Gerçekten Kanser misiniz?

71,8 B görüntülenme12.05.2019
Evrim AğacıBi' Başka Video
Bu Videonun YazısıOrtada Henüz Aşı Yokken Sürü Bağışıklığına Ulaşmaya Çalışırsak, Milyonlarca İnsan Ölebilir!
Derinlemesine

Özet

Video, kanser tarama testlerinin başarı oranları ile bir testin pozitif çıkması durumunda gerçekten hasta olma olasılığı arasındaki farkı gösteren basit bir Bayes mantığı örneği sunuyor. Örnek üzerinden prevalans (1000'de 1) ve test doğruluğu (%99) kullanılarak pozitif test sonucunun gerçekte hastalık taşıma olasılığının nasıl hesaplandığı ve bunun sonuçları açıklanıyor.

Terimler

  • kanser

    Videoda doğrudan tıbbi tanımı verilmese de bağlamı şu: bir hastalık olarak testin hedefi; örneğin ‘Türkiye'de kanserin görülme sıklığı 1000'de 1’ ifadesiyle her 1000 kişiden 1'inde kanser görüldüğü belirtilir.

  • kanserin görülme sıklığı

    Videoda örnek olarak verilen oran: 1000'de 1. Yani her 1000 kişiden 1'inde kanser görülüyor olması; testin yorumlanmasında nüfustaki bu temel oranın (prevalans/prior) önemi vurgulanır.

  • laboratuvar

    Videodaki bağlamda size kanser olup olmadığınızı söyleyen tıbbi testi yapan kurum; test sonuçlarını veren yer. Laboratuvarın sonuçları kusursuz değil ama örnekte 'şehrin en iyisi' olduğu ve %99 ihtimalle doğru sonuç verdiği söylenir.

  • testin doğruluk / başarı oranı

    Videoda laboratuvar için verilen: %99 ihtimalle doğru sonuç veriyor. Bu, hem kanser varsa testin kanseri tespit etme olasılığı (%99) hem de kanser yoksa testin negatif sonuç verme olasılığı (%99) şeklinde aktarılır.

  • doğru pozitif

    Videoda şöyle tanımlanır: Eğer kanseriniz varsa, laboratuvar %99 ihtimalle kanserinizi tespit ediyor. Buna doğru pozitif diyoruz.

  • doğru negatif

    Videoda şöyle tanımlanır: Eğer kanser değilseniz, laboratuvar sonuçları %99 ihtimalle negatif geliyor. Buna doğru negatif diyoruz.

  • hatalı pozitif (Tip-1 Hata)

    Videoda şöyle açıklanır: %1 ihtimalle laboratuvar hata yapıyor; yani aslında siz kanser değilken bile kanser olduğunuzu söylüyor. Buna hatalı pozitif veya Tip-1 Hata diyoruz.

  • hatalı negatif (Tip-2 Hata)

    Videoda şöyle açıklanır: %1 ihtimalle laboratuvar hata yapıyor; yani eğer kanserseniz, kanser olmadığınızı söylüyor. Buna hatalı negatif veya Tip-2 Hata diyoruz.

  • pozitif test sonucu

    Videoda kullanılan anlamıyla: laboratuvarın test sonucunun 'pozitif' çıkması, testin size 'kanseriniz var' dediği durumu ifade eder. Örnekte 5000 kişide 55 pozitif sonucu ve bu 55'ten yalnızca 5'inin gerçekten hasta olduğu gösterilir.

  • negatif test sonucu

    Videoda kullanılan anlamıyla: laboratuvarın test sonucunun 'negatif' çıkması, testin size 'kanseriniz yok' dediği durumu ifade eder.

  • olasılık matematiği

    Videoda kısaca vurgulandığı üzere: ihtimallerin nasıl hesaplandığına dair matematik; tekil yüzdelerin (örneğin testin %1 hata yapma oranı) doğrudan yorumlanamayacağı, nüfus içindeki görülme sıklığıyla birlikte değerlendirilmesi gerektiğini gösterir. ('Olasılık matematiği bu şekilde çalışmıyor!' ifadesiyle anlatılır.)

  • tekil olasılık

    Videoda uyarıldığı şekliyle:tek başına verilen bir olasılık değeri (ör. testin %1 hata yapma olasılığı) ile sonucun gerçek durumu (ör. pozitif test aldığınızda gerçekte hasta olma ihtimali) karıştırılmamalıdır; tekil olasılıkların ne anlama geldiğinin iyi düşünülmesi gerektiği vurgulanır.

  • tekrar test / ikinci görüş

    Videoda açıklanan uygulama: aynı testin aynı laboratuvarda tekrar edilmesi veya ikinci/üçüncü bir laboratuvardan görüş alınması. Örnekte, ikinci bir laboratuvardan da pozitif sonuç alınırsa kanser olma ihtimalinin %9'dan %90'ın üzerine çıkabileceği; bu yüzden bazen bir kişiye testi birden fazla defa uygulandığı anlatılır.

  • isabetlilik (test isabeti)

    Videoda örnek verilen ifade: bazı modern testlerin %99.999 isabetliliğe sahip olduğu belirtilir. Burada 'isabetlilik', testin doğru sonuç verme oranının çok yüksek olması anlamında kullanılır.

  • kanıt / kanıt toplamak

    Videoda Bayes Teoremi bağlamında vurgulanan kavram: bir olgu veya gerçeklikle ilgili ne kadar çok kanıt toplarsak, onun gerçekliğinden o kadar emin olunur; ancak bu eminlik hiçbir zaman %100'e ulaşmayacaktır. Ayrıca Bayes Teoremi'nin kanıtları sonuçlara doğru şekilde bağlamayı öğrettiği belirtilir.

  • Bayes Teoremi

    Videoda doğrudan formül verilmeden şöyle anlatılır: Bilimin kalbinde yer alan, çok önemli bir matematiksel teorem. Temel prensibi olarak, eldeki kanıtları (test sonuçlarını) gerçeklik hakkındaki önceki bilgimizle doğru şekilde bağlayarak olasılıklarımızı güncellememizi sağlar. Videoda öğrenilen ana fikirler: daha çok kanıt topladıkça gerçekliğe olan eminliğimiz artar ama hiçbir zaman %100 olmaz; Bayes Teoremi bize kanıtlarımızı sonuçlarımıza doğru şekilde bağladığımızdan emin olmamızı ve her şeyi kesin bildiğimiz yanılgısına düşmememizi öğretir.

Doğru Bilinen Yanlışlar

  • Laboratuvarın %1 hata yapması, pozitif sonuç alınırsa gerçekte sağlıklı olma ihtimalinin %1 olduğu anlamına gelir.

    Testin %1 hata oranı, koşullu bir olasılıktır; P(sağlıklı|pozitif) hesaplanırken hastalığın popülasyondaki sıklığı (prevalans) da dikkate alınır, bu yüzden gerçek sağlıklı olma olasılığı örnekte ~%91'dir.

  • %99 doğruluk, pozitif olduğunuzda %99 hasta olduğunuz anlamına gelir.

    %99 duyarlılık/özgüllük testin hastalığa göre verdiği doğru sonuç oranlarını gösterir; bir pozitifin hastalık anlamına gelme olasılığına ulaşmak için Bayes teoremi ile prevalansı da kullanmak gerekir.

  • Tek bir pozitif test, hastalığınız olduğu konusunda yüksek güvence verir.

    Düşük prevalans koşullarında tek bir pozitif test çoğunlukla hatalı pozitif olabilir; bağımsız tekrarlar veya ek kanıtlar olasılığı ciddi şekilde değiştirir.

  • Bilimsel testler veya tıbbi teşhisler kesin ve %100 doğrudur.

    Hiçbir ölçüm veya bilimsel çıkarım %100 kesinlik taşımaz; ancak yüksek olasılıkla güvenilir sonuçlar elde edilebilir ve bunlara dayanmak akılcıdır.

  • Laboratuvarlar ve hekimler bu olasılık hesaplarından habersizdir ve göz ardı eder.

    Profesyonel laboratuvar teknisyenleri ve hekimler bu tür olasılıkları bilirler, genellikle birden fazla test ve ek kanıt kullanarak teşhis koyarlar.

  • Bu tür istatistiksel belirsizlikler, tıbbi sonuçları göz ardı edip her pozitif sonucu şüpheyle karşılamamızı gerektirir.

    İstatistiksel belirsizlik, tıbbi sonuçları tamamen reddetmeyi gerektirmez; bunun yerine sonuçların bağlamını, prevalansı ve ek kanıtları değerlendirip gerektiğinde ikinci görüş almak akıllıca bir yaklaşımdır.

Sorular

  • Test sonucum pozitif çıktı; gerçekten kanser olmama ihtimali nedir?

    Verilen örnekte (prevalans 1/1000, test %99 duyarlılık ve özgüllük) pozitif sonucunuz varsa gerçekte kanser olma ihtimaliniz yaklaşık %9, kanser olmama ihtimaliniz ise yaklaşık %91'dir.

  • %99 doğruluk ne anlama geliyor?

    %99 doğruluk, testin hastaysa %99 pozitif (duyarlılık) ve hasta değilse %99 negatif (özgüllük) gösterdiği anlamına gelir; bunlar doğrudan P(hasta|pozitif) değildir.

  • Test %1 hata yapıyorsa pozitif çıkınca hasta olmama ihtimali %1 midir?

    Hayır; %1 hata oranı P(negatif|sağlıklı) veya P(pozitif|sağlıklı) gibi koşullu olasılıktır; P(sağlıklı|pozitif) hesaplanırken prevalans da hesaba katılmalıdır ve örnekte bu ~%91'dir.

  • Bu sonucu nasıl hesapladınız?

    5000 kişide 5 hasta beklenir; bunların yaklaşık 5'i pozitif çıkar; 4995 sağlıklının %1'i (~50) hatalı pozitif olur; toplam 55 pozitiften 5'i gerçek hasta olduğu için 5/55 ≈ %9 olur.

  • Tek bir pozitif test tanı için yeterli mi?

    Genellikle yeterli değildir; özellikle düşük prevalanslı durumlarda tek pozitif çoğunlukla hatalı pozitif olabilir ve ek testler veya ikinci laboratuvar görüşü çok olasılığı değiştirir.

  • İkinci bir laboratuvardan pozitif sonuç almak ne değiştirir?

    Bağımsız ikinci bir pozitif sonuç, hastalık olma olasılığını dramatik şekilde artırır; örneğin örnekte tek pozitif ~%9 iken iki bağımsız pozitifte olasılık %90'ın üzerine çıkabilir.

  • Bayes Teoremi ne işe yarar?

    Bayes Teoremi, testin doğruluğunu (likelihood) ve öncül olasılığı (prevalans) birleştirip bir kanıtın bir hipotezi (örneğin hastalık) ne kadar desteklediğini hesaplamamıza yarar.

  • Modern testler daha mı isabetli?

    Evet; bazı modern testlerin doğruluğu %99.999 gibi çok yüksek değerlere ulaşabiliyor ve hekimler genelde makul düzeyde emin olmadan tanı koymuyorlar.

  • Bu örnek tıbbi sonuçları tamamen reddetmek için kullanılabilir mi?

    Hayır; bu basitleştirilmiş örneğe dayanarak doktorların veya laboratuvarların teşhislerini reddetmek yanlış olur çünkü profesyoneller bu tür olasılıkları ve ek kanıtları hesaba katarlar.

Ön Bilgiler

  • Temel olasılık bilgisi
  • Temel aritmetik (yüzde hesaplama, oranlar)
  • Temel istatistik kavramlarına aşinalık (örneğin önbilgi/prior kavramı)
  • Temel biyoloji/tıp terminolojilerine aşinalık (kanser, tanı, test sonuçları)
  • Koşullu olasılık ve mantıksal düşünme becerisi

Tarihsel Bağlam

  • Bayes Teoremi - 1763: Thomas Bayes'in çalışmasının yayımlanması
  • Modern Çağ - Günümüz

Kişiler

  • Thomas Bayes

    Videoda Bayes Teoremi'nden bahsedilirken atıf yapılan kişi; Bayes Teoremi'nin isim kaynağı olarak anılması.

Bu Videodaki Sözler

Bu videoda verilenler

Bayes Teoremi'nin detaylarına girme (teoremin detayları)

En azından temel prensibini öğrendiniz. İlerleyen videolarda bu teoremin detaylarına da gireceğim ve o zaman da göreceksiniz ki, bir olguyla veya gerçekle ilgili ne kadar çok kanıt toplarsak, onun gerçekliğinden o kadar emin oluruz. Ancak o olguya dair eminlik seviyemiz hiçbir zaman %100.00'a ulaşmaz.