Paradox medicínských testů

Zdánlivý paradox

Test je z 90 % přesný. Výsledek je pozitivní. Jaká je pravděpodobnost, že máš nemoc?

Intuitivní odpověď většiny lidí

~90 %

Zdá se to logické — test je přece 90% přesný...

Skutečná odpověď tě překvapí

Při 1% prevalenci nemoci v populaci, testu se 90% senzitivitou a 91% specificitou je pravděpodobnost nemoci při pozitivním výsledku pouze...

≈ 9 %

neboli přibližně 1 šance z 11

Proč tenhle paradox existuje?

Klíč leží v prevalenci — jak vzácná nemoc je. Pokud je nemoc vzácná (postihuje jen 1 % populace), i relativně přesný test generuje spoustu falešných pozitivních výsledků, protože zdravých lidí je tolik víc. Výsledkem je, že většina lidí s pozitivním testem je ve skutečnosti zdravá.

Představ si 1 000 žen

Screening na rakovinu prsu. Prevalence: 1 % → z 1 000 žen má rakovinu přesně 10.

Vizualizace populace · každá tečka = 1 žena

S rakovinou (10)

Zdravá (990)

Parametry testu

Senzitivita 90 %

Test správně odhalí 9 z 10 nemocných žen jako pozitivní.

Specificita 91 %

Test správně označí 901 z 990 zdravých žen jako negativní.

Klíčový rozdíl pojmů

Senzitivita = „Pokud mám nemoc, pozná to test?"
Specificita = „Pokud nemoc nemám, řekne test negativní?"

PPV = „Pokud je test pozitivní, mám nemoc?"
(To je otázka, která nás zajímá!)

Aplikujeme test na 1 000 žen

Co se stane, když všech 1 000 žen podstoupí screening?

Výsledky po aplikaci testu

TP – pravý pozitivní (9)

FP – falešný pozitivní (89)

TN – pravý negativní (901)

FN – falešný negativní (1)

Kontingenční tabulka

	Pozitivní test	Negativní test	Celkem
Má rakovinu	9 TP	1 FN	10
Bez rakoviny	89 FP	901 TN	990
Celkem	98 pozitivních	902 negativních	1 000

Klíčové pozorování

Z 10 nemocných je 9 správně zachyceno (TP), ale z 990 zdravých je 89 falešně pozitivních (FP). Celkem 98 žen má pozitivní test — ale z nich je nemocných jen 9.

Výpočet PPV — pozitivní prediktivní hodnota

Pokud je test pozitivní, jaká je šance, že jsem opravdu nemocná?

Zaměřme se jen na pozitivní výsledky

pravé pozitivy (TP)
nemocné, test pozitivní

falešné pozitivy (FP)
zdravé, test pozitivní

celkem pozitivních

Vzorec PPV

Výsledek

Z 98 žen s pozitivním testem je pouze 9 skutečně nemocných.
PPV = 9/98 ≈ 9,2 %

Neboli přibližně 1 z 11 šancí (1 : 11), že je žena skutečně nemocná.

Proč to takhle vychází?

Nemoc je vzácná (jen 1 % populace). I 9% míra falešně pozitivních aplikovaná na 990 zdravých žen vygeneruje 89 falešných poplachů — mnohem víc než je 9 skutečně nemocných. Falešné pozitivy přemohly pravé pozitivy.

Gerd Gigerenzer a lékařský seminář

V letech 2006–2007 testoval psycholog Gigerenzer více než 100 praktikujících gynekologů stejným příkladem.

Zadání pro lékaře

Žena, 50 let, bez příznaků. Prevalence rakoviny prsu: 1 %. Senzitivita testu: 90 %. Specificita: 91 %. Žena má pozitivní výsledek.

Jaká je pravděpodobnost, že má rakovinu?

Nabízené odpovědi:

A) 1/100 ≈ 1 %

B) 1/50 ≈ 2 %

C) 1/11 ≈ 9 %

D) 9/10 = 90 %

Správně! Patříš k té jedné pětině lékařů, kteří odpověděli správně.

Bohužel špatně. Víc než polovina lékařů odpověděla 9/10 (90 %) — stejně špatně jako ty. Jen 1 z 5 lékařů odpověděl správně. Správná odpověď je C: ≈ 9 %.

Co to znamená?

Paradox je natolik hluboký, že plete i zdravotnické profesionály. Intuice selhává, protože náš mozek není přirozeně vybaven pro bayesovské myšlení. Potřebujeme lepší nástroje.

Bayesovo pravidlo v tradiční formě

Správné, ale těžko uchopitelné matematické vyjádření.

Základní vzorec podmíněné pravděpodobnosti

P(A|B) = posteriorní pravděpodobnost — šance na A, když víme B
P(B|A) = věrohodnost — šance na B, když je A pravda
P(A) = prior — počáteční šance na A
P(B) = marginální věrohodnost — celková šance na B

Aplikace na medicínský test

= 9,2 %

Problémy s tradiční formulací

!
Je algebraicky „přepletená" — prior a charakteristiky testu jsou smíchané
!
Vyžaduje výpočet složitého jmenovatele
!
Nejde snadno aproximovat v hlavě
!
Těžko se mění prior — musíš přepočítat vše znovu

Odds — šance jako poměr

Jiný způsob, jak vyjádřit pravděpodobnost. Klíč k elegantnímu řešení.

Co jsou odds?

Místo absolutního čísla (pravděpodobnosti) vyjadřujeme odds jako poměr dvou možností.

Příklady převodu

Pravděpodobnost 50 %

Odds 1:1

50 %

Pravděpodobnost 10 %

Odds 1:9

10 %

90 %

Prevalence 1 % (prior)

Odds 1:99

1 %

99 %

Zpětný převod na pravděpodobnost

odds → p

Proč odds?

Odds nám dovolí napsat Bayesovo pravidlo jako prosté násobení — žádné složité jmenovatele, žádné přepočítávání. Uvidíš na dalším slidu...

Bayesův faktor — síla testu

Likelihood ratio (LR) — kolikrát test změní naše přesvědčení.

Definice Bayesova faktoru pro pozitivní test

Intuice: Kolikrát je pravděpodobnější pozitivní test u nemocného člověka než u zdravého?

Výpočet v našem příkladu

BF⁺ = 10

Pozitivní test je 10× pravděpodobnější u nemocného než u zdravého

Interpretační škála LR

LR < 0.1
silně vylučuje LR = 1
žádný přínos LR 2–5
malý posun LR 5–10
střední LR > 10
silná podpora

Bayesův faktor pro negativní test

LR⁻ ≈ 0,11 → negativní test je ~9× méně pravděpodobný u nemocného. Negativní test výrazně snižuje šanci na nemoc!

Elegantní Bayesovo pravidlo v odds formě

Klíčový vhled: místo pravděpodobností použijeme odds — a dostaneme prosté násobení.

Elegantní forma Bayesova pravidla

To je fantasticky jednoduché!

Aplikace krok za krokem

1

Prior odds (prevalence 1 %): Prior Odds = 1/99 ≈ 0,0101
Z každých 100 lidí: 1 nemocný vs. 99 zdravých
2

Bayesův faktor pro pozitivní test: BF⁺ = 10
Charakteristika testu, nezávislá na prevalenci
3

Posterior odds: 1/99 × 10 = 10/99
Pouhé násobení!
4

Zpět na pravděpodobnost: 10/(10+99) = 10/109 ≈ 9,2 %
Stejný výsledek jako složitý Bayesův vzorec!

Prior odds

1:99

→

× BF⁺
= 10

→

Posterior odds

10:99

→

÷ (1+odds)

→

Pravděpodobnost

9,2 %

Tradiční forma

Složitý jmenovatel, prior a test jsou zamíchané, těžko se aproximuje, náročné kombinovat víc testů.

Odds forma

Prosté násobení, prior a test jasně oddělené, snadno se aproximuje v hlavě, lze řetězit víc testů.

Interaktivní bayesovský kalkulátor

Změň parametry a sleduj, jak se výsledek mění v reálném čase.

Parametry

Prevalence (prior)1 %

Senzitivita90 %

Specificita91 %

Výsledek — PPV při pozitivním testu

9.2 %

Pravděpodobnost nemoci při pozitivním testu

99.9 %

NPV — pravděpodobnost zdraví při negativním testu

Výpočet přes odds (krok za krokem)

1:99

Prior odds

10.0

Bayesův faktor (LR⁺)

10:99

Posterior odds

Simulace 1 000 pacientů

TP
pravé pozitivní

FP
falešné pozitivní

FN
falešné negativní

TN
pravé negativní

Zkus si zajímavé scénáře

Vzácná nemoc, dobrý test: prevalence 0.1 %, LR 100 → PPV stále jen ~9 %.
Běžná nemoc: prevalence 10 % → PPV skočí na ~53 %.
Lepší test: specificita 99 % → BF = 90, PPV ~47 % i při 1% prevalenci.

1 / 10

Proč tě intuice zrazuje — a kde si o tom přečíst víc

Mozek počítá s base rate neglect — přehlíží, jak vzácná nemoc je, a bere v potaz jen to, jak přesný test se zdá. Právě proto stejná chyba plete i lékaře v Gigerenzerově semináři.

Trik odds formy je, že odděluje to, co víme předem (prevalence), od toho, co přidá jeden test (Bayesův faktor). Kombinovat víc testů je pak jen další násobení — přesně tak, jak nad důkazy uvažuje i jazykový model, když aktualizuje své „přesvědčení" slovo po slově.

Celý řetěz od Bayese k dnešním modelům rozebírá kapitola 12 kurzu.