Ein Zustand mit zwei möglichen Ausprägungen, beispielsweise \(K\) für "krank" oder "positiv" und \(K^c\) für "gesund" oder "negativ", soll mithilfe eines Testverfahrens mit zwei möglichen Ergebnissen, beispielsweise \(T\) für "Diagnose krank" oder "Ergebnis positiv" und \(T^c\) für "Diagnose gesund" oder "Ergebnis negativ", ermittelt werden. Die Güte des Tests wird durch die folgenden Werte bestimmt.
Ist nun bei Anwendung des Tests der tatsächliche Zustand unbekannt, so werden je nach Testergebnis die folgenden Größen unterschieden:
Mit dem Satz von Bayes lassen sich Formeln zur Berechnung dieser Größen in Abhängigkeit von der Sensitivität \(p_{\text{se}}=P(T|K)\), der Spezifität \(p_{\text{sp}}=P(T^c|K^c)\) und der Prävalenz \(q=P(K)\) herleiten.
Der positive prädiktive Wert ist die bedingte Wahrscheinlichkeit \(P(K|T)\). Mit dem Satz von Bayes gilt \begin{align*} P(K|T) &=\frac{P(T|K)P(K)}{P(T|K)P(K)+P(T|K^c)P(K^c)}\\ &=\frac{P(T|K)P(K)}{P(T|K)P(K)+(1-P(T^c|K^c))(1-P(K))}\\ &=\frac{p_{\text{se}}q}{p_{\text{se}}q+(1-p_{\text{sp}})(1-q)}. \end{align*} Die Falscherkennungsrate \(P(K^c|T)\) ist die Gegenwahrscheinlichkeit des positiven prädiktiven Werts und somit gleich \begin{align*} P(K^c|T) &=1-P(K|T)\\ &=1-\frac{p_{\text{se}}q}{p_{\text{se}}q+(1-p_{\text{sp}})(1-q)}\\ &=\frac{(1-p_{\text{sp}})(1-q)}{p_{\text{se}}q+(1-p_{\text{sp}})(1-q)}. \end{align*} Der negative prädiktive Wert ist die bedingte Wahrscheinlichkeit \(P(K^c|T^c)\). Mit dem Satz von Bayes gilt \begin{align*} P(K^c|T^c) &=\frac{P(T^c|K^c)P(K^c)}{P(T^c|K)P(K)+P(T^c|K^c)P(K^c)}\\ &=\frac{P(T^c|K^c)(1-P(K))}{(1-P(T|K))P(K)+P(T^c|K^c)(1-P(K))}\\ &=\frac{p_{\text{sp}}(1-q)}{(1-p_{\text{se}})q+p_{\text{sp}}(1-q)}. \end{align*} Die Falschauslassungsrate \(P(K|T^c)\) ist die Gegenwahrscheinlichkeit des negativen prädiktiven Werts und somit gleich \begin{align*} P(K|T^c) &=1-P(K^c|T^c)\\ &=1-\frac{p_{\text{sp}}(1-q)}{(1-p_{\text{se}})q+p_{\text{sp}}(1-q)}\\ &=\frac{(1-p_{\text{se}})q}{(1-p_{\text{se}})q+p_{\text{sp}}(1-q)}. \end{align*}
Die folgende interaktive Grafik visualiert diese mathematischen Abhängigkeiten mithilfe von Kreisdiagrammen. Im linken Kreisdiagramm ist der positive prädiktive Wert in dunklem Blau und die Falscherkennungsrate in hellem Blau gezeichnet. Im rechten Kreisdiagramm ist der negative prädiktive Wert in dunklem Rot und die Falschauslassungsrate in hellem Rot gezeichnet. Die jeweiligen Zahlenwerte werden in der Tabelle angezeigt.
Verändern Sie die Werte von Sensitivität, Spezifität und Prävalenz über die Schieberegler oder die Eingabefelder.
positiver prädiktiver Wert | \(P(K|T)\) | |
Falscherkennungsrate | \(P(K^c|T)\) | |
negativer prädiktiver Wert | \(P(K^c|T^c)\) | |
Falschauslassungsrate | \(P(K|T^c)\) |
Beschreiben Sie mithilfe der interaktiven Grafik qualitativ die mathematischen Abhängigkeiten des positiven und negativen prädiktiven Werts von der Sensitivität, Spezifität und Prävalenz. Geben Sie in der Situation, dass ein medizinisches Testverfahren zur Diagnose einer Krankheit angewendet wird, jeweils eine anschauliche Erklärung für Ihre Beobachtungen.
Positiver prädiktiver Wert
Negativer prädiktiver Wert