Калькулятор посттестовой вероятности

Посттестовая вероятность — это пересмотренная вероятность того, что у пациента есть заболевание после получения результата диагностического теста. Она рассчитывается с помощью теоремы Байеса, которая формально обновляет представления с учетом новых данных. Этот калькулятор реализует базовую рамку диагностической точности, используемую в доказательной медицине, клинической поддержке принятия решений и медицинском образовании. Требуются три входных значения: (1) априорная вероятность — предтестовая вероятность или распространённость заболевания до тестирования; (2) чувствительность — истинно положительная доля, то есть вероятность положительного результата при наличии заболевания; и (3) специфичность — истинно отрицательная доля, то есть вероятность отрицательного результата при отсутствии заболевания. Для положительного результата посттестовая вероятность равна положительной прогностической ценности (PPV), которая вычисляется как: PPV = (sensitivity × prior) / (sensitivity × prior + (1−specificity) × (1−prior)). Для отрицательного результата вероятность заболевания равна 1 − NPV, где NPV = (specificity × (1−prior)) / (specificity × (1−prior) + (1−sensitivity) × prior). Отношения правдоподобия (LR) предлагают ещё один способ обновлять вероятности. LR+ = sensitivity / (1−specificity) показывает, насколько положительный результат увеличивает шансы заболевания. LR− = (1−sensitivity) / specificity показывает, насколько отрицательный результат уменьшает шансы. Практическое правило: LR+ выше 10 или LR− ниже 0.1 указывает на очень сильный диагностический тест. Один из самых неочевидных результатов в медицинской статистике — эффект базовой частоты: даже очень точный тест имеет низкий PPV, когда заболевание редкое. Например, тест с чувствительностью 99% и специфичностью 99%, применённый к заболеванию с распространённостью 0.1%, даст PPV лишь около 9%. Это означает, что 91% положительных результатов — ложноположительные, что критически важно для массового скрининга. Этот калькулятор полезен клиницистам, интерпретирующим диагностические результаты, исследователям, разрабатывающим скрининговые протоколы, студентам-медикам, изучающим байесовское мышление, и эпидемиологам, оценивающим качество тестов при разных уровнях распространённости. Всегда помните, что априорную вероятность следует оценивать по лучшим доступным данным: опубликованной распространённости, анамнезу, результатам физикального осмотра и факторам риска пациента. Качество вашей посттестовой оценки напрямую зависит от точности априорной оценки и достоверности опубликованных значений чувствительности и специфичности теста.