Paradox Medicínských Testů

Zdánlivý paradox

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

Intuitivní odpověď většiny lidí

~90 %

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

Skutečná odpověď vás 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 existuje tento paradox?

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

Představme 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 detekuje 9 z 10 nemocných žen jako pozitivní.

Specificita 91 %

Test správně identifikuje 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 pozitivní	902 negativní	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

9

Pravé pozitivy (TP)
nemocné, test pozitivní

+

89

Falešné pozitivy (FP)
zdravé, test pozitivní

=

98

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 je to takto?

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

Gerd Gigerenzer a lékařský seminář

V roce 2006–2007 psycholog Gigerenzer testoval 100+ praktikujících gynekologů se 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! Vy jste z těch 1/5 lékařů, kteří odpověděli správně. 🎉

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

Co to znamená?

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

Bayesovo pravidlo v tradiční formě

Správné, ale obtížně intuitivní 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 smíchány
!
Vyžaduje výpočet složitého jmenovatele
!
Není intuitivní pro aproximace v hlavě
!
Těžko se mění prior — musíte přepočítávat vše znovu

Odds — šance jako poměr

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

Co jsou Odds?

Místo absolutního čísla (pravděpodobnost) 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 umožní napsat Bayesovo pravidlo jako prosté násobení — žádné složité jmenovatele, žádné přepočítávání. Uvidíte na dalším slidu...

Bayesův Faktor — síla testu

Likelihood Ratio (LR) — kolikrát změní test 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

Bayes Factor 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 zamíchány, těžko se aproximuje, obtížné kombinovat více testů.

Odds forma

Prosté násobení, prior a test jsou jasně odděleny, snadno se aproximuje v hlavě, lze kombinovat více testů.

Interaktivní Bayesovský kalkulátor

Změňte parametry a sledujte, jak se mění výsledek 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

Bayes Factor (LR⁺)

10:99

Posterior Odds

Simulace 1 000 pacientů

-

TP
Pravé pozitivní

-

FP
Falešné pozitivní

-

FN
Falešné negativní

-

TN
Pravé negativní

Zkuste 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.

Paradox Medicínských Testů a Bayesovo Pravidlo