پایه‌ای‌ترین مدل احتمال در پزشکی و سلامت
➖➖➖
🔍 توضیح ساده و شهودی
توزیع برنولی زمانی استفاده می‌شود که نتیجه فقط دو حالت دارد:
• بله / خیر
• مثبت / منفی
• بیمار / سالم
• موفقیت / شکست
در پزشکی، این توزیع تقریباً همه‌جا هست:
• نتیجه تست تشخیصی
• وجود یا عدم وجود عارضه
• پاسخ یا عدم پاسخ به درمان
📌 هر مشاهده فقط ۰ یا ۱ است.
➖➖➖
📐 تعریف ریاضی
اگر متغیر تصادفی X برنولی باشد:
• X = 1 → با احتمال p
• X = 0 → با احتمال (1 − p)
📊 فرمول احتمال (تابع جرم احتمال):
P(X = x) = p^x × (1 − p)^(1 − x)
که در آن:
• x فقط می‌تواند 0 یا 1 باشد
• p = احتمال رخداد (مثلاً مثبت شدن تست)
📌 در سلامت:
p = ریسک / شیوع / احتمال بیماری
---
🟢 سؤال ۳ — برنولی در پزشکی / سلامت (Risk Modeling)
🎯 سناریو
برای هر بیمار نتیجه تست:
• 1 → مثبت
• 0 → منفی
---
📊 داده
120 بیمار داریم:
test_results = [1]*14 + [0]*106
---
❓ سؤال ۱: احتمال مثبت بودن تست چقدر است؟
در توزیع برنولی، بهترین تخمین p برابر است با میانگین داده‌ها:
p̂ = تعداد موارد مثبت ÷ کل بیماران
در این داده:
p̂ = 14 ÷ 120 ≈ 0.117
✅ پاسخ:
📌 حدود 11.7٪ بیماران تست مثبت دارند
این یعنی ریسک مشاهده‌شده در نمونه
➖➖➖
❓ سؤال ۲: آیا این نرخ با شیوع مورد انتظار ۸٪ هم‌خوانی دارد؟
مقایسه ساده:
• شیوع مورد انتظار: 8٪
• شیوع مشاهده‌شده: 11.7٪
📌 اختلاف وجود دارد، اما سؤال مهم‌تر:
> آیا این اختلاف می‌تواند صرفاً ناشی از تصادف نمونه‌گیری باشد؟
برای نتیجه‌گیری قطعی، نیاز به:
• فاصله اطمینان
• یا تست فرض آماری (Binomial Test)
⚠️ نتیجه عملی:
• اختلاف قابل توجه است
• ولی برای تصمیم بالینی قطعی، تحلیل آماری رسمی لازم است
➖➖➖
❓ سؤال ۳: اگر فردا 40 بیمار جدید بیایند،
احتمال اینکه حداقل 1 مورد مثبت داشته باشیم چقدر است؟
اگر احتمال مثبت بودن هر بیمار:
p = 0.117
🔹 احتمال اینکه هیچ بیماری مثبت نباشد:
(1 − p)^40
🔹 پس احتمال اینکه حداقل یک بیمار مثبت باشد:
1 − (1 − p)^40 ≈ 0.99
✅ پاسخ:
📌 حدود 99٪ احتمال دارد حداقل یک تست مثبت ببینیم
این موضوع برای:
• برنامه‌ریزی منابع
• آمادگی درمانی
• مدیریت ریسک
بسیار حیاتی است.
➖➖➖
❓ سؤال ۴: آیا این داده برای تصمیم‌گیری بالینی کافی است؟
پاسخ داده‌کاوی:
احتمالاً نه
دلایل:
• حجم نمونه (120 نفر) متوسط است
• عدم قطعیت تخمین p هنوز بالاست
• تصمیم بالینی نیاز به:
• فاصله اطمینان باریک‌تر
• داده از مراکز مختلف
• کنترل سوگیری نمونه
📌 برای سیاست‌گذاری یا تصمیم درمانی:
> نمونه بزرگ‌تر = ریسک کمتر تصمیم اشتباه
➖➖➖
🧠 جمع‌بندی نهایی
• توزیع برنولی ساده‌ترین مدل برای ریسک در سلامت است
• هر تست تشخیصی = یک آزمایش برنولی
• میانگین داده‌ها = تخمین ریسک
• با برنولی می‌توان:
• شیوع را تخمین زد
• عدم قطعیت را سنجید
• سناریوهای آینده را پیش‌بینی کرد
📌 داده‌کاوی در سلامت یعنی:
ترجمه‌ی 0 و 1 به تصمیم بالینی آگاهانه
➖➖➖➖
🔻 @hitwithit
🔺 Youtube
🔻 داده کاوی در سلامت