導入
誤検知または誤警報は、実際には陰性であるにもかかわらず、誤って陽性と宣言された 2 つの選択肢 (陽性/陰性) の意思決定の結果です。結果は、仮説検定、自動分類アルゴリズム、または単に任意の選択から得られる場合があります。
探しているものがまれで、使用される検査が完全に特異的ではない場合、一般に、報告された陽性症例が実際には偽陽性である可能性が非常に高くなります。
偽陽性の概念は多くの分野で使用されています。
- 生物学と医学。
- コンピュータセキュリティ、ウイルス対策ソフトウェア、スパム対策フィルタ (フィルタによって不当に有害とみなされる有効なメッセージ)。
- ビデオ監視、イベント検出用。
- レーダー、目標探知用。
- より一般的には、二者択一の決定を必要とするあらゆる分野で使用されます。
偽陽性率の意味
たとえば、フランスで一般的に行われているダウン症候群のスクリーニングでは、検出率は 90%、偽陽性率は 5% です。
- 検出率90%ということは、ダウン症の胎児を妊娠している100人の女性がこの検査を受けた場合、平均して90件の異常妊娠が正しく特定され、10件は検出されないことを意味します。
- 対称的に、偽陽性率 5% は、正常な胎児を妊娠している 100 人の女性がこの検査を受けた場合、平均して 5 人が誤って異常妊娠と判定されることを意味します。
検出閾値とスクリーニング
テストの結果は、「正常」母集団に対しては特定の分布を持ち、「異常」母集団に対しては別の分布を持ちます。これらの結果は明らかに異なるため、このテストはさらに識別力が高くなりますが、一般に 2 つの分布は境界部分で重なっています。結果が重複する可能性がある領域では、検査が「陽性」または「陰性」と判断されるしきい値を設定する必要があります。
検出率が高く、偽陽性率が低いほど、検査の効果は高くなります。偽陽性率と検出率は両方とも、選択したしきい値によって異なりますが、逆に変化します。
- 簡単にトリガーできる「警報」しきい値を設定すると、テストの感度が向上します。つまり、検出率は向上します (より多くの異常が正しく検出されるため)。ただし、誤検知率も増加するという欠点があります (より多くの異常が検出されるため)。以前は限界に達していた正常なケースは異常とみなされます)。
- 逆に、より「慎重な」閾値を設定すると、検査の特異性が高まります。陽性とみなされる正常な症例が少なくなるため、偽陽性率は低下しますが、検出率も低下するという欠点があります（異常な症例が減少するため）。場合も考慮されます。
しきい値の選択は、テストで何を行いたいか、および誤検知によって表されるリスクと検出率が低いリスクの間のトレードオフによって決まります。
過剰診断のリスク
病気が稀であればあるほど、過剰診断のリスクが高くなります。したがって、 1,000 人を無作為に検査し、5% の偽陽性が生じる検査を行った場合、50 人にその検査が陽性であると伝えることになります。この病気が一般人口の 1,000 人に 1 人しか罹患しない場合、ベイズの定理によって、その人が実際に罹患する確率は (約) 2% のみであることがわかります (直感的には、51 人に発表し、そのうち 1 人だけが罹患しているとします)影響を受ける）。
この検査により、影響を受ける可能性のある集団を特定し、より正確な (そしてより高価な) 検査を実行できるようになります。しかし、不安や存在しない病気を治療するリスクが生じます（検査が「95％確実」であるという誤った意見に基づいて、実際に影響を受ける確率は非常に高いのですが、その一方で、その可能性は非常に低いためです）この病気はまれです）。
このため、希少疾患の定期的なスクリーニングは一般に考慮されていません。私たちはリスクにさらされている集団をターゲットにすることを好みます。
