Post on 19-Feb-2018
transcript
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 1/31
Errori cognitivi,probabilità e
decisioni medichenella diagnosticadi laboratorio
M. Besozzi - IRCCS Istituto Auxologico Italiano
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 2/31
Errori cognitivi
Il problema gnoseologico
Dati, informazione e conoscenza
Complessità, probabilità e teorema di Bayes
Teorema di Bayes e informazione diagnostica
Teorema di Bayes e strategie diagnostiche
Teorema di Bayes e decisioni mediche
L’argomento...
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 3/31
“Ci sono tre tipi di menzogne:
le bugie, le bugie fottute e le statistiche.
(Mark Twain)
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 4/31
Abbiamo un’urna contenente 500 palline
di colore bianco e 500 palline di colore rosso.Cosa ci possiamo attendere
dall’estrazione di una pallina?
Si sa tutto sull’urna, ovvero si conosce “l’universo”,ovvero si conosce la causa.
Si applica un ragionamento deduttivo.
Il risultato (l’effetto, l’estrazione di una pallina)può essere calcolato.
Probabilità: il problema classico
(l’aspetto induttivo e l’aspetto deduttivo compaiono nella probabilità)
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 5/31
Da un’urna contenente s palline estraiamo n pallinedi cui k sono di colore rosso.
Cosa possiamo concludere circail contenuto dell’urna?
Si è fatto un esperimento, si conosce l’effetto.Il problema che Bayes si pone è: esiste un qualche
ragionamento induttivo che ci consenta di “calcolare”la causa (lo specifico contenuto dell’urna)?
Probabilità: il problema inverso
(per questo il teorema di Bayes è noto anche come il teorema dellaprobabilità delle cause)
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 6/31
Induzione
Deduzione
(l’importanza della relazione di verosimiglianza)
C1
C2
... Cn
E3E2
E1
La probabilità delle cause
verosimiglianza
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 7/31
La conoscenza scientifica non può essere di tipoesclusivamente deduttivo.Ma, seguendo le critiche all’induzione di Hume
e Popper, non può nemmeno essere di tipoinduttivo.
Questi due fondamentali concetti possonoessere riassunti seguendo l’impostazione data
da Peirce.
Conoscenza
(Charles Sanders Peirce, 1839-1914)
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 8/31
REGOLA: tutti i fagioli in questo sacco sono bianchiCASO: questi fagioli provengono da questo saccoRISULTATO: questi fagioli sono bianchi (sicuramente)
La deduzione non comporta alcun accrescimentodel sapere.
Deduzione
(ragionamento deduttivo)
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 9/31
CASO: questi fagioli provengono da questo sacco
RISULTATO: questi fagioli sono bianchiREGOLA: tutti i fagioli di questo sacco sono bianchi(forse/probabilmente)
La induzione ci consente di allargareorizzontalmente la nostra conoscenza del mondo,
la sua essenza è la generalizzazione (semprepassibile di errore).
Induzione
(ragionamento induttivo)
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 10/31
RISULTATO: questi fagioli sono bianchiREGOLA: tutti i fagioli di questo sacco sono bianchiCASO: questi fagioli provengono da questo sacco
(forse/probabilmente)
Prima sapevamo solo che erano bianchi, ora
abbiamo formulato l’ipotesi che provengano daquesto sacco.
Abduzione
(ragionamento scientifico!)
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 11/31
Approccio scientifico ai problemi
(dall’abduzione di Peirce al falsificazionismo di Karl Popper)
RACCOLTADEI DATI
ANALISIDEI DATI
CONCLUSIONI
DISEGNO SPERIMENTALE VERIFICA
TEORIACONFUTAZIONE
ESPERIMENTO
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 12/31
Informazione“a posteriori”[conclusioni]
Conoscenza
Motore
inferenziale
bayesiano[regole]
Informazione“a priori”
[pre-giudizio]
Informazione fornita dall’esperienza[indizi]
(aggiungono al falsificazionismo di Popper la misura del contributodell’esperimento in termini di aumento della verosimiglianza)
4. Dati, informazione, conoscenza
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 13/31
P(A ∩
B)
E’ la probabilità di due eventi congiunti, descrivela situazione in cui si verificano sia A sia B,si legge “la probabilità congiunta di A e B”ovvero “la probabilità di A e B”
La probabilità congiunta
P(A)P(B)P( A ∩
B)
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 14/31
Le relazione fra probabilità condizionata eprobabilità congiunta è la seguente:
P(A ∩
B) = P(A|B) ⋅
P(B) = P(B|A) ⋅
P(A)
Da cui si ricava il teorema di Bayes:
P(B|A) ⋅
P(A)
P(A|B) =P(B)
Probabilità composte (teorema)
(il teorema prende il nome dal reverendo inglese che lo ha scopertonel 1700 studiando il problema inverso...)
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 15/31
P(B|A) ⋅
P(A)
P(A|B) =P(B)
Chiavi di lettura
(sostituendo A con M+ e B con T+ si ottiene la visione diagnostica)
probabilità a posteriori
probabilità a priori
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 16/31
P(B|A) ⋅
P(A)
P(A|B) =P(B)
Chiavi di lettura
(sostituendo A con M+ e B con T+ si ottiene la visione diagnostica)
(la causa | dato l’effetto) (l’effetto | data la causa)
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 17/31
P(B|A) ⋅
P(A)
P(A|B) =P(B)
Chiavi di lettura
(sostituendo A con M+ e B con T+ si ottiene la visione diagnostica)
probabilità a posteriori
probabilità a priori
(la causa | dato l’effetto) (l’effetto | data la causa)
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 18/31
P(B|A) ⋅
P(A)
P(A|B) =P(B)
Chiavi di lettura
(il fattore di Bayes è la misura della verosimiglianza [likelihood] checollega la probabilità a priori alla probabilità a posteriori)
probabilità a posteriori
probabilità a priori
verosimiglianza standardizzata o fattore di Bayes
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 19/31
Essendo:
odds = P / (1 - P) e inversamente:probabilità = odds / (1 + odds)
Esempioprobabilità 80% cioè P = 0,8odds = 0,8 / (1 – 0,8) = 0,8 / (0,2) = 4 cioè 4:1
odds 4:1probabilità = 4 / (1 + 4) = 0,8
Reinterpretazione con gli odds
(gli odds sono la probabilità espressa dal bookmaker come rapportotra la vincita e la posta giocata)
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 20/31
Essendo:
LR = rapporto di verosimiglianza = likehood ratio
LR+ (LR per un test positivo) è uguale al rapporto
tra il risultato del test nei malati e nei sani:P(T+|M+) / P(T+|M-) ovverosensibilità / (1 – specificità)
LR- (LR per un test positivo) è uguale al rapportotra il risultato del test nei malati e nei sani:P(T-|M+) / P(T-|M-) ovvero(1 – sensibilità) / specificità
Reinterpretazione con gli odds
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 21/31
Test
Malattia
+
-
+ -
P(T+|M+)
P(T+|M-)
P(T-|M+)
P(T-|M-)
Tutte le probabilità in gioco
P(M+) = prevalenza della malattiaP(M-) = 1 - prevalenza
sensibilità
specificità
1 - sensibilità
1 - specificità
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 22/31
Ricavando in base alla definizione di odds che:
P(A)O(A) =
P(non A)
e che
P(A|B)O(A|B) =
P(non A|B)
Reinterpretazione con gli odds
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 23/31
Essendo in base alla definizione di odds
P(B|A)Λ(A|B) = = LR+
P(B|non A)
P(non B|A)Λ
(A|B) = = LR-P(non B|non A)
Reinterpretazione con gli odds
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 24/31
O(A|B) = Λ(A|B) ⋅ O(A)
(il rapporto di verosimiglianza è la misura della verosimiglianza che collegala probabilità a priori alla probabilità a posteriori)
odds post-test odds pre-test
rapporto di verosimiglianza o likelihood ratio (LR)
Reinterpretazione con gli odds
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 25/31
O(A|B) = Λ(A|B) ⋅ O(A)
(al fine di evitare di trasformare la probabilità in odds e successivamente diritrasformare gli odds in probabilità si usa il nomogranna di Fagan)
odds post-test odds pre-test
rapporto di verosimiglianza o likelihood ratio (LR)
Reinterpretazione con gli odds
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 26/31
Nomogramma di Fagan
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 27/31
Nomogramma di Fagan
Sangue occulto nelle feciSensibilità = 50% = 0,5
Specificità = 97% = 0,97Prevalenza = 0,3% = 0,003Valore predittivo test + = 0,048
(probabilità di essere ammalato se èrisultato un test positivo)
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 28/31
Nomogramma di Fagan
Sangue occulto nelle feciSensibilità = 50% = 0,5
Specificità = 97% = 0,97Prevalenza = 0,3% = 0,003Valore predittivo test + = 0,048P
pre-test = 0,003LR+ = 16,67P post-test= 0,048
(probabilità di essere ammalato se èrisultato un test positivo)
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 29/31
Nomogramma di Fagan
Sangue occulto nelle feciSensibilità = 50% = 0,5
Specificità = 97% = 0,97Prevalenza = 0,3% = 0,003Valore predittivo test - = 0,998
(probabilità di essere sano se èrisultato un test negativo)
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 30/31
Nomogramma di Fagan
Sangue occulto nelle feciSensibilità = 50% = 0,5
Specificità = 97% = 0,97Prevalenza = 0,3% = 0,003Valore predittivo test - = 0,998
P pre-test = 0,003LR- = 0,515P post-test = 0,002
(probabilità di essere ammalato se èrisultato un test negativo)
7/23/2019 Teorema Di Bayes e Decisioni Mediche di Marco Besozzi
http://slidepdf.com/reader/full/teorema-di-bayes-e-decisioni-mediche-di-marco-besozzi 31/31
Informazione“a posteriori”[conclusioni]
Conoscenza
Motore
inferenziale
bayesiano[regole]
Informazione“a priori”
[pre-giudizio]
Informazione fornita dall’esperienza
[indizi]
(aggiungono al falsificazionismo di Popper la misura del contributodell’esperimento in termini di aumento della verosimiglianza)
4. Dati, informazione, conoscenza