ภาวะ/โรค (ตรวจด้วยการตรวจมาตรฐานสูงสุด) | ||||
| เป็นโรค | ไม่เป็นโรค | |||
| ผล การตรวจ | ผล การตรวจ เป็นบวก | ผลบวกจริง | ผลบวกลวง (ความผิดพลาดชนิดที่ 1) | ค่าทำนายผลบวก = Σ ผลบวกจริง Σ ผลตรวจทั้งหมดที่เป็นบวก |
| ผล การตรวจ เป็นลบ | ผลลบลวง (ความผิดพลาดชนิดที่ 2) | ผลลบจริง | ค่าทำนายผลลบ = Σ ผลลบจริง Σ ผลตรวจทั้งหมดที่เป็นลบ | |
| ความไว = Σ ผลบวกจริง Σ ผู้ป่วยทั้งหมดที่เป็นโรค | ความจำเพาะ = Σ ผลลบจริง Σ ผู้ป่วยทั้งหมดที่ไม่เป็นโรค |
บทความนี้ไม่มีการอ้างอิงจากแหล่งที่มาใด กรุณาช่วยปรับปรุงบทความนี้ โดยเพิ่มการอ้างอิงแหล่งที่มาที่น่าเชื่อถือ เนื้อความที่ไม่มีแหล่งที่มาอาจถูกคัดค้านหรือลบออก (2016-07) |
ความไวหมายถึงสมรรถภาพของการทดสอบในการตรวจหาคนที่มีภาวะนั้น ๆในตัวอย่างของเรา ค่าความไวคือสัดส่วนของบุคคลที่ได้ผลบวกจากการทดสอบในบรรดาคนที่มีโรคซึ่งเขียนเป็นสมการได้ดังต่อไปนี้
sensitivity = number of true positives number of true positives + number of false negatives = number of true positives total number of sick individuals in population = probability of a positive test given that the patient has the disease {\displaystyle {\begin{aligned}{\text{sensitivity}}&={\frac {\text{number of true positives}}{{\text{number of true positives}}+{\text{number of false negatives}}}}\\\\&={\frac {\text{number of true positives}}{\text{total number of sick individuals in population}}}\\\\&={\text{probability of a positive test given that the patient has the disease}}\end{aligned}}}ผลลบจากการทดสอบที่ไวสูงจะมีประโยชน์ในการกันโรคออก (ruling out)คือเชื่อถือได้เมื่อผลเป็นลบ เพราะว่ามันไม่ค่อยวินิจฉัยผู้ที่มีโรคผิดการทดสอบที่ไว 100% จะตรวจเจอคนไข้ที่มีโรคทั้งหมดโดยให้ผลบวกดังนั้น ผลลบจึงกันออกได้อย่างแน่นอนว่า คนไข้ไม่มีโรคแต่ผลบวกของการทดสอบที่ไวสูงไม่สามารถยืนยันว่ามีโรค (ruling in)คือ ลองสมมุติว่ามีการทดสอบ "ปลอม" ที่ออกแบบให้ออกแต่ผลบวกเท่านั้นดังนั้น เมื่อทดสอบคนไข้ที่มีโรค คนไข้ทั้งหมดก็จะได้ผลบวก ซึ่งบ่งว่าการทดสอบมีความไว 100%แต่ว่า โดยนิยามแล้ว ค่าความไวไม่สามารถกันผลบวกปลอมได้เพราะว่า การทดสอบปลอมก็จะออกผลบวกสำหรับคนปกติทั้งหมด ซึ่งบ่งว่าการทดสอบมีอัตราผลบวกปลอม 100% ทำให้ไม่มีประโยชน์อะไรในการตรวจจับ หรือยืนยันว่ามีโรคความไวไม่ใช่อย่างเดียวกับความเที่ยง (precision) หรือค่าทำนายเมื่อผลเป็นบวก (positive predictive value) ซึ่งเป็นอัตราส่วนของผลบวกจริงต่อค่ารวมของผลบวกจริงกับผลบวกปลอม คือเป็นสัดส่วนของผลบวกจริงต่อประชากรที่แสดงผลบวก
การคำนวณค่าความไวไม่รวมผลการทดสอบที่คลุมเครือถ้าไม่สามารถทดสอบใหม่ได้ ตัวอย่างที่คลุมเครือไม่ควรจะรวมเข้าเพื่อวิเคราะห์ (โดยให้ระบุจำนวนตัวอย่างที่ยกเว้นเมื่อแสดงค่าความไว) หรือสามารถปฏิบัติเหมือนกับผลลบปลอม (ซึ่งจะเป็นการแสดงค่าต่ำสุดของความไว และดังนั้น อาจจะเป็นค่าประเมินที่น้อยเกินจริง)
ความจำเพาะเป็นสมรรถภาพของการทดสอบในการตรวจหาบุคคลที่ไม่มีภาวะนั้น ๆลองพิจารณาตัวอย่างการทดสอบคนไข้ของเราค่าความจำเพาะของการทดสอบก็คือสัดส่วนของบุคคลปกติที่ไม่มีโรค ผู้จะทดสอบได้ผลลบซึ่งสามารถเขียนเป็นสมการ
specificity = number of true negatives number of true negatives + number of false positives = number of true negatives total number of well individuals in population = probability of a negative test given that the patient is well {\displaystyle {\begin{aligned}{\text{specificity}}&={\frac {\text{number of true negatives}}{{\text{number of true negatives}}+{\text{number of false positives}}}}\\\\&={\frac {\text{number of true negatives}}{\text{total number of well individuals in population}}}\\\\&={\text{probability of a negative test given that the patient is well}}\end{aligned}}}การได้ผลบวกจากการทดสอบจำเพาะสูงมีประโยชน์ในการวินิจฉัยว่าเป็นโรค (ruling in)เพราะว่า การทดสอบนี้ไม่ค่อยให้ผลบวกในคนปกติเมื่อผลทดสอบเป็นบวก การทดสอบที่จำเพาะ 100% แสดงว่า ทั้งหมดเป็นผู้ป่วยโดยไม่มีคนปกติ[7]
ผลลบในการทดสอบที่จำเพาะสูงจะไม่มีประโยชน์ในการกันโรคออกลองสมมุติว่ามีการทดสอบ "ปลอม" ที่ออกแบบให้แสดงผลลบเท่านั้นซึ่งเมื่อทดสอบคนปกติทุกคน ก็จะแสดงผลลบทุกคนและนี่ก็จะให้ค่าจำเพาะ 100% ต่อการทดสอบแต่การทดสอบเดียวกันก็จะให้ผลลบต่อผู้ป่วยทั้งหมดเหมือนกัน ดังนั้น ก็จะมีอัตราอัตราผลลบปลอมที่ 100% ซึ่งไม่มีประโยชน์อะไรในการกันโรคออก (ruling out)ความจำเพาะโดยนิยามไม่สามารถกันผลลบปลอมได้การทดสอบที่จำเพาะสูงจะมีอัตราความผิดพลาดชนิดที่ 1 ต่ำ
เมนูนำทาง
ความไวและความจำเพาะใกล้เคียง
แหล่งที่มา
WikiPedia: ความไวและความจำเพาะ