ดูต้นฉบับสำหรับ ความไวและความจำเพาะ

<!-- บทอื่น ๆ ที่เปลี่ยนทางมายังบทความนี้:
sensitivity, specificity, sensitivity and specificity, recall,
อัตราผลบวกจริง, true positive rate, ความน่าจะเป็นของการตรวจหาได้, ความน่าจะเป็นของการตรวจพบ, probability of detection
อัตราผลลบจริง, true negative rate
-->
'''ความไว'''และ'''ความจำเพาะ''' เป็นค่าวัดทาง[[สถิติ]]ที่ใช้ประเมินประสิทธิภาพของการทดสอบที่ให้ผลเป็น[[ทวิภาค|สองส่วน]] (เช่นเป็นบวกและลบ) โดย
* '''ความไว'''<ref name=RoyalDictSN>{{Citation |title = sensitivity |work = ศัพท์บัญญัติอังกฤษ-ไทย, ไทย-อังกฤษ ฉบับราชบัณฑิตยสถาน (คอมพิวเตอร์) รุ่น ๑.๑ ฉบับ ๒๕๔๕ |quote = (แพทยศาสตร์) ความไว }}</ref> ({{langx|en|sensitivity}}) คือสัดส่วนของผลบวกที่เป็นจริงสำหรับภาวะนั้น ๆ (เช่น สัดส่วนของการตรวจพบโรคในผู้ที่ป่วยจริง) มี[[ไวพจน์]]เป็นคำอื่น ๆ รวมทั้ง '''อัตราผลบวกจริง''' (true positive rate), recall, probability of detection ซึ่งใช้ในสาขาต่าง ๆ<ref>{{cite web |title = Detector Performance Analysis Using ROC Curves - MATLAB & Simulink Example |url = http://www.mathworks.com/help/phased/examples/detector-performance-analysis-using-roc-curves.html |website = www.mathworks.com |accessdate = 2016-08-11 |archive-date = 2020-06-14 |archive-url = https://web.archive.org/web/20200614221756/https://www.mathworks.com/help/phased/examples/detector-performance-analysis-using-roc-curves.html |url-status = dead }}</ref>
* '''ความจำเพาะ'''<ref name=RoyalDictSP>{{Citation |title = specificity |work = ศัพท์บัญญัติอังกฤษ-ไทย, ไทย-อังกฤษ ฉบับราชบัณฑิตยสถาน (คอมพิวเตอร์) รุ่น ๑.๑ ฉบับ ๒๕๔๕ |quote = (แพทยศาสตร์) ความจำเพาะ }}</ref> ({{langx|en|specificity}}) คือสัดส่วนของผลลบที่เป็นจริงสำหรับภาวะนั้น ๆ (เช่น สัดส่วนของการตรวจไม่พบโรคในผู้ที่ไม่ป่วย) มี[[ไวพจน์]]เป็นคำอื่น ๆ รวมทั้ง '''อัตราผลลบจริง''' (true negative rate)
'''ความไว'''จึงมีประโยชน์ในการวินิจฉัยแยกกันผลลบปลอม (false negative) เพราะว่าการทดสอบยิ่งไวเท่าไร โอกาสการได้ผลลบ (เช่น การพบว่าไม่มีโรค) ที่ไม่เป็นจริง (เช่น บุคคลจริง ๆ มีโรค) ก็น้อยลงเท่านั้น และดังนั้น ถ้าความไวอยู่ที่ 100% โอกาสได้ผลลบปลอมก็อยู่ที่ 0%<ref name=TCR2554-449-450>{{cite web |authors = รองศาสตราจารย์ ดร. วารุณี เทศะกรณ์, ผู้ช่วยศาสตราจารย์ พญ. วิภา ธนาชาติเวทย์ |year = 2554 |title = บทที่ 16 วิธีการตรวจวินิจฉัย |work = ตำราการวิจัยทางคลินิก (Textbook of Clinical Research) |editor = ศาสตราจารย์แพทย์หญิงพรรณี ปิติสุทธิธรรม, รองศาสตราจารย์ ดร.ชยันต์ พิเชียรสุนทร |url = http://www.tm.mahidol.ac.th/th/tropical-medicine-knowledge/book-clinic/Textbook-of-Clinical-Researh/441-466.pdf |format = [[PDF]] |publisher = มหาวิทยาลัยมหิดล |isbn = 978-974-11-1462-7 |archiveurl = https://web.archive.org/web/20150707075223/http://www.tm.mahidol.ac.th/th/tropical-medicine-knowledge/book-clinic/Textbook-of-Clinical-Researh/441-466.pdf |pages = 449-450 |archivedate = 2015-07-07 |access-date = 2016-12-19 |url-status = live }}</ref>
และ'''ความจำเพาะ'''จึงมีประโยชน์ในการยืนยันภาวะที่มี โดยกันผลบวกปลอม (false positive) เพราะว่าการทดสอบยิ่งจำเพาะเท่าไร โอกาสการได้ผลบวก (เช่น การพบว่ามีโรค) ที่ไม่เป็นจริง (เช่น บุคคลจริง ๆ ไม่มีโรค) ก็น้อยลงเท่านั้น และดังนั้น ถ้าความจำเพาะอยู่ที่ 100% โอกาสได้ผลบวกปลอมก็อยู่ที่ 0%<ref name=TCR2554-449-450 />

ในการทดสอบหนึ่ง ๆ ปกติจะต้องแลกเปลี่ยนข้อดีข้อเสีย
ยกตัวอย่างเช่น เพื่อความปลอดภัยของ[[ท่าอากาศยาน]] เครื่องตรวจโลหะอาจจะตั้งให้ส่งสัญญาณเตือนแม้สำหรับวัตถุที่เสี่ยงน้อย เช่น หัว[[เข็มขัด]]หรือ[[ลูกกุญแจ]] (คือการตรวจมีความจำเพาะต่ำ) เพื่อลดโอกาสเสี่ยงพลาดวัตถุอันตราย (คือการตรวจมีความไวสูง)
การแลกเปลี่ยนข้อดีข้อเสียเช่นนี้สามารถแสดงใน[[กราฟ]]เส้นโค้ง receiver operating characteristic (ROC)
การทดสอบที่สมบูรณ์จะไว 100% (เช่น คนป่วยทั้งหมดมีผลบวก) และจำเพาะ 100% (เช่น คนปกติทั้งหมดมีผลลบ)
แต่ว่า โดยทฤษฎีแล้ว การทดสอบทุกอย่างจะมีขอบเขต[[ความผิดพลาดชนิดที่ 1 และ 2|ความผิดพลาด]]ต่ำสุดที่เรียกว่า Bayes error rate

== นิยาม ==
{| class="wikitable" align="right" width=35% style="font-size:98%; margin-left:0.5em; padding:0.25em; background:#f1f5fc;"
|+ ศัพท์เฉพาะและคำอนุพันธ์<br/>จาก confusion matrix
|- valign=top
|
;true positive (TP)
:เท่ากับ hit
;true negative (TN)
:เท่ากับ correct rejection
;false positive (FP)
:เท่ากับ false alarm, [[ความผิดพลาดชนิดที่ 1 และ 2|ความผิดพลาดชนิดที่ 1]]
;false negative (FN)
:เท่ากับ miss, [[ความผิดพลาดชนิดที่ 1 และ 2|ความผิดพลาดชนิดที่ 2]]
----
;sensitivity หรือ true positive rate (TPR)
:เท่ากับ hit rate, recall
:<math>\mathit{TPR} = \mathit{TP} / P = \mathit{TP} / (\mathit{TP}+\mathit{FN})</math>
;specificity (SPC) หรือ true negative rate
:<math>\mathit{SPC} = \mathit{TN} / N = \mathit{TN} / (\mathit{TN}+\mathit{FP}) </math>
;precision หรือ positive predictive value (PPV)
:<math>\mathit{PPV} = \mathit{TP} / (\mathit{TP} + \mathit{FP})</math>
;negative predictive value (NPV)
:<math>\mathit{NPV} = \mathit{TN} / (\mathit{TN} + \mathit{FN})</math>
;fall-out หรือ false positive rate (FPR)
:<math>\mathit{FPR} = \mathit{FP} / N = \mathit{FP} / (\mathit{FP} + \mathit{TN}) = 1-\mathit{SPC}</math>
;false negative rate (FNR)
:<math>\mathit{FNR} = \mathit{FN} / (\mathit{TP} + \mathit{FN}) = 1-\mathit{TPR}</math>
;false discovery rate (FDR)
:<math>\mathit{FDR} = \mathit{FP} / (\mathit{TP} + \mathit{FP}) = 1 - \mathit{PPV} </math>
----
;accuracy (ACC)
:<math>\mathit{ACC} = (\mathit{TP} + \mathit{TN}) / (\mathit{TP} + \mathit{FP} + \mathit{FN} + \mathit{TN})</math>
;F1 score
: คือ มัชฌิมฮาร์มอนิก (HM) ของ precision กับ sensitivity
:<math>\mathit{F1} = 2 \mathit{TP} / (2 \mathit{TP} + \mathit{FP} + \mathit{FN})</math>
;Matthews correlation coefficient (MCC)
:<math> \frac{ \mathit{TP} \times \mathit{TN} - \mathit{FP} \times \mathit{FN} } {\sqrt{ (\mathit{TP}+\mathit{FP}) ( \mathit{TP} + \mathit{FN} ) ( \mathit{TN} + \mathit{FP} ) ( \mathit{TN} + \mathit{FN} ) } }</math>
;Informedness
:<math>\mathit{TPR} + \mathit{SPC} - 1</math>
;Markedness
:<math>\mathit{PPV} + \mathit{NPV} - 1</math>
;
<span style="font-size:90%;">''Sources: Fawcett (2006) and Powers (2011).''<ref name=Fawcett2006>{{cite journal |last = Fawcett |first = Tom |title = An Introduction to ROC Analysis |journal = Pattern Recognition Letters |date = 2006 |volume = 27 |issue = 8 |pages = 861-874 |doi = 10.1016/j.patrec.2005.10.010}}</ref><ref name="Powers2011">{{cite journal |first = David M W |last = Powers |date = 2011 |title = Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness & Correlation |journal = Journal of Machine Learning Technologies |volume = 2 |issue = 1 |pages = 37-63 |url = https://dl.dropboxusercontent.com/u/27743223/201101-Evaluation_JMLT_Postprint-Colour.pdf |format = [[PDF]] |access-date = 2016-12-19 |archive-date = 2017-08-10 |archive-url = https://web.archive.org/web/20170810023726/https://dl.dropboxusercontent.com/u/27743223/201101-Evaluation_JMLT_Postprint-Colour.pdf |url-status = dead }}</ref></span>
|}

ลองสมมุติว่ากำลังประเมินการทดสอบชนิดใหม่ที่ตรวจคัดกรองโรคชนิดหนึ่ง
แต่ละคนที่ทดสอบจริง ๆ มีหรือไม่มีโรค
ผลสอบอาจเป็นบวก คือจัดบุคคลว่ามีโรค หรือเป็นลบ คือจัดบุคคลว่าไม่มีโรค
แต่ผลของแต่ละคนอาจจะไม่เหมือนกับภาวะจริง ๆ
ดังนั้น จะมีกรณีต่าง ๆ 4 อย่าง คือ
* ผลบวกจริง (true positive) ผู้ป่วยตรวจพบว่ามีโรคอย่างถูกต้อง
* ผลบวกปลอม (false positive) คนปกติตรวจพบว่ามีโรคอย่างไม่ถูกต้อง
* ผลลบจริง (true negative) คนปกติตรวจพบว่าไม่มีโรคอย่างถูกต้อง
* ผลลบปลอม (false negative) คนป่วยตรวจพบว่าไม่มีโรคอย่างไม่ถูกต้อง

โดยทั่วไป Positive = identified และ negative = rejected
ดังนั้น
* True positive = correctly identified
* False positive = incorrectly identified
* True negative = correctly rejected
* False negative = incorrectly rejected

เราจะพิจารณากลุ่มทดสอบที่มีผลบวกมีจำนวน '''P''' และผลลบมีจำนวน '''N''' เนื่องจากโรคบางอย่าง
ผล 4 อย่างสามารถทำเป็นตาราง ''contingency table'' หรือ ''confusion matrix'' ดังต่อไปนี้
{{DiagnosticTesting_Diagram}}
=== ความไว ===
{{unreferenced section |date = 2016-07}}
ความไวหมายถึงสมรรถภาพของการทดสอบในการตรวจหาคนที่มีภาวะนั้น ๆ
ในตัวอย่างของเรา ค่าความไวคือสัดส่วนของบุคคลที่ได้ผลบวกจากการทดสอบในบรรดาคนที่มีโรค
ซึ่งเขียนเป็น[[สมการ]]ได้ดังต่อไปนี้
:<math>\begin{align}
\text{sensitivity} & = \frac{\text{number of true positives}}{\text{number of true positives} + \text{number of false negatives}} \\ \\
& = \frac{\text{number of true positives}}{\text{total number of sick individuals in population}} \\ \\
& = \text{probability of a positive test given that the patient has the disease}
\end{align}</math>

ผลลบจากการทดสอบที่ไวสูงจะมีประโยชน์ในการกันโรคออก (ruling out)
คือเชื่อถือได้เมื่อผลเป็นลบ เพราะว่ามันไม่ค่อยวินิจฉัยผู้ที่มีโรคผิด
การทดสอบที่ไว 100% จะตรวจเจอคนไข้ที่มีโรคทั้งหมดโดยให้ผลบวก
ดังนั้น ผลลบจึงกันออกได้อย่างแน่นอนว่า คนไข้ไม่มีโรค
แต่ผลบวกของการทดสอบที่ไวสูงไม่สามารถยืนยันว่ามีโรค (ruling in)
คือ ลองสมมุติว่ามีการทดสอบ "ปลอม" ที่ออกแบบให้ออกแต่ผลบวกเท่านั้น
ดังนั้น เมื่อทดสอบคนไข้ที่มีโรค คนไข้ทั้งหมดก็จะได้ผลบวก ซึ่งบ่งว่าการทดสอบมีความไว 100%
แต่ว่า โดยนิยามแล้ว ค่าความไวไม่สามารถกันผลบวกปลอมได้
เพราะว่า การทดสอบปลอมก็จะออกผลบวกสำหรับคนปกติทั้งหมด ซึ่งบ่งว่าการทดสอบมีอัตราผลบวกปลอม 100% ทำให้ไม่มีประโยชน์อะไรในการตรวจจับ หรือยืนยันว่ามีโรค
ความไวไม่ใช่อย่างเดียวกับ'''ความเที่ยง''' (precision) หรือ'''ค่าทำนายเมื่อผลเป็นบวก''' (positive predictive value) ซึ่งเป็นอัตราส่วนของผลบวกจริงต่อค่ารวมของผลบวกจริงกับผลบวกปลอม คือเป็นสัดส่วนของผลบวกจริงต่อประชากรที่แสดงผลบวก

การคำนวณค่าความไวไม่รวมผลการทดสอบที่คลุมเครือ
ถ้าไม่สามารถทดสอบใหม่ได้ ตัวอย่างที่คลุมเครือไม่ควรจะรวมเข้าเพื่อวิเคราะห์ (โดยให้ระบุจำนวนตัวอย่างที่ยกเว้นเมื่อแสดงค่าความไว) หรือสามารถปฏิบัติเหมือนกับผลลบปลอม (ซึ่งจะเป็นการแสดงค่าต่ำสุดของความไว และดังนั้น อาจจะเป็นค่าประเมินที่น้อยเกินจริง)

=== ความจำเพาะ ===
ความจำเพาะเป็นสมรรถภาพของการทดสอบในการตรวจหาบุคคลที่ไม่มีภาวะนั้น ๆ
ลองพิจารณาตัวอย่างการทดสอบคนไข้ของเรา
ค่าความจำเพาะของการทดสอบก็คือสัดส่วนของบุคคลปกติที่ไม่มีโรค ผู้จะทดสอบได้ผลลบ
ซึ่งสามารถเขียนเป็น[[สมการ]]
:<math> \begin{align}
\text{specificity} & = \frac{\text{number of true negatives}}{\text{number of true negatives} + \text{number of false positives}} \\ \\ & = \frac{\text{number of true negatives}}{\text{total number of well individuals in population}} \\ \\
& = \text{probability of a negative test given that the patient is well}
\end{align}
</math>
การได้ผลบวกจากการทดสอบจำเพาะสูงมีประโยชน์ในการวินิจฉัยว่าเป็นโรค (ruling in)
เพราะว่า การทดสอบนี้ไม่ค่อยให้ผลบวกในคนปกติ
เมื่อผลทดสอบเป็นบวก การทดสอบที่จำเพาะ 100% แสดงว่า ทั้งหมดเป็นผู้ป่วยโดยไม่มีคนปกติ<ref name="cebm">{{cite web |title = SpPins and SnNouts |url = http://www.cebm.net/sppin-and-snnout/ |publisher = Centre for Evidence Based     Medicine (CEBM) |accessdate = 2013-12-026 |archive-date = 2014-07-20 |archive-url = https://web.archive.org/web/20140720004350/http://www.cebm.net/sppin-and-snnout/ |url-status = dead }}</ref>

ผลลบในการทดสอบที่จำเพาะสูงจะไม่มีประโยชน์ในการกันโรคออก
ลองสมมุติว่ามีการทดสอบ "ปลอม" ที่ออกแบบให้แสดงผลลบเท่านั้น
ซึ่งเมื่อทดสอบคนปกติทุกคน ก็จะแสดงผลลบทุกคน
และนี่ก็จะให้ค่าจำเพาะ 100% ต่อการทดสอบ
แต่การทดสอบเดียวกันก็จะให้ผลลบต่อผู้ป่วยทั้งหมดเหมือนกัน ดังนั้น ก็จะมีอัตราอัตราผลลบปลอมที่ 100% ซึ่งไม่มีประโยชน์อะไรในการกันโรคออก (ruling out)
ความจำเพาะโดยนิยามไม่สามารถกันผลลบปลอมได้
การทดสอบที่จำเพาะสูงจะมีอัตรา[[ความผิดพลาดชนิดที่ 1 และ 2|ความผิดพลาดชนิดที่ 1]] ต่ำ

=== ตัวอย่างแสดงเป็นรูป ===
<gallery widths="430px" heights="315px">
ไฟล์:HighSensitivity LowSpecificity 1401x1050.png|การทดสอบที่มีความไวสูงความจำเพาะต่ำ ซ้ายแสดงผลลบที่มีผลลบปลอม (น้ำเงินตัน) น้อย ขวาแสดงผลบวกที่มีผลบวกปลอม (แดง) มาก
ไฟล์:LowSensitivity HighSpecificity 1400x1050.png|การทดสอบที่มีความไวต่ำความจำเพาะสูง ซ้ายแสดงผลบวกที่มีผลลบปลอม (น้ำเงินตัน) มาก ขวาแสดงผลบวกที่มีผลบวกปลอม (แดง) น้อย
</gallery>
== ตัวอย่างในการแพทย์ ==
ใน[[การวินิจฉัยทางการแพทย์]] ความไวเป็นสมรรถภาพของการทดสอบในการระบุคนที่มีโรคอย่างถูกต้อง (อัตราผลบวกจริง) เทียบกับความจำเพาะที่เป็นสมรรถภาพในการระบุผู้ที่ไม่มีโรคอย่างถูกต้อง (อัตราผลลบจริง)
ถ้ามีผู้ป่วย 100 คนที่ทดสอบ แต่มีเพียง 43 คนที่ได้ผลบวก การทดสอบนี้ก็จะมีความไว 43%
ถ้ามีคนปกติ 100 คนที่ทดสอบ แต่มีคน 96 ที่ได้ผลลบ การทดสอบนี้ก็จะมีความจำเพาะ 96%
ความไวและความจำเพาะเป็นคุณสมบัติของการทดสอบที่เป็นอิสระจาก[[ความชุกของโรค]] เพราะว่า ค่าของมันเฉพาะกับการทดสอบและไม่ได้ขึ้นอยู่กับความชุกของกลุ่มประชากรที่เป็นประเด็น<ref>{{cite web |last = Mangrulkar |first = Rajesh |title = Diagnostic Reasoning I and II |url = http://open.umich.edu/education/med/m1/patientspop-decisionmaking/2010/materials |accessdate = 2012-01-24 |archive-date = 2011-08-01 |archive-url = https://web.archive.org/web/20110801200357/https://open.umich.edu/education/med/m1/patientspop-decisionmaking/2010/materials |url-status = dead }}</ref>
เทียบกับค่าทำนายเมื่อผลเป็นบวก (positive predictive value) และค่าทำนายเมื่อผลเป็นลบ (negative predictive value) ซึ่งเป็นค่าที่ขึ้นกับความชุกของกลุ่มประชากรที่ทดสอบ แต่ความจำเพาะและความไวไม่ใช่
ค่าเหล่านี้แสดงให้ดูเป็นกราฟในแอปเพล็ตนี้ ([https://kennis-research.shinyapps.io/Bayes-App/ Bayesian clinical diagnostic model]) ซึ่งแสดงค่าทำนายเมื่อผลเป็นบวกและเมื่อผลเป็นลบโดยเป็น[[ฟังก์ชัน (คณิตศาสตร์)|ฟังก์ชัน]]ของ[[ความชุกของโรค]] ความไว และความจำเพาะ

=== สิ่งที่อาจทำให้เข้าใจผิด ===
มักกล่าวกันว่า การทดสอบที่จำเพาะสูงมีประโยชน์ในการยืนยันว่ามีโรคเมื่อได้ผลบวก และการทดสอบที่ไวสูงในการกันโรคออกเมื่อได้ผลลบ<ref>{{cite web |url = http://omerad.msu.edu/ebm/Diagnosis/Diagnosis4.html |title = Evidence-Based Diagnosis |publisher = Michigan State University |access-date = 2016-12-19 |archive-date = 2013-07-06 |archive-url = https://web.archive.org/web/20130706035232/http://omerad.msu.edu/ebm/Diagnosis/Diagnosis4.html |url-status = dead }}</ref><ref>
{{cite web |url = http://www.med.emory.edu/EMAC/curriculum/diagnosis/sensand.htm |title = Sensitivity and Specificity |publisher = Emory University Medical School Evidence Based Medicine course}}</ref>
มีแม้แต่รหัสช่วยจำ คือ SPIN และ SNOUT ที่ใช้กันอย่างกว้างขวาง ซึ่งมาจากวลีว่า a highly 'SPecific' test, when Positive, rules IN disease (SP-P-IN) คือ การทดสอบที่จำเพาะสูง เมื่อได้ผลบวก จะยืนยันโรค และจากวลีว่า a highly 'SeNsitive' test, when Negative rules OUT disease (SN-N-OUT) คือ การทดสอบที่ไวสูง เมื่อได้ผลลบ จะกันโรคออก
แต่กฎทั้งสองนี้อาจทำให้เข้าใจเหตุผลผิดได้ เพราะว่า กำลังการวินิจฉัยของการทดสอบอย่างใดอย่างหนึ่งจะขึ้นอยู่กับทั้งความไว'''''และ'''''ความจำเพาะ<ref name="pmid8028462">
{{cite journal |last = Baron |first = JA |title = Too bad it isn't true..... |journal = Medical decision making : an international journal of the Society for Medical Decision Making |date = Apr-Jun 1994 |volume = 14 |issue = 2 |pages = 107 |pmid = 8028462 |doi = 10.1177/0272989X9401400202}}</ref><ref name="pmid8028470">
{{cite journal |last = Boyko |first = EJ |title = Ruling out or ruling in disease with the most sensitive or specific diagnostic test: short cut or wrong turn? |journal = Medical decision making : an international journal of the Society for Medical Decision Making |date = Apr-Jun 1994 |volume = 14 |issue = 2 |pages = 175-179 |doi = 10.1177/0272989X9401400210 |pmid = 8028470}}</ref><ref name="pmid15271832">
{{cite journal |last = Pewsner |first = D |author2 = Battaglia, M |author3 = Minder, C |author4 = Marx, A |author5 = Bucher, HC |author6 = Egger, M |title = Ruling a diagnosis in or out with "SpPIn" and "SnNOut": a note of caution |journal = BMJ (Clinical research ed.) |date = 2004-07-24 |volume = 329 |issue = 7459 |pages = 209-13 |doi = 10.1136/bmj.329.7459.209 |pmid = 15271832 |pmc = 487735}}</ref>

== ตารางแบบเติมตัวเลข ==
{{SensSpecPPVNPV}}
==[[ก]]ารประเมินความผิดพลาดของค่าความไวและความจำเพาะ ==
ค่าความไวและความจำเพาะเพียงอย่างเดียวอาจทำให้เข้าใจผิด
คือ จะต้องคำนวณค่าแย่ที่สุด (worst-case) ของค่าทั้งสองเพื่อเลี่ยงการพึ่งผลการทดลองที่มีจำนวนน้อย
ยกตัวอย่างเช่น การทดสอบหนึ่งไว 100% เมื่อเทียบกับวิธีการมาตรฐาน (gold standard) 4 ครั้ง แต่ว่าการทดสอบอีกครั้งหนึ่งแสดงผลที่ไม่เท่าเทียม คือเท่ากับแสดงความไวแค่ 80%
วิธีสามัญอย่างหนึ่งก็คือมีการบ่ง binomial proportion confidence interval (คือ ช่วงความเชื่อมั่นในสัดส่วนหนึ่งของประชากรทางสถิติ) ซึ่งบ่อยครั้งคำนวณโดยใช้ Wilson score interval
ดังนั้น ช่วงความเชื่อมั่น (confidence intervals) ของค่าความไวและความจำเพาะสามารถคำนวณได้ โดยให้พิสัยของค่า (คือกำหนดค่าสูงและต่ำ) ที่อยู่ในระดับความเชื่อมั่นขั้นหนึ่ง (เช่น ความเชื่อมั่นที่ 95% ว่าค่าอยู่ระหว่างค่านี้กับค่านี้)<ref>{{cite web |url = http://www.medcalc.org/calc/diagnostic_test.php |title = Diagnostic test online calculator calculates sensitivity, specificity, likelihood ratios and predictive values from a 2x2 table - calculator of confidence intervals for predictive parameters |work = medcalc.org}}</ref>

== ศัพท์ในศาสตร์การค้นคืนสารสนเทศ ==
ในการค้นคืนสารสนเทศ (information retrieval) ค่าทำนายเมื่อผลเป็นบวกเรียกว่า '''precision''' (ความเที่ยง) และค่าความไวเรียกว่า '''recall'''
แต่ไม่เหมือนกับการแลกเปลี่ยนข้อดีข้อเสียระหว่างความจำเพาะเทียบกับความไว ค่าทั้งสองนี้เป็นอิสระจากผลลบจริง (true negative) ซึ่งปกติจะเป็นข้อมูลที่ไม่รู้โดยมีจำนวนมากกว่าจำนวนเอกสารที่เกี่ยวข้องและต้องการค้นคืนมาก
และข้อสมมุติในเรื่องนี้ว่า ผลลบจริงเป็นจำนวนที่ใหญ่กว่ามากจะไม่ค่อยมีในการประยุกต์ใช้ค่าสองอย่างนี้ในประเด็นอื่น ๆ<ref name="Powers2011" />
จึงมีการใช้ F-score เป็นค่าเดียวที่แสดงประสิทธิภาพของการทดสอบที่ได้ผลบวก
โดยเป็น harmonic mean ของ precision และ recall คือ
:<math>F = 2 \times \frac{\text{precision} \times \text{recall}}{\text{precision} + \text{recall}} </math>

== ศัพท์ในสถิติ ==
ในการศึกษาโดยการตรวจสอบสมมติฐานทางสถิติ (statistical hypothesis testing) ความไวของการทดสอบจะเรียกว่า กำลังทางสถิติ (statistical power) ของการทดสอบ แต่คำว่า กำลัง (power) ในเรื่องนี้มีความหมายกว้างกว่าความไวที่ใช้ในบทความนี้
การทดสอบที่ไวจะมี[[ความผิดพลาดชนิดที่ 1 และ 2|ความผิดพลาดชนิดที่ 2]] จำนวนน้อยกว่า

== ดูเพิ่ม ==
{{Portal|วิทยาศาสตร์|แพทยศาสตร์}}
* [[นัยสำคัญทางสถิติ]]
* [[นัยสำคัญทางคลินิก]]

== เชิงอรรถและอ้างอิง ==
{{รายการอ้างอิง|30em}}

== แหล่งข้อมูลอื่น ==
* {{Cite journal |authors = Altman, DG; Bland, JM |title = Diagnostic tests. 1: Sensitivity and specificity |journal = BMJ |volume = 308 |issue = 6943 |pages = 1552 |year = 1994 |pmid = 8019315 |doi = 10.1136/bmj.308.6943.1552 |url = http://www.bmj.com/cgi/content/full/308/6943/1552 |pmc = 2540489}}
* {{Cite journal |author = Loong, T |title = Understanding sensitivity and specificity with the right side of the brain |journal = BMJ |volume = 327 |issue = 7417 |pages = 716-719 |year = 2003 |pmc = 200804 |pmid = 14512479 |doi = 10.1136/bmj.327.7417.716}}
* [http://araw.mede.uic.edu/cgi-bin/testcalc.pl UIC Calculator]
* [http://vassarstats.net/clin1.html Vassar College's Sensitivity/Specificity Calculator]
* [https://www.medcalc.org/calc/diagnostic_test.php MedCalc Free Online Calculator]
* [https://kennis-research.shinyapps.io/Bayes-App/ Bayesian clinical diagnostic model applet]
{{Medical research studies}}
[[หมวดหมู่:ความแม่นและความเที่ยง]]
[[หมวดหมู่:ชีวสารสนเทศศาสตร์]]
[[หมวดหมู่:ชีวสถิติ]]
[[หมวดหมู่:เคมีสารสนเทศศาสตร์]]
[[หมวดหมู่:สถิติการแพทย์]]
[[หมวดหมู่:อัตราส่วนทางสถิติ]]
[[หมวดหมู่:ทฤษฎีทางสถิติ]]