حساسیت و ویژگی

حساسیت و تشخیص در آمار دو شاخص برای ارزیابی نتیجه یک آزمایش دسته‌بندی دودویی (دوحالته) هستند. زمانی که بتوان داده‌ها را به دو گروه مثبت و منفی تقسیم کرد، دقت نتایج یک آزمایش که اطلاعات را به این دو دسته تقسیم می‌کند با استفاده از شاخص‌های حساسیت و ویژگی قابل اندازه‌گیری و توصیف است. حساسیت (true positive rate) به معنی نسبتی از موارد مثبت است که آزمایش آن‌ها را به درستی به عنوان مثبت علامت‌گذاری می‌کند. تشخیص (true negative rate) به معنی نسبتی از موارد منفی است که آزمایش آن‌ها را به درستی به عنوان منفی علامت‌گذاری می‌کند.

مثبت صحیح (True Positive): شخص بیمار، به درستی بیمار تشخیص داده شود.

مثبت کاذب (False Positive): شخص سالم، به اشتباه بیمار تشخیص داده شود.

منفی صحیح(True Negative): شخص سالم، به درستی سالم تشخیص داده شود.

منفی کاذب(False Negative): شخص بیمار، به اشتباه سالم تشخیص داده شود.

به بیان ریاضی، حساسیت حاصل تقسیم موارد مثبت واقعی به حاصل جمع موارد مثبت واقعی و موارد منفی کاذب است.

${\displaystyle {\text{sensitivity}}={\frac {\text{number of true positives}}{{\text{number of true positives}}+{\text{number of false negatives}}}}}$

به همین شکل، تشخیص حاصل تقسیم موارد منفی واقعی به حاصل جمع موارد منفی واقعی و مثبت کاذب است.

${\displaystyle {\text{specificity}}={\frac {\text{number of true negatives}}{{\text{number of true negatives}}+{\text{number of false positives}}}}}$

حساسیت و تشخیص یک آزمایش تنها به ماهیت آزمایش و نمونه‌ای که آزمایش در آن استفاده می‌شود بستگی دارد. با این حال، فقط با استفاده از حساسیت و ویژگی نمی‌توان نتیجه یک آزمایش را تعبیر کرد. به عنوان مثال، اگر نتیجه آزمایش خون یک بیمار حاکی از ابتلای وی به یک بیماری باشد و این آزمایش حساسیت ۹۰ درصد و ویژگی ۹۶ درصد داشته باشد، پزشک نمی‌تواند فقط با داشتن این دو مشخص کند که چند درصد احتمال دارد که بیمار واقعاً به آن بیماری مبتلا باشد. برای چنین منظوری، باید ارزش اخباری مثبت (یا ارزش اخباری منفی در صورت منفی بودن نتیجه آزمایش) را در نظر گرفت. ارزش اخباری یک آزمایش، علاوه بر ماهیت آزمایش و نمونه، به شیوع پدیدهٔ مورد آزمایش در جامعهٔ آماری هم بستگی دارد.

${\displaystyle {\text{positive predictive value}}={\frac {\text{number of true positives}}{{\text{number of true positives}}+{\text{number of false positive}}}}}$

${\displaystyle {\text{negative predictive value}}={\frac {\text{number of true negatives}}{{\text{number of true negatives}}+{\text{number of false negative}}}}}$