Un falso positivo es el resultado de tomar una decisión en una elección bidireccional (positiva y negativa), declarada positiva, donde en realidad es negativa. El resultado puede provenir de una prueba de hipótesis , un algoritmo de clasificación automático o simplemente una elección arbitraria.
| causa buscada (virus, alarma, etc.) | prueba positiva | prueba negativa |
|---|---|---|
| ausencia | falso positivo | verdadero negativo |
| presencia | verdadero positivo | falso negativo |
En la práctica, en los casos en los que el resultado se utiliza para advertir (alarma, detección de virus, etc.), un falso positivo es una falsa alarma .
Sin embargo, en áreas donde el resultado esperado es positivo, se debe hacer una distinción entre falso positivo y falsa alarma . La falsa alarma es entonces el caso del falso negativo .
Cuando lo que está buscando es poco común y la prueba utilizada no es perfectamente específica , suele ser mucho más probable que un caso positivo sea en realidad un falso positivo .
El concepto de falso positivo se utiliza en muchos campos:
Por ejemplo, el cribado de la trisomía 21, como se practica habitualmente en Francia, da lugar a una tasa de detección del 90% (es decir, una tasa de falsos negativos del 10%), para una tasa de falsos negativos : positivo del 5%.
El resultado de una prueba tiene una cierta distribución para la población "normal" y otra para la población "anormal". La prueba es aún más discriminatoria ya que estos resultados son claramente diferentes, pero en general las dos distribuciones se superponen en el margen. En áreas donde los resultados pueden superponerse, debe establecerse un umbral en el que decidir si la prueba es "positiva" o "negativa".
Cuanto mejor sea una prueba, mayor será la tasa de detección (es decir, la tasa baja de falsos negativos) y la tasa baja de falsos positivos. La tasa de falsos positivos y la tasa de detección dependen del umbral elegido y varían en la misma dirección, lo que significa que es imposible aumentar simultáneamente la tasa de detección y disminuir la tasa de falsos positivos: todo lo que se puede hacer es encontrar un compromiso aceptable entre sensibilidad y especificidad .
La elección del umbral depende de lo que desee hacer con la prueba y de la compensación entre el riesgo de un falso positivo y el de una detección débil.
En medicina, cuanto más rara es una enfermedad, mayor es el riesgo de sobrediagnóstico . Entonces, si prueba al azar a 1,000 personas con una prueba que produce un 5% de falsos positivos, se le dice a 50 personas que la prueba es positiva. Si la enfermedad afecta solo a 1 persona de cada 1,000 en la población general, podemos demostrar por el teorema de Bayes que la persona tiene (aproximadamente) solo un 2% de probabilidad de ser realmente afectada (intuitivamente, se anuncia a 50 personas de las cuales solo Es afectado).
La prueba ciertamente permite identificar una población potencialmente afectada en la que se pueden realizar pruebas más precisas (y más caras). Sin embargo, generará ansiedad y el riesgo de tratar una enfermedad inexistente (basándonos en la opinión errónea de que la prueba es "95% segura", la probabilidad de verse realmente afectado es muy alta cuando se d. la enfermedad es rara).
Por esta razón, generalmente no se considera la detección de rutina de enfermedades raras; preferimos apuntar a las poblaciones en riesgo.
El análisis teórico de falsos positivos y falsos negativos utiliza el teorema de Bayes .