Негативна прогностична цінність (NPV): що означає негативний результат і як на нього впливає поширеність
Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика
Коротка відповідь
Негативна прогностична цінність (negative predictive value, NPV) — це ймовірність того, що цільового стану справді немає серед людей із негативним результатом тесту. У таблиці 2×2 вона обчислюється як частка істинно негативних результатів серед усіх негативних результатів: NPV = TN / (TN + FN). Класичне статистичне пояснення прогностичних цінностей дають Altman і Bland у BMJ.
NPV відповідає на практичне запитання «як тлумачити вже отриманий негативний результат?». Вона не відповідає на запитання «яка частка людей зі станом матиме негативний тест?» — це вже 1 − чутливість, тобто частота хибнонегативних результатів серед людей, які справді мають стан.
Ключова властивість NPV: вона залежить від того, наскільки часто цільовий стан трапляється в популяції, де застосовують тест. За незмінних чутливості й специфічності NPV зазвичай зростає, коли поширеність або передтестова ймовірність знижується, і падає, коли вона зростає.
Тому фраза «NPV тесту становить 98%» без опису популяції, поширеності, порогу, референтного стандарту і довірчого інтервалу є неповною. Та сама шкала може мати дуже високу NPV у масовому низькоризиковому скринінгу й помітно нижчу NPV у клінічній групі з високою передтестовою ймовірністю.
У психологічному скринінгу негативний результат не є автоматичним доказом відсутності розладу. Скринінг, клінічне оцінювання і діагноз — різні етапи. Якщо симптоми, ризик або клінічний контекст залишають підозру високою, негативний скринінг може знижувати ймовірність стану, але не завершувати оцінку.
Що саме вимірює NPV
Уявімо, що тест або опитувальник має заздалегідь визначений поріг і поділяє результати на «позитивні» та «негативні», а незалежний референтний стандарт визначає, чи є цільовий стан насправді. Тоді кожна людина потрапляє в одну з чотирьох комірок: істинно позитивний результат (TP), хибнопозитивний (FP), істинно негативний (TN) або хибнонегативний (FN).
Для NPV нас цікавить лише група людей із негативним індексним тестом. Серед них частина справді не має стану — це TN. Інша частина має стан, хоча тест його не виявив, — це FN. NPV показує частку TN серед TN + FN.
Наприклад, якщо з 500 людей із негативним результатом 490 справді не мають цільового стану, а 10 мають його попри негативний тест, NPV = 490 / 500 = 98%. Це означає: у цій конкретній популяції, за цих умов і цього порогу 98% негативних результатів були істинно негативними.
Зворотна величина 1 − NPV у цьому самому наборі даних дорівнює частці хибнонегативних серед усіх негативних результатів. У прикладі це 2%. Вона не тотожна 1 − sensitivity, бо знаменники різні: 1 − sensitivity дивиться на всіх людей зі станом, а 1 − NPV — на всіх людей із негативним тестом.
NPV і специфічність — різні умовні ймовірності
Специфічність відповідає на запитання: «серед людей без цільового стану, яка частка отримає негативний результат?». Формула: specificity = TN / (TN + FP). NPV ставить інше запитання: «серед людей із негативним результатом, яка частка справді не має стану?». Формула: NPV = TN / (TN + FN).
Через зміну напрямку умовної ймовірності ці показники не можна взаємозамінювати. Висока специфічність не робить NPV автоматично високою, а висока NPV не доводить, що тест має високу специфічність.
Це одна з найпоширеніших помилок читання діагностичної статистики: брати властивість тесту щодо відомого стану і трактувати її як імовірність стану після отриманого результату. Прогностичні цінності спеціально потрібні для переходу в напрямку «від результату тесту до ймовірності стану».
NPV і чутливість — теж не одне й те саме
Чутливість показує, яку частку людей із цільовим станом тест розпізнає як позитивних: sensitivity = TP / (TP + FN). Висока чутливість за інших рівних умов зменшує кількість хибнонегативних результатів і тому підтримує вищу NPV.
Але вислів «високочутливий тест виключає стан» є лише мнемонічним скороченням, а не універсальним правилом. Реальна посттестова ймовірність залежить також від специфічності, порогу, популяції, передтестової ймовірності, спектра випадків і того, як був визначений референтний стандарт.
Методологія діагностичної точності давно підкреслює, що показники тесту можуть змінюватися між популяціями та клінічними контекстами. У великому аналізі 23 метааналізів Leeflang та співавтори показали асоціації поширеності з оцінками чутливості й специфічності, тобто навіть припущення про їхню повну стабільність між setting-ами не завжди виконується.
Чому поширеність змінює NPV
NPV можна виразити через чутливість Se, специфічність Sp і поширеність Prev: NPV = Sp × (1 − Prev) / [(1 − Se) × Prev + Sp × (1 − Prev)].
У чисельнику стоять очікувані істинно негативні результати: частка людей без стану (1 − Prev), помножена на ймовірність правильного негативного результату серед них (Sp). У знаменнику до істинно негативних додаються очікувані хибнонегативні: частка людей зі станом Prev, помножена на (1 − Se).
Коли поширеність низька, людей без стану дуже багато. Навіть за неідеальної специфічності серед негативних результатів накопичується велика кількість TN, а абсолютна кількість FN часто залишається невеликою. NPV тому може бути надзвичайно високою.
Коли поширеність зростає, у вихідній популяції більше людей зі станом. Навіть за тієї самої чутливості збільшується абсолютна кількість FN. Вони потрапляють у знаменник TN + FN і знижують NPV.
Це не дефект NPV, а її сутність як посттестової ймовірності. Базова частота і поширеність є частиною значення результату, а не стороннім статистичним шумом.
Один і той самий тест у трьох популяціях
Розглянемо умовний навчальний тест із чутливістю 90% і специфічністю 90%. Ми не описуємо реальний психологічний інструмент; приклад потрібний лише для демонстрації математики NPV.
Поширеність 1%
У 1000 людей стан мають 10. За чутливості 90% тест знайде 9 істинно позитивних і пропустить 1 випадок (FN). Стану не мають 990 людей; за специфічності 90% отримаємо 891 істинно негативний результат і 99 хибнопозитивних.
Серед негативних результатів маємо 891 TN і 1 FN. NPV = 891 / 892 ≈ 99,89%. Негативний результат тут майже завжди істинно негативний, головним чином тому, що сам стан у популяції рідкісний.
Поширеність 10%
У 1000 людей стан мають 100. Отримаємо приблизно 90 TP і 10 FN. Із 900 людей без стану — 810 TN і 90 FP. Серед негативних результатів: 810 TN + 10 FN.
NPV = 810 / 820 ≈ 98,78%. Характеристики тесту не змінилися, але NPV уже нижча, бо серед негативних результатів стало більше пропущених випадків.
Поширеність 30%
У 1000 людей стан мають 300. Отримаємо 270 TP і 30 FN. Серед 700 людей без стану — 630 TN і 70 FP. Серед усіх негативних результатів тепер 630 TN + 30 FN.
NPV = 630 / 660 ≈ 95,45%. Тест має ті самі sensitivity і specificity 90%, але негативний результат означає вже іншу посттестову ймовірність.
За поширеності 50% у цій самій умовній моделі NPV дорівнювала б 90%. Тобто різниця між 99,89% і 90% виникає без жодної зміни самого алгоритму класифікації — змінюється лише стартова частота стану.
Поширеність, base rate і передтестова ймовірність
Поширеність — частка людей із цільовим станом у визначеній популяції та часовому контексті. Base rate — ширша вихідна частота класу або події. Передтестова ймовірність — оцінка ймовірності стану до врахування нового тесту для конкретної клінічної або дослідницької ситуації.
У масовому скринінгу передтестову ймовірність часто наближено задає поширеність у цільовій популяції. У спеціалізованій клініці вона може бути набагато вищою, бо туди вже приходять люди з симптомами, направленням або факторами ризику.
Для конкретної людини загальнопопуляційна prevalence — лише стартовий орієнтир. Вік, контекст звернення, симптоми, тривалість, попередні результати, коморбідність та інші дані можуть зміщувати передтестову ймовірність. Саме тому NPV із однієї публікації не переноситься механічно на будь-якого користувача тесту.
Коли потрібно явно перейти від передтестової до післятестової ймовірності, корисними є відношення правдоподібності LR+ і LR−. Для негативного результату LR− = (1 − sensitivity) / specificity, після чого передтестові odds множаться на LR− для отримання післятестових odds.
NPV — не універсальна властивість тесту
Стандарти звітування діагностичної точності STARD 2015 відносять predictive values до оцінок точності й наголошують на необхідності подавати самі оцінки разом з їхньою точністю, наприклад 95% довірчими інтервалами. Вони також підкреслюють, що результати accuracy study можуть бути непридатними для іншої групи пацієнтів або іншого setting.
Тому NPV — це оцінка для певного індексного тесту, певного порогу, певного референтного стандарту, певної цільової популяції і певного маршруту застосування. Зміни будь-якої з цих умов можуть змінити результат.
Особливо обережно треба переносити NPV між первинною допомогою, спеціалізованою клінікою, онлайн-скринінгом, студентською вибіркою та загальною популяцією. Вони можуть мати дуже різний base rate і різний спектр тяжкості симптомів.
Сучасний Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy розглядає діагностичну точність як окрему методологічну область, де критично важливі популяція, індексний тест, референтний стандарт, flow/timing, гетерогенність і застосовність результатів.
Для систематичних оглядів таких досліджень поточним рекомендованим інструментом оцінки ризику упередження й застосовності є QUADAS-3. Він прямо охоплює дослідження тестів для діагностики, скринінгу та стадіювання.
Чому NPV із case-control дослідження може вводити в оману
У класичному діагностичному case-control дизайні дослідник окремо набирає групу людей зі станом і групу без стану. Частка «випадків» тоді задається дизайном, а не реальною поширеністю стану в клінічному потоці.
Sensitivity і specificity за певних умов можна оцінювати в такому дизайні, хоча spectrum bias та спосіб відбору все одно можуть їх спотворювати. Натомість сирі PPV і NPV, розраховані просто з такого штучного співвідношення випадків/контрольних учасників, не мають природної клінічної інтерпретації як прогностичні цінності реальної популяції.
Щоб отримати клінічно релевантну NPV, потрібна реалістична або зовнішньо задана передтестова ймовірність. Саме тому публікація таблиці 2×2 без опису дизайну і способу набору учасників ще не гарантує, що NPV можна переносити в практику.
NPV у психологічному та психіатричному скринінгу
Психологічні опитувальники часто дають безперервний score. Щоб оцінити їх як скринінгові інструменти, дослідники обирають cutoff, перетворюють score на умовно «позитивний/негативний» результат і порівнюють його з незалежним референтним стандартом, наприклад структурованим або напівструктурованим діагностичним інтерв’ю.
У великому individual participant data meta-analysis PHQ-9 для скринінгу великого депресивного розладу Negeri та співавтори показали, що оцінки sensitivity і specificity залежать, зокрема, від типу референтного інтерв’ю та характеристик учасників. Це ілюструє, чому NPV психологічного скринінгу не слід відривати від методів конкретного дослідження.
В іншому IPD meta-analysis для HADS-D Wu та співавтори подавали PPV і NPV для кількох cutoff і діапазону prevalence великої депресії 5–25%. NPV змінювалася разом із поширеністю та порогом, хоча йшлося про той самий інструмент.
Систематичний огляд Neulinger та співавторів щодо screening tools для психічних розладів у первинній допомозі також використовував sensitivity, specificity, PPV і NPV як окремі показники діагностичної точності. Це підкреслює: NPV є established measure у screening accuracy, а не окремим «коефіцієнтом психометричної якості» на кшталт reliability.
Скринінг не дорівнює діагнозу
Скринінгова шкала призначена для первинного виявлення людей із підвищеною ймовірністю стану або потребою в подальшій оцінці. Діагностика — ширший процес, що спирається на діагностичні критерії, клінічне оцінювання, контекст, диференційні пояснення, функціонування, анамнез та інші релевантні дані.
Для психічних, поведінкових і нейророзвиткових розладів ICD-11 Clinical Descriptions and Diagnostic Requirements ВООЗ є клінічним діагностичним керівництвом. Скринінговий score сам по собі не замінює такого діагностичного процесу.
Негативний скринінг тому слід тлумачити як інформацію, що змінює ймовірність, а не як логічне заперечення діагнозу. Якщо NPV 95%, це не означає «стану немає». Це означає, що в досліджуваній або релевантній популяції приблизно 95 зі 100 негативних результатів відповідали відсутності стану, а приблизно 5 зі 100 — ні.
У YMYL-контексті особливо важливо врахувати ціну хибнонегативного результату. Якщо пропуск стану може мати серйозні наслідки, прийнятний рівень залишкового ризику може бути нижчим, ніж у низькоризиковій ситуації. Це вже рішення про використання тесту, а не властивість самої формули NPV.
Негативний результат: коли він справді заспокоює
Негативний результат є найбільш інформативним, коли передтестова ймовірність не надто висока, тест має достатню чутливість для цільового стану, застосовано валідований cutoff, умови використання відповідають тим, у яких отримано evidence, а референтна популяція схожа на людину або групу, яку зараз оцінюють.
Корисно також знати 95% CI для NPV. Точкова оцінка 98% у невеликій вибірці може мати широкий інтервал невизначеності. STARD рекомендує звітувати estimates of diagnostic accuracy разом із precision, оскільки маленькі вибірки можуть створювати надмірно оптимістичне враження.
Ще одна умова — достатньо близький у часі референтний стандарт. Якщо стан може швидко змінюватися, довга затримка між скринінгом та підтверджувальним інтерв’ю створює додаткову невизначеність: тест і reference standard можуть фактично оцінювати різні моменти.
Для самозвітних шкал важливі також розуміння запитань, готовність повідомляти симптоми, мовна й культурна адаптація, формат адміністрування та контекст безпеки. Негативний score при систематичному недоповідомленні симптомів не набуває магічної надійності лише тому, що в іншому дослідженні NPV була високою.
Коли негативний результат не завершує оцінку
Негативний результат не повинен автоматично завершувати оцінку, якщо передтестова ймовірність висока: наприклад, людина вже має виражені симптоми, значне порушення функціонування, попередній діагноз, сильні фактори ризику або направлення до спеціалізованої служби.
Так само обережність потрібна, якщо інструмент не валідований для цієї вікової, мовної, культурної чи клінічної групи; якщо cutoff перенесено з іншої популяції без перевірки; якщо шкала має низьку sensitivity щодо важливого підтипу; якщо reference standard у валідаційному дослідженні був слабким; або якщо confidence interval навколо NPV широкий.
У практиці це означає просте правило: негативний скринінговий результат зменшує підозру настільки, наскільки це підтверджує evidence для конкретного тесту та конкретної ситуації. Він не скасовує клінічні дані, які суперечать скринінговому результату.
Порогове значення (cutoff) змінює NPV
Для безперервної шкали cutoff визначає, які scores вважати позитивними й негативними. Зміщення порогу змінює кількість TP, FP, TN і FN, отже змінює sensitivity, specificity, PPV і NPV.
Якщо поріг знижують, тест зазвичай ловить більше випадків: sensitivity зростає, FN стає менше, але FP може стати більше й specificity знизжується. Для NPV зменшення FN часто підвищує значення, але точний ефект залежить від усієї таблиці 2×2 і prevalence.
Якщо поріг підвищують, негативних результатів стає більше, але серед них може зростати частка пропущених cases. Тому NPV потрібно оцінювати саме для конкретного cutoff, а не для «тесту взагалі».
Cutoff також не є універсальною онтологічною межею «розлад є / розладу немає». Він є операційним правилом класифікації, обраним під певну мету, баланс наслідків і популяцію.
NPV і ROC/AUC
ROC-крива описує компроміс між sensitivity і false-positive rate при різних порогах. AUC узагальнює здатність score розрізняти дві групи по всьому діапазону порогів. NPV відповідає на інше запитання: що означає конкретний негативний результат за конкретного порогу і конкретної поширеності.
Високий AUC не гарантує високу NPV у будь-якому setting. Так само висока NPV у популяції з дуже низькою prevalence не доводить, що AUC високий або що тест має добру clinical utility.
Clinical utility потребує ще ширшого аналізу: що відбувається після результату, чи змінює тест рішення, які наслідки хибнопозитивних і хибнонегативних результатів, чи доступне підтвердження, яке лікування або втручання має сенс і які витрати/ризики створює маршрут.
NPV і predictive validity — різні поняття
Термін predictive value легко сплутати з прогностичною валідністю. Це різні концепти.
Negative predictive value належить до мови бінарної діагностичної або скринінгової класифікації. Вона описує частку істинно негативних серед усіх негативних результатів і залежить від prevalence.
Predictive validity у психометрії стосується того, наскільки scores тесту підтримують прогноз майбутнього зовнішнього критерію: наприклад, чи передбачає вступний бал подальший академічний результат. Це evidence щодо intended interpretation/use, а не NPV.
Тому «прогностична цінність» у diagnostic accuracy і «прогностична валідність» у психометрії мають схожі слова, але різну математичну структуру, різні знаменники та різні дослідницькі запитання.
NPV не є показником надійності тесту
Надійність стосується відтворюваності та точності вимірювання: наскільки scores стабільні або узгоджені за відповідних умов. NPV стосується правильності негативної класифікації відносно цільового стану та reference standard.
Тест може мати високу internal consistency і слабку NPV для певного cutoff у конкретному setting. І навпаки, висока NPV в низькопоширеній популяції не доводить високої reliability шкали.
У сучасних Standards for Educational and Psychological Testing AERA/APA/NCME валідність розглядається через evidence, що підтримує intended interpretations and uses score. NPV може бути важливою частиною evidence для конкретного класифікаційного використання, але вона не замінює весь комплекс валідності, надійності, fairness та наслідків використання.
Мовна й культурна адаптація може змінити прогностичну цінність
Переклад опитувальника не гарантує, що його cutoff, sensitivity, specificity або NPV збережуться. Зміна формулювань, способу відповіді, культурної інтерпретації симптомів, способу набору вибірки або reference standard може змінити класифікаційні властивості.
Тому наявність українського перекладу ще не означає наявності валідованої української адаптації, а наявність валідованої адаптації не означає, що один і той самий NPV працює в кожній українській популяції. Потрібно дивитися, де саме, на кому й для якої мети отримано ці estimates.
IP/licensing і psychometric quality — окремі питання. Інструмент може бути легально доступним і методологічно слабким або, навпаки, мати сильну evidence base, але бути proprietary. NPV нічого не говорить про ліцензійний статус.
NPV = 100% не означає абсолютної гарантії
У невеликій вибірці може трапитися, що серед негативних результатів не спостерігали жодного FN. Тоді point estimate NPV дорівнює 100%. Це не доводить, що хибнонегативні результати неможливі.
Потрібно дивитися на розмір вибірки, кількість negative results, кількість учасників зі станом, 95% CI, дизайн і реплікації. Нуль спостережених помилок у малій групі створює невизначеність, а не логічну неможливість помилки.
Особливо підозріло виглядає «ідеальна» NPV, якщо дослідження включало дуже мало cases, мало негативних результатів або сильний spectrum restriction. Показник має читатися разом із сирими числами 2×2, а не тільки з красивим відсотком.
Чому 95% NPV може бути достатньо в одному контексті й недостатньо в іншому
Статистична точність і рішення — різні рівні. NPV = 95% означає приблизно 5% ймовірності цільового стану серед людей із негативним тестом у відповідній популяції. Чи прийнятний такий залишковий ризик, залежить від наслідків пропуску та від того, що роблять далі.
Для низькоризикового дослідницького відбору 5% може мати одне значення. Для стану, де пропуск пов’язаний із серйозною шкодою, — інше. Для ситуації, де існує простий і безпечний підтверджувальний етап, рішення також буде іншим.
Отже, не існує універсальної «хорошої NPV» на кшталт магічного порогу 90%, 95% або 99%. Показник потрібно зіставляти з intended use, base rate, uncertainty та наслідками false negatives.
Як правильно читати NPV у науковій статті
Перед тим як прийняти NPV за орієнтир, варто поставити кілька запитань. Яка саме популяція досліджувалася? Яка була prevalence цільового стану? Чи відображає вона вашу ситуацію? Який cutoff застосовано? Чи був cutoff визначений до аналізу чи оптимізований на тій самій вибірці?
Далі: який reference standard використано і чи був він незалежним від індексного тесту? Чи всі учасники отримали reference standard, чи лише частина? Який проміжок часу між тестом і підтвердженням? Чи були пропущені дані? Чи засліплювали оцінювачів?
Потрібно також подивитися на 2×2 counts, а не тільки на відсотки: скільки TN і FN фактично спостерігали. NPV 99% на 99 TN і 1 FN дає іншу точність, ніж 9900 TN і 100 FN, хоча відсоток однаковий.
І нарешті: чи подано confidence interval, чи була зовнішня валідація, чи повторювався результат в інших setting, мовах і популяціях, і чи не суперечить клінічне застосування тому, для чого інструмент був валідований.
Типові помилки інтерпретації
Помилка 1. «NPV 95% означає, що тест має 95% точності». Ні. NPV стосується лише негативних результатів і не описує загальну accuracy, PPV, sensitivity, specificity, calibration чи clinical utility.
Помилка 2. «NPV — це specificity». Ні. Specificity умовиться на відсутності стану; NPV умовиться на негативному результаті тесту.
Помилка 3. «NPV не залежить від prevalence». Залежить безпосередньо. Зміна базової частоти може суттєво змінити NPV навіть при тих самих Se і Sp.
Помилка 4. «Негативний скринінг виключає діагноз». Ні. Скринінг змінює ймовірність і визначає маршрут подальшого оцінювання; діагноз потребує ширшої процедури.
Помилка 5. «Висока NPV означає, що cutoff універсальний». Ні. NPV оцінено для конкретного порогу й популяції; інший cutoff змінює 2×2 таблицю.
Помилка 6. «NPV із публікації можна переносити на будь-яку країну та мову». Ні. Потрібні evidence щодо population, language/cultural adaptation, setting і intended use.
Помилка 7. «100% NPV означає неможливість хибнонегативного результату». Ні. Треба врахувати вибірку й невизначеність.
Помилка 8. «Висока NPV доводить валідність тесту загалом». Ні. Це лише один показник для конкретного класифікаційного використання.
Помилка 9. «Низька NPV завжди означає поганий тест». Не обов’язково. У популяції з дуже високою prevalence навіть сильний тест може мати нижчу NPV; рішення треба оцінювати разом із LR−, sensitivity, specificity та наслідками.
Помилка 10. «NPV можна оцінити без reference standard». Ні. Щоб знати, який негативний результат істинний, потрібен зовнішній критерій, що визначає status цільового стану.
Практичний алгоритм тлумачення негативного скринінгу
Крок 1. Уточніть, що саме означає «негативний» результат: який інструмент, версія, мова, cutoff і період симптомів.
Крок 2. Визначте цільовий стан і reference standard, відносно якого була оцінена NPV. Якщо дослідження перевіряло іншу конструкцію або інший діагноз, цифра не переноситься автоматично.
Крок 3. Оцініть, наскільки ваша популяція схожа на валідаційну вибірку: загальна популяція, первинна допомога, спеціалізована клініка, підлітки, дорослі, люди з соматичними хворобами тощо.
Крок 4. Знайдіть передтестову ймовірність або релевантну поширеність. Якщо вона суттєво відрізняється від дослідження, опублікована NPV може бути слабким наближенням.
Крок 5. Перевірте sensitivity, specificity і LR− для того самого cutoff. Низька sensitivity збільшує ризик FN; LR− показує, наскільки негативний результат зменшує odds стану.
Крок 6. Подивіться на confidence interval і сирі counts TN/FN. Точкова оцінка без precision може створювати хибну впевненість.
Крок 7. Врахуйте наслідки пропуску. Якщо ціна FN висока або клінічна підозра залишається значною, негативний скринінговий результат може вимагати подальшої оцінки.
Крок 8. Не перетворюйте screening classification на діагноз або «остаточне виключення». Результат тесту — один фрагмент evidence в ширшому процесі оцінювання.
Науковий статус: що встановлено, а що залежить від контексту
Добре встановлено: NPV є стандартною мірою діагностичної/скринінгової точності та визначається як TN/(TN+FN). Її залежність від prevalence або pre-test probability випливає з базової теорії умовних імовірностей і підтверджена методологічною літературою.
Добре встановлено: NPV, PPV, sensitivity і specificity відповідають на різні умовні запитання й не можуть взаємозамінюватися. Predictive value також не тотожна predictive validity у психометрії.
Добре встановлено: estimates of diagnostic accuracy потребують оцінки uncertainty, risk of bias та applicability. STARD, Cochrane DTA methodology і QUADAS саме тому вимагають опису selection, index test, reference standard, flow/timing та precision.
Контекстно залежить: конкретне числове значення NPV для конкретного психологічного опитувальника. Воно залежить від cutoff, reference standard, setting, sample spectrum, prevalence, мови й адаптації.
Обґрунтоване тлумачення: якщо validation study проведене в дуже близькій популяції та setting, опублікована NPV може бути корисним наближенням для практичної інтерпретації. Наскільки близькою має бути популяція — окреме професійне судження, а не універсальна формула.
Методологічно слабка практика: подавати одну NPV як незмінну «характеристику тесту» без контексту або використовувати її для автоматичного встановлення/виключення психічного розладу. Така інтерпретація виходить за межі того, що показник реально означає.
NPV у дослідженнях: що варто звітувати
Для прозорого звітування недостатньо написати «NPV = 0,96». Потрібно подати або зробити відновлюваними TP, FP, TN, FN; чітко визначити позитивний і негативний результат; назвати cutoff; описати population і setting; повідомити prevalence; вказати reference standard; подати 95% CI.
Корисно також описати, чи cutoff був prespecified, чи підібраний на тих самих даних; як поводилися з missing data та indeterminate results; чи всі учасники отримали reference standard; чи були assessors blinded; який був інтервал між index і reference tests.
Якщо NPV прогнозується для кількох можливих prevalence, слід ясно сказати, що це модельовані post-test probabilities, а не прямі спостереження в кожній такій популяції.
У метааналізах DTA зазвичай не варто просто усереднювати NPV між дослідженнями з дуже різною prevalence. Більш інформативно моделювати sensitivity/specificity і heterogeneity, а predictive values показувати для конкретних передтестових імовірностей.
Українська термінологія
В українських офіційних клінічних документах уживається форма «негативна прогностична цінність» і скорочення НПЦ; це можна бачити, зокрема, у матеріалах Державного експертного центру МОЗ України. В академічних текстах трапляється також «негативне прогностичне значення».
У цій статті canonical term — «негативна прогностична цінність (NPV)», оскільки вона узгоджується з міжнародним negative predictive value і з термінологією кластера. Варіант «негативне прогностичне значення» можна читати як синонімічний у відповідному контексті, але його не слід плутати з прогностичною валідністю.
Запитання і відповіді
Що означає NPV 95%?
У релевантній популяції та за умов, у яких її оцінено, приблизно 95% усіх негативних результатів відповідають відсутності цільового стану, а приблизно 5% — хибнонегативні. Це не означає 95% «загальної точності» тесту.
Чи є висока NPV доказом, що розладу немає?
Ні. Висока NPV означає низьку залишкову ймовірність стану серед негативних результатів у відповідному setting. Вона не перетворює ймовірнісну оцінку на абсолютну гарантію і не замінює клінічної оцінки.
Чому NPV падає, коли поширеність зростає?
Бо за тієї самої sensitivity серед більшої кількості людей зі станом абсолютна кількість FN зростає. FN входять у знаменник TN + FN і знижують частку TN серед усіх негативних результатів.
Що сильніше впливає на NPV — sensitivity чи specificity?
Обидві величини входять у формулу разом із prevalence. Низька sensitivity напряму збільшує FN, а specificity визначає кількість TN серед людей без стану. Вплив кожної залежить від базової частоти і конкретних значень.
Чи можна порівнювати NPV двох тестів із різних досліджень?
Лише дуже обережно. Якщо дослідження мають різну prevalence, population spectrum, reference standard або cutoff, різниця NPV може відображати контекст, а не перевагу одного тесту.
Чим NPV відрізняється від LR−?
NPV одразу дає частку істинно негативних серед усіх негативних результатів у певній популяції. LR− описує, у скільки разів негативний результат змінює odds стану; його можна комбінувати з різними pre-test probabilities для отримання post-test probability.
Чи можна порахувати NPV з sensitivity і specificity?
Так, якщо відома або задана prevalence/pre-test probability. Без неї однозначної NPV немає. Саме це відрізняє predictive values від уявлення про них як про фіксовані властивості тесту.
Чи потрібна NPV для шкали, яка просто вимірює вираженість симптомів?
Не завжди. Якщо шкала використовується як безперервний outcome measure без бінарного cutoff і без reference standard «стан є/немає», NPV може бути взагалі нерелевантною. Вона виникає тоді, коли score використовується для класифікації.
Що робити, якщо NPV не повідомлена в статті?
Якщо є повна таблиця 2×2, її можна обчислити як TN/(TN+FN). Якщо є лише sensitivity і specificity, потрібна ще prevalence. Якщо дизайн штучно задавав частку випадків/контрольних учасників, прямий розрахунок NPV із вибірки може бути непридатним для клінічної популяції.
Чи може тест мати одночасно високу NPV і низьку PPV?
Так. Це типовий сценарій за низької prevalence: більшість негативних результатів можуть бути істинно негативними, тоді як серед позитивних відносно багато хибнопозитивних. Саме тому PPV і NPV треба читати разом із base rate.
Чи достатньо NPV для вибору скринінгового тесту?
Ні. Потрібні sensitivity, specificity, PPV, LR, uncertainty, validity evidence, reliability, fairness, feasibility, наслідки помилок і intended use. Для психологічного тесту важливі також стандартизація, мовна/культурна адаптація та етичне застосування.
Пов’язані статті
Базова частота і поширеність: чому base rate змінює значення позитивного та негативного результату тесту — базова сторінка про prevalence, pre-test probability, PPV і NPV.
Відношення правдоподібності (LR+ і LR−): як результат тесту змінює ймовірність стану — як переходити від передтестової до післятестової ймовірності.
Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів — ширший контекст надійності, валідності, норм і вимірювання.
Психологічна оцінка й оцінювання: що це, як проходить і чим відрізняється від тестування — чому один score або screen не замінює комплексної оцінки.
Прогностична валідність: наскільки тест передбачає майбутній критерій і чому прогноз не є долею — окремий психометричний концепт, який не слід плутати з predictive value.
Теорія виявлення сигналу: як рішення про стимул залежать від чутливості та критерію — споріднена рамка для порогів, сигналу, шуму та рішень.