📊🩺 اپیدمیولوژی |
چرا یک تست خوب همیشه به معنی تشخیص خوب نیست؟
فرض کنید بیماریای در یک جمعیت شیوع (Prevalence) پایینی دارد و یک تست تشخیصی با عملکرد بسیار خوب در اختیار داریم؛ مثلاً:
🔹 Sensitivity = 99٪
🔹 Specificity = 99٪
در نگاه اول ممکن است فکر کنیم اگر تست فردی مثبت شد، تقریباً قطعی است که او بیماری را دارد.
اما همیشه اینطور نیست! 🤔
فرض کنیم از ۱۰٬۰۰۰ نفر در یک جمعیت کمخطر آزمایش بگیریم و شیوع بیماری فقط ۱٪ باشد.
🧮 بنابراین:
▫️ ۱۰۰ نفر واقعاً بیمار هستند.
▫️ با حساسیت ۹۹٪، حدود ۹۹ نفر از آنها تست مثبت خواهند داشت.
اما از ۹۹۰۰ فرد سالم، با Specificity برابر ۹۹٪، حدود ۹۹ نفر نیز ممکن است بهاشتباه تست مثبت داشته باشند!
پس تقریباً:
🟥 True Positive = 99
🟨 False Positive = 99
یعنی از حدود ۱۹۸ تست مثبت، فقط ۹۹ مورد واقعاً بیمار هستند.
در نتیجه:
📌 PPV ≈ 50٪
یعنی حتی با تستی که Sensitivity و Specificity هر دو ۹۹٪ دارند، در یک جمعیت کمخطر، احتمال اینکه فردِ دارای تست مثبت واقعاً بیمار باشد میتواند بسیار پایینتر از چیزی باشد که انتظار داریم.
🧠 اینجا اهمیت یک مفهوم اساسی در اپیدمیولوژی مشخص میشود:
🔑 Predictive Value به Prevalence وابسته است.
هرچه بیماری در جمعیتی شایعتر باشد، احتمال اینکه یک نتیجه مثبت واقعاً نشاندهنده بیماری باشد (PPV) بیشتر میشود.
و برعکس، وقتی بیماری در جمعیت نادر باشد، حتی یک تست بسیار خوب هم میتواند تعداد قابل توجهی False Positive ایجاد کند.
✨ به همین دلیل، هنگام تفسیر یک نتیجه آزمایش نباید فقط به Sensitivity و Specificity نگاه کنیم؛ بلکه باید بپرسیم:
«این تست در چه جمعیتی و با چه احتمال اولیهای انجام شده است؟»
🩺 یک تست را نمیتوان جدا از جمعیتی که در آن استفاده میشود تفسیر کرد.
✍🏻 زهراضیا سیستانی
🌐 برای اطلاع از فعالیت ها و زمان انتشار مطالب کانال انجمن را دنبال کنید.
«انجمن علمی دانشجویان پزشکی تربت حیدریه»
🆔 @IMSA_THUMS
