القيم التنبؤية الإيجابية والسلبية

القيم التنبؤية الإيجابية والسلبية ( PPV و NPV على التوالي) هي نسب النتائج الإيجابية والسلبية في الإحصائيات والاختبارات التشخيصية التي هي نتائج إيجابية وسلبية حقيقية على التوالي. ^[1] تصف PPV و NPV أداء اختبار تشخيصي أو مقياس إحصائي آخر. يمكن تفسير النتيجة العالية على أنها تشير إلى دقة مثل هذه الإحصائية. PPV و NPV ليسا جوهريين للاختبار (مثل معدل الإيجابية الحقيقية ومعدل السلبية الحقيقية ) ؛ فهي تعتمد أيضًا على الانتشار . ^[2] يمكن اشتقاق كل من PPV و NPV باستخدام نظرية بايز .

على الرغم من استخدامها أحيانًا كمرادفات، فإن القيمة التنبؤية الإيجابية تشير عمومًا إلى ما تم تحديده بواسطة مجموعات التحكم، في حين يشير الاحتمال بعد الاختبار إلى احتمالية الفرد. ومع ذلك، إذا كانت احتمالية الفرد قبل الاختبار للحالة المستهدفة هي نفس الانتشار في مجموعة التحكم المستخدمة لتحديد القيمة التنبؤية الإيجابية، فإن الاثنين متساويان عدديًا.

في استرجاع المعلومات ، غالبًا ما تسمى إحصائية PPV بالدقة .

تعريف

القيمة التنبؤية الإيجابية (PPV)

القيمة التنبؤية الإيجابية (PPV)، أو الدقة ، يتم تعريفها على أنها

{\text{PPV}}={\frac {\text{Number of true positives}}{{\text{Number of true positives}}+{\text{Number of false positives}}}}={\frac {\text{Number of true positives}}{\text{Number of positive calls}}}

حيث أن " الإيجابية الحقيقية " هي الحدث الذي يقوم فيه الاختبار بتنبؤ إيجابي، ويكون لدى الشخص نتيجة إيجابية بموجب المعيار الذهبي ، و" الإيجابية الكاذبة " هي الحدث الذي يقوم فيه الاختبار بتنبؤ إيجابي، ويكون لدى الشخص نتيجة سلبية بموجب المعيار الذهبي. القيمة المثالية لـ PPV، مع اختبار مثالي، هي 1 (100%)، وأسوأ قيمة ممكنة هي صفر.

يمكن أيضًا حساب القيمة التنبؤية الإيجابية من خلال الحساسية والنوعية وانتشار الحالة :

{\text{PPV}}={\frac {{\text{sensitivity}}\times {\text{prevalence}}}{{\text{sensitivity}}\times {\text{prevalence}}+(1-{\text{specificity}})\times (1-{\text{prevalence}})}}

راجع نظرية بايز

المكمل لـ PPV هو معدل الاكتشاف الكاذب (FDR):

{\text{FDR}}=1-{\text{PPV}}={\frac {\text{Number of false positives}}{{\text{Number of true positives}}+{\text{Number of false positives}}}}={\frac {\text{Number of false positives}}{\text{Number of positive calls}}}

القيمة التنبؤية السلبية (NPV)

يتم تعريف القيمة التنبؤية السلبية على النحو التالي:

{\text{NPV}}={\frac {\text{Number of true negatives}}{{\text{Number of true negatives}}+{\text{Number of false negatives}}}}={\frac {\text{Number of true negatives}}{\text{Number of negative calls}}}

حيث أن " السلبية الحقيقية " هي الحدث الذي يقوم فيه الاختبار بتنبؤ سلبي، ويكون لدى الشخص نتيجة سلبية بموجب المعيار الذهبي، و" السلبية الكاذبة " هي الحدث الذي يقوم فيه الاختبار بتنبؤ سلبي، ويكون لدى الشخص نتيجة إيجابية بموجب المعيار الذهبي. مع الاختبار المثالي، الذي لا يعطي نتائج سلبية كاذبة، تكون قيمة القيمة الحالية الصافية 1 (100%)، ومع الاختبار الذي لا يعطي نتائج سلبية حقيقية تكون قيمة القيمة الحالية الصافية صفرًا.

يمكن أيضًا حساب القيمة الحالية الصافية من الحساسية والنوعية والانتشار :

{\text{NPV}}={\frac {{\text{specificity}}\times (1-{\text{prevalence}})}{{\text{specificity}}\times (1-{\text{prevalence}})+(1-{\text{sensitivity}})\times {\text{prevalence}}}}

{\text{NPV}}={\frac {TN}{TN+FN}}

المكمل للقيمة الحالية الصافية هومعدل الإغفال الخاطئ (FOR):

{\text{FOR}}=1-{\text{NPV}}={\frac {\text{Number of false negatives}}{{\text{Number of true negatives}}+{\text{Number of false negatives}}}}={\frac {\text{Number of false negatives}}{\text{Number of negative calls}}}

على الرغم من استخدامها أحيانًا كمرادف، فإن القيمة التنبؤية السلبية تشير عمومًا إلى ما تم تحديده بواسطة مجموعات التحكم، في حين أن الاحتمالية السلبية بعد الاختبار تشير إلى احتمالية الفرد. ومع ذلك، إذا كانت احتمالية الفرد قبل الاختبار للحالة المستهدفة هي نفس الانتشار في مجموعة التحكم المستخدمة لتحديد القيمة التنبؤية السلبية، فإن الاثنين متساويان عدديًا.

علاقة

يوضح الرسم البياني التالي كيفية ارتباط القيمة التنبؤية الإيجابية ، والقيمة التنبؤية السلبية ، والحساسية، والخصوصية .

		الحالة المتوقعة		^{المصادر:}^[3]^[4]^[5]^[6]^[7]^[8]^[9]^[10] ^{منظر يتحدث يحرر}
	إجمالي السكان $= P + N$	توقع إيجابي (PP)	متوقع سلبي (PN)	المعرفة ، معرفة وكيل المراهنات (BM) $= TPR + TNR - 1$	عتبة الانتشار $($ PT) $= \sqrt TPR \times FPR - FPR / TPR - FPR ⁠$
الحالة الفعلية	موجب (ص) ^[أ]	إيجابي حقيقي (TP)، ضرب ^[b]	سلبي كاذب (FN)، خطأ، تقدير أقل من الحقيقة	معدل الإيجابية الحقيقية (TPR)، التذكير ، الحساسية ( $SEN$ )، احتمالية الكشف، معدل الإصابة، القوة $= TP / ص =$ $1 - FNR$	معدل النتائج السلبية الكاذبة (FNR)، معدل الخطأ من النوع الثاني ^[c] $= ⁠ ف ن / ص =$ $1 - TPR$
الحالة الفعلية	سلبي (ن) ^[د]	إيجابي كاذب (FP)، إنذار كاذب، تقدير مبالغ فيه	سلبي صحيح (TN)، رفض صحيح ^[e]	معدل الإيجابيات الكاذبة (FPR)، احتمال الإنذار الكاذب، خطأ النوع الأول من التساقط^[f] $= ⁠ ف ب / ن =$ $1 - TNR$	معدل السلبية الحقيقية (TNR)، والخصوصية (SPC)، $والانتقائية$ $= تينيسي / ن =$ $1 - FPR$
	الانتشار $= ⁠ ص / ص + ن ⁠$	القيمة التنبؤية الإيجابية $($ PPV)، الدقة $= TP / ب ب =$ $1 - FDR$	معدل الإغفال الكاذب (FOR) $= ⁠ ف ن / رقم الصنف =$ $1 - القيمة الحالية الصافية$	نسبة الاحتمالية الإيجابية $($ LR+) $= TPR / فبر ⁠$	نسبة الاحتمالية السلبية (LR−) $= ⁠ فنر / تي إن آر ⁠$
	الدقة (ACC) $= ⁠ TP + TN / ص + ن ⁠$	معدل الاكتشاف الكاذب $($ FDR) $= ف ب / ب ب =$ $1 - PPV$	القيمة التنبؤية السلبية $($ NPV) $= تينيسي / رقم الصنف =$ $1 - ل$	العلامة (MK)، دلتا (Δp) $= القيمة التراكمية الإيجابية + القيمة الصافية الحالية - 1$	نسبة احتمالات التشخيص (DOR $)$ $= LR+ / LR- ⁠$
	الدقة المتوازنة (BA $)$ $= TPR + TNR / 2 ⁠$	درجة F ₁ $= ⁠ 2 PPV \times TPR / PPV + TPR$ $=$ $⁠$ $$ $2 نقطة اتصال / 2 نقطة اتصال + نقطة اتصال + نقطة اتصال ⁠$	مؤشر فاولكس-مالوز (FM) $= \sqrt PPV \times TPR$	معامل ارتباط ماثيوز (MCC) $= \sqrt TPR \times TNR \times PPV \times NPV$ $- \sqrt FNR \times FPR \times FOR \times FDR$	درجة التهديد (TS)، مؤشر النجاح الحرج (CSI)، مؤشر $جاكارد$ $= TP / TP + FN + FP ⁠$

^ عدد الحالات الإيجابية الحقيقية في البيانات
^ نتيجة اختبار تشير بشكل صحيح إلى وجود حالة أو خاصية
^ خطأ من النوع الثاني: نتيجة اختبار تشير بشكل خاطئ إلى عدم وجود حالة أو سمة معينة
^ عدد الحالات السلبية الحقيقية في البيانات
^ نتيجة اختبار تشير بشكل صحيح إلى عدم وجود حالة أو خاصية
^ خطأ من النوع الأول: نتيجة اختبار تشير بشكل خاطئ إلى وجود حالة أو سمة معينة

لاحظ أنه لا يمكن تقدير القيم التنبؤية الإيجابية والسلبية إلا باستخدام البيانات من دراسة مقطعية أو دراسة أخرى قائمة على السكان يمكن من خلالها الحصول على تقديرات انتشار صالحة . وعلى النقيض من ذلك، يمكن تقدير الحساسية والخصوصية من دراسات الحالات والشواهد .

مثال عملي

افترض أن اختبار فحص الدم الخفي في البراز (FOB) يستخدم في عام 2030 للبحث عن سرطان الأمعاء:

		نتيجة اختبار فحص الدم الخفي في البراز		^{منظر يتحدث يحرر}
	إجمالي السكان (السكان) = 2030	نتيجة الاختبار إيجابية	نتيجة الاختبار سلبية	الدقة (ACC) = (TP + TN) / عدد السكان = (20 + 1820) / 2030 ≈ 90.64%	درجة ف ₁ = 2 ×الدقة × التذكير/الدقة + التذكير≈ 0.174
مرضى سرطان الأمعاء (كما تم تأكيده بالتنظير الداخلي )	الحالة الفعلية الإيجابية (AP) = 30 (2030 × 1.48%)	الموجب الحقيقي (TP) = 20 (2030 × 1.48% × 67%)	سلبي كاذب (FN) = 10 (2030 × 1.48% × (100% − 67%) )	معدل الإيجابية الحقيقية (TPR)، التذكير ، الحساسية = TP / AP = 20 / 30 ≈ 66.7%	معدل النتائج السلبية الكاذبة (FNR)، معدل الخطأ = FN / AP = 10 / 30 ≈ 33.3%
مرضى سرطان الأمعاء (كما تم تأكيده بالتنظير الداخلي )	الحالة الفعلية سلبية (AN) = 2000 (2030 × (100% − 1.48%) )	النتيجة الإيجابية الكاذبة (FP) = 180 (2030 × (100% − 1.48%) × (100% − 91%) )	القيمة السلبية الحقيقية (TN) = 1820 (2030 × (100% − 1.48%) × 91%)	معدل الإيجابيات الكاذبة (FPR)، التساقط ، احتمالية الإنذار الكاذب = FP / AN = 180 / 2000 = 9.0%	الخصوصية ، الانتقائية، معدل السلبية الحقيقية (TNR) = TN / AN = 1820 / 2000 = 91%
	انتشار = AP / pop. = 30 / 2030 ≈ 1.48%	القيمة التنبؤية الإيجابية (PPV)، الدقة = TP / (TP + FP) = 20 / (20 + 180) = 10%	معدل الإغفال الكاذب (FOR) = FN / (FN + TN) = 10 / (10 + 1820) ≈ 0.55%	نسبة الاحتمالية الإيجابية (LR+) = ⁠TPR/فبر⁠ = (20 / 30) / (180 / 2000) ≈ 7.41	نسبة الاحتمالية السلبية (LR−) = ⁠فنر/تي إن آر⁠ = (10 / 30) / (1820 / 2000) ≈ 0.366
		معدل الاكتشاف الكاذب (FDR) = FP / (TP + FP) = 180 / (20 + 180) = 90.0%	القيمة التنبؤية السلبية (NPV) = TN / (FN + TN) = 1820 / (10 + 1820) ≈ 99.45%	نسبة احتمالات التشخيص (DOR) = ⁠LR+/LR-≈ 20.2

تشير القيمة التنبؤية الإيجابية الصغيرة (PPV = 10%) إلى أن العديد من النتائج الإيجابية لهذا الإجراء الاختباري هي نتائج إيجابية كاذبة. وبالتالي سيكون من الضروري متابعة أي نتيجة إيجابية باختبار أكثر موثوقية للحصول على تقييم أكثر دقة فيما يتعلق بوجود السرطان. ومع ذلك، قد يكون مثل هذا الاختبار مفيدًا إذا كان غير مكلفًا ومريحًا. تكمن قوة اختبار فحص FOB بدلاً من ذلك في قيمته التنبؤية السلبية - والتي إذا كانت سلبية بالنسبة للفرد، تمنحنا ثقة عالية في أن نتيجته السلبية صحيحة.

المشاكل

عوامل فردية أخرى

لاحظ أن القيمة التنبؤية الإيجابية ليست جوهرية للاختبار - فهي تعتمد أيضًا على الانتشار. ^[2] نظرًا للتأثير الكبير للانتشار على القيم التنبؤية، فقد تم اقتراح نهج موحد، حيث يتم تطبيع القيمة التنبؤية الإيجابية إلى انتشار بنسبة 50٪. ^[11] القيمة التنبؤية الإيجابية تتناسب بشكل مباشر ^{[ مشكوك فيه - ناقش ]} مع انتشار المرض أو الحالة. في المثال أعلاه، إذا كانت مجموعة الأشخاص الذين تم اختبارهم قد تضمنت نسبة أعلى من الأشخاص المصابين بسرطان الأمعاء، فربما تكون القيمة التنبؤية الإيجابية أعلى والقيمة التنبؤية السلبية أقل. إذا كان كل فرد في المجموعة مصابًا بسرطان الأمعاء، فإن القيمة التنبؤية الإيجابية ستكون 100٪ والقيمة التنبؤية السلبية 0٪. ^{[ بحاجة لمصدر ]}

للتغلب على هذه المشكلة، يجب استخدام NPV وPPV فقط إذا كانت نسبة عدد المرضى في مجموعة المرض وعدد المرضى في مجموعة المراقبة الصحية المستخدمة لتحديد NPV وPPV تعادل انتشار الأمراض في السكان المدروسين، أو في حالة مقارنة مجموعتين مرضيتين، إذا كانت نسبة عدد المرضى في مجموعة المرض 1 وعدد المرضى في مجموعة المرض 2 تعادل نسبة انتشار المرضين المدروسين. خلاف ذلك، تكون نسب الاحتمالية الإيجابية والسلبية ^أكثردقة من NPV وPPV، لأن نسب الاحتمالية لا تعتمد على ^{الانتشار}^.

عندما يكون لدى الفرد الذي يتم اختباره احتمالية مختلفة قبل الاختبار للإصابة بحالة ما عن المجموعات الضابطة المستخدمة لتحديد القيمة التنبؤية الإيجابية والقيمة الحالية الصافية، يتم تمييز القيمة التنبؤية الإيجابية والقيمة الحالية الصافية بشكل عام عن الاحتمالات الإيجابية والسلبية بعد الاختبار ، حيث تشير القيمة التنبؤية الإيجابية والقيمة الحالية الصافية إلى تلك التي حددتها المجموعات الضابطة، وتشير احتمالات ما بعد الاختبار إلى تلك الخاصة بالفرد الذي تم اختباره (كما هو مقدر، على سبيل المثال، من خلال نسب الاحتمالية ). ويفضل في مثل هذه الحالات دراسة مجموعة كبيرة من الأفراد المكافئين، من أجل تحديد قيم تنبؤية إيجابية وسلبية منفصلة لاستخدام الاختبار في هؤلاء الأفراد. ^{[ بحاجة لمصدر ]}

التحديث البايزي

تفرض نظرية بايز قيودًا متأصلة على دقة اختبارات الفحص كدالة لانتشار المرض أو احتمالية الاختبار المسبق. وقد ثبت أن نظام الاختبار يمكن أن يتحمل انخفاضات كبيرة في الانتشار، حتى نقطة معينة محددة جيدًا تُعرف باسم عتبة الانتشار ، والتي تنخفض تحتها موثوقية اختبار الفحص الإيجابي بشكل حاد. ومع ذلك، أظهر بالايلا وآخرون ^[12] أن الاختبار المتسلسل يتغلب على القيود البايزية المذكورة أعلاه وبالتالي يحسن موثوقية اختبارات الفحص. للحصول على قيمة تنبؤية إيجابية مرغوبة ، حيث ، تقترب من بعض الثوابت ، فإن عدد تكرارات الاختبار الإيجابية المطلوبة هو: $\rho$ $\rho <1$ $k$ $n_{i}$

n_{i}=\lim _{k\to \rho }\left\lceil {\frac {\ln \left[{\frac {k(\phi -1)}{\phi (k-1)}}\right]}{\ln \left[{\frac {a}{1-b}}\right]}}\right\rceil

أين

$\rho$ هو PPV المطلوب
$n_{i}$ هو عدد تكرارات الاختبار اللازمة لتحقيق $\rho$
$a$ هي الحساسية
$b$ هي الخصوصية
$\phi$ هو انتشار المرض

من الجدير بالملاحظة أن مقام المعادلة أعلاه هو اللوغاريتم الطبيعي لنسبة الاحتمالية الإيجابية (LR+). لاحظ أيضًا أن الافتراض الحاسم هو أن الاختبارات يجب أن تكون مستقلة. وكما وصف Balayla et al. ^[12] ، فإن تكرار نفس الاختبار قد ينتهك افتراض الاستقلال هذا وفي الواقع "ستكون الطريقة الأكثر طبيعية وموثوقية لتعزيز القيمة التنبؤية الإيجابية، عند توفرها، هي استخدام اختبار مختلف بمعلمات مختلفة تمامًا بعد الحصول على نتيجة إيجابية أولية." ^[12] .

ظروف هدف مختلفة

تُستخدم القيمة التنبؤية الإيجابية للإشارة إلى احتمالية إصابة المريض بالمرض المحدد في حالة الاختبار الإيجابي. ومع ذلك، قد يكون هناك أكثر من سبب واحد للمرض وقد لا يؤدي أي سبب محتمل واحد دائمًا إلى المرض الواضح الذي يُرى لدى المريض. هناك احتمال لخلط الحالات المستهدفة ذات الصلة بالقيمة التنبؤية الإيجابية والقيمة التنبؤية الحالية، مثل تفسير القيمة التنبؤية الإيجابية أو القيمة التنبؤية الحالية للاختبار على أنها مرض، عندما تشير قيمة القيمة التنبؤية الإيجابية أو القيمة التنبؤية الحالية في الواقع فقط إلى الاستعداد للإصابة بهذا المرض. ^{[ بحاجة لمصدر ]}

ومن الأمثلة على ذلك مسحة الحلق الميكروبيولوجية المستخدمة في المرضى الذين يعانون من التهاب الحلق . وعادةً ما تشير المنشورات التي تنص على القيمة التنبؤية الإيجابية لمسحة الحلق إلى احتمال وجود هذه البكتيريا في الحلق، بدلاً من أن يكون المريض مريضًا بسبب البكتيريا الموجودة. وإذا كان وجود هذه البكتيريا يؤدي دائمًا إلى التهاب الحلق، فإن القيمة التنبؤية الإيجابية ستكون مفيدة للغاية. ومع ذلك، قد تستعمر البكتيريا الأفراد بطريقة غير ضارة ولا تؤدي أبدًا إلى الإصابة بعدوى أو مرض. يحدث التهاب الحلق لدى هؤلاء الأفراد بسبب عوامل أخرى مثل الفيروس. في هذه الحالة، يمثل المعيار الذهبي المستخدم في دراسة التقييم وجود البكتيريا فقط (التي قد تكون غير ضارة) ولكن ليس مرض التهاب الحلق البكتيري السببي. ويمكن إثبات أن هذه المشكلة ستؤثر على القيمة التنبؤية الإيجابية أكثر بكثير من القيمة التنبؤية السلبية. ^[13] لتقييم الاختبارات التشخيصية حيث ينظر المعيار الذهبي فقط إلى الأسباب المحتملة للمرض، يمكن للمرء استخدام امتداد للقيمة التنبؤية يسمى القيمة التنبؤية السببية. ^[14]^[15]

انظر أيضا

مراجع

^ فليتشر، روبرت هـ. فليتشر؛ سوزان دبليو. (2005). علم الأوبئة السريرية: الأساسيات (الطبعة الرابعة). بالتيمور، ماريلاند: ليبينكوت ويليامز وويلكينز. ص 45. رقم ISBN 0-7817-5215-9.{{cite book}}: CS1 maint: multiple names: authors list (link)
^ ab Altman, DG; Bland, JM (1994). "الاختبارات التشخيصية 2: القيم التنبؤية". BMJ . 309 (6947): 102. doi :10.1136/bmj.309.6947.102. PMC 2540558. PMID 8038641 .
^ Fawcett, Tom (2006). "مقدمة إلى تحليل ROC" (PDF) . رسائل التعرف على الأنماط . 27 (8): 861–874. doi :10.1016/j.patrec.2005.10.010. S2CID 2027090.
^ بروفوست، فوستر؛ توم فوسيت (2013-08-01). "علم البيانات للأعمال: ما تحتاج إلى معرفته حول استخراج البيانات والتفكير التحليلي للبيانات". أوريلي ميديا، إنك .
^ باورز، ديفيد إم دبليو (2011). "التقييم: من الدقة والاستدعاء ومقياس F إلى معدل العائد على الاستثمار، والوعي، والتميز والارتباط". مجلة تقنيات التعلم الآلي . 2 (1): 37-63.
^ تينج، كاي مينج (2011). ساموت، كلود؛ ويب، جيفري آي. (المحررون). موسوعة التعلم الآلي . سبرينغر. doi :10.1007/978-0-387-30164-8. ISBN 978-0-387-30164-8.
^ بروكس، هارولد؛ براون، بارب؛ إيبرت، بيث؛ فيرو، كريس؛ جوليف، إيان؛ كوه، تيه يونج؛ رويبر، بول؛ ستيفنسون، ديفيد (2015-01-26). "مجموعة العمل المشتركة لبرنامج بحوث الطقس والمناخ العالمي/برنامج بحوث المناخ العالمي المعني بأبحاث التحقق من التوقعات". التعاون من أجل أبحاث الطقس والمناخ الأسترالية . المنظمة العالمية للأرصاد الجوية . تم الاسترجاع في 2019-07-17 .
^ Chicco D, Jurman G (يناير 2020). "مزايا معامل ارتباط ماثيوز (MCC) على درجة F1 والدقة في تقييم التصنيف الثنائي". BMC Genomics . 21 (1): 6-1–6-13. doi : 10.1186/s12864-019-6413-7 . PMC 6941312. PMID 31898477 .
^ Chicco D, Toetsch N, Jurman G (فبراير 2021). "معامل ارتباط ماثيوز (MCC) أكثر موثوقية من الدقة المتوازنة، ومعلومات صانع المراهنات، والوضوح في تقييم مصفوفة الارتباك ذات الفئتين". BioData Mining . 14 (13): 13. doi : 10.1186/s13040-021-00244-z . PMC 7863449. PMID 33541410 .
^ ثروت أ. (أغسطس 2018). "طرق تقييم التصنيف". الحوسبة التطبيقية والمعلوماتية . 17 : 168-192. doi : 10.1016/j.aci.2018.08.003 .
^ هيستون، توماس ف. (2011). "توحيد القيم التنبؤية في أبحاث التصوير التشخيصي". مجلة التصوير بالرنين المغناطيسي . 33 (2): 505، رد المؤلف 506-7. doi : 10.1002/jmri.22466 . PMID 21274995.
^ abc Jacques Balayla. Bayesian Updating and Sequential Testing: Overcoming Inferential Limitations of Screening Tests. BMC Med Inform Decis Mak 22, 6 (2022). https://doi.org/10.1186/s12911-021-01738-w
^ أوردا، أولريش؛ جونارسون، روني ك؛ أوردا، سابين؛ فيتزجيرالد، مارك؛ روف، جيفري؛ دارجان، آنا (2016). "القيمة التنبؤية السببية لاختبار مناعي سريع للكشف عن مستضد العقدية المجموعة أ من مسحات الحلق لدى المرضى الذين يعانون من التهاب الحلق" (ملف PDF) . المجلة الدولية للأمراض المعدية . 45 (أبريل): 32-5. doi : 10.1016/j.ijid.2016.02.002 . PMID 26873279.
^ Gunnarsson, Ronny K.; Lanke, Jan (2002). "القيمة التنبؤية لاختبارات التشخيص الميكروبيولوجية في حالة وجود حاملين بدون أعراض". إحصائيات في الطب . 21 (12): 1773–85. doi :10.1002/sim.1119. PMID 12111911. S2CID 26163122.
^ Gunnarsson, Ronny K. "حاسبة EPV". Science Network TV .

Original text

Rate this translation

Your feedback will be used to help improve Google Translate

[11] عدد الحالات الإيجابية الحقيقية في البيانات

[12] نتيجة اختبار تشير بشكل صحيح إلى وجود حالة أو خاصية

[13] خطأ من النوع الثاني: نتيجة اختبار تشير بشكل خاطئ إلى عدم وجود حالة أو سمة معينة

[14] عدد الحالات السلبية الحقيقية في البيانات

[15] نتيجة اختبار تشير بشكل صحيح إلى عدم وجود حالة أو خاصية

[16] خطأ من النوع الأول: نتيجة اختبار تشير بشكل خاطئ إلى وجود حالة أو سمة معينة

[1] فليتشر، روبرت هـ. فليتشر؛ سوزان دبليو. (2005). علم الأوبئة السريرية: الأساسيات (الطبعة الرابعة). بالتيمور، ماريلاند: ليبينكوت ويليامز وويلكينز. ص 45. رقم ISBN 0-7817-5215-9.{{cite book}}: CS1 maint: multiple names: authors list (link)

[AltmanBland1994-2] Altman, DG; Bland, JM (1994). "الاختبارات التشخيصية 2: القيم التنبؤية". BMJ . 309 (6947): 102. doi :10.1136/bmj.309.6947.102. PMC 2540558. PMID 8038641 .

[3] Fawcett, Tom (2006). "مقدمة إلى تحليل ROC" (PDF) . رسائل التعرف على الأنماط . 27 (8): 861–874. doi :10.1016/j.patrec.2005.10.010. S2CID 2027090.

[4] بروفوست، فوستر؛ توم فوسيت (2013-08-01). "علم البيانات للأعمال: ما تحتاج إلى معرفته حول استخراج البيانات والتفكير التحليلي للبيانات". أوريلي ميديا، إنك .

[5] باورز، ديفيد إم دبليو (2011). "التقييم: من الدقة والاستدعاء ومقياس F إلى معدل العائد على الاستثمار، والوعي، والتميز والارتباط". مجلة تقنيات التعلم الآلي . 2 (1): 37-63.

[6] تينج، كاي مينج (2011). ساموت، كلود؛ ويب، جيفري آي. (المحررون). موسوعة التعلم الآلي . سبرينغر. doi :10.1007/978-0-387-30164-8. ISBN 978-0-387-30164-8.

[7] بروكس، هارولد؛ براون، بارب؛ إيبرت، بيث؛ فيرو، كريس؛ جوليف، إيان؛ كوه، تيه يونج؛ رويبر، بول؛ ستيفنسون، ديفيد (2015-01-26). "مجموعة العمل المشتركة لبرنامج بحوث الطقس والمناخ العالمي/برنامج بحوث المناخ العالمي المعني بأبحاث التحقق من التوقعات". التعاون من أجل أبحاث الطقس والمناخ الأسترالية . المنظمة العالمية للأرصاد الجوية . تم الاسترجاع في 2019-07-17 .

[8] Chicco D, Jurman G (يناير 2020). "مزايا معامل ارتباط ماثيوز (MCC) على درجة F1 والدقة في تقييم التصنيف الثنائي". BMC Genomics . 21 (1): 6-1–6-13. doi : 10.1186/s12864-019-6413-7 . PMC 6941312. PMID 31898477 .

[9] Chicco D, Toetsch N, Jurman G (فبراير 2021). "معامل ارتباط ماثيوز (MCC) أكثر موثوقية من الدقة المتوازنة، ومعلومات صانع المراهنات، والوضوح في تقييم مصفوفة الارتباك ذات الفئتين". BioData Mining . 14 (13): 13. doi : 10.1186/s13040-021-00244-z . PMC 7863449. PMID 33541410 .

[10] ثروت أ. (أغسطس 2018). "طرق تقييم التصنيف". الحوسبة التطبيقية والمعلوماتية . 17 : 168-192. doi : 10.1016/j.aci.2018.08.003 .

[17] هيستون، توماس ف. (2011). "توحيد القيم التنبؤية في أبحاث التصوير التشخيصي". مجلة التصوير بالرنين المغناطيسي . 33 (2): 505، رد المؤلف 506-7. doi : 10.1002/jmri.22466 . PMID 21274995.

[:0-18] Jacques Balayla. Bayesian Updating and Sequential Testing: Overcoming Inferential Limitations of Screening Tests. BMC Med Inform Decis Mak 22, 6 (2022). https://doi.org/10.1186/s12911-021-01738-w

[19] أوردا، أولريش؛ جونارسون، روني ك؛ أوردا، سابين؛ فيتزجيرالد، مارك؛ روف، جيفري؛ دارجان، آنا (2016). "القيمة التنبؤية السببية لاختبار مناعي سريع للكشف عن مستضد العقدية المجموعة أ من مسحات الحلق لدى المرضى الذين يعانون من التهاب الحلق" (ملف PDF) . المجلة الدولية للأمراض المعدية . 45 (أبريل): 32-5. doi : 10.1016/j.ijid.2016.02.002 . PMID 26873279.

[20] Gunnarsson, Ronny K.; Lanke, Jan (2002). "القيمة التنبؤية لاختبارات التشخيص الميكروبيولوجية في حالة وجود حاملين بدون أعراض". إحصائيات في الطب . 21 (12): 1773–85. doi :10.1002/sim.1119. PMID 12111911. S2CID 26163122.

[21] Gunnarsson, Ronny K. "حاسبة EPV". Science Network TV .