Trong nghiên cứu y khoa, khi đánh giá một xét nghiệm hoặc phương pháp chẩn đoán bệnh, có một câu hỏi rất quan trọng: Xét nghiệm đó có thực sự phát hiện đúng người mắc bệnh và phân biệt được người không mắc bệnh hay không?
Một xét nghiệm có thể cho kết quả dương tính ở rất nhiều người, nhưng liệu những người đó có thực sự mắc bệnh? Ngược lại, nếu xét nghiệm cho kết quả âm tính thì có thể yên tâm rằng người đó không mắc bệnh hay không?
Để trả lời những câu hỏi này, nghiên cứu y học thường sử dụng hai chỉ số quan trọng là độ nhạy (Sensitivity) và độ đặc hiệu (Specificity). Đây là hai chỉ số cơ bản khi đánh giá giá trị chẩn đoán của xét nghiệm, thiết bị y tế hoặc một phương pháp sàng lọc bệnh.
Ngoài ra, các chỉ số như PPV (Positive Predictive Value), NPV (Negative Predictive Value), đường cong ROC (Receiver Operating Characteristic) và AUC (Area Under the Curve) cũng thường được sử dụng để đánh giá hiệu quả của phương pháp chẩn đoán.
Trong bài viết này, chúng ta sẽ tìm hiểu bản chất của từng chỉ số, cách tính thông qua một ví dụ thực tế và cách thực hiện phân tích ROC Curve bằng phần mềm SPSS.
1. Độ nhạy (Sensitivity) là gì?
Độ nhạy (Sensitivity), còn được gọi là tỷ lệ dương tính thật (True Positive Rate), là tỷ lệ những người thực sự mắc bệnh được xét nghiệm phát hiện chính xác là dương tính. Nói một cách dễ hiểu, độ nhạy trả lời câu hỏi:Trong số những người thực sự mắc bệnh, xét nghiệm phát hiện đúng được bao nhiêu phần trăm?
Ví dụ, một phương pháp xét nghiệm được sử dụng để phát hiện bệnh tiểu đường. Trong 100 người thực sự mắc bệnh, xét nghiệm xác định đúng 90 người dương tính và bỏ sót 10 người. Khi đó, độ nhạy của xét nghiệm là 90%.
Điều này có nghĩa là xét nghiệm có khả năng phát hiện 90% số người thực sự mắc bệnh trong nhóm bệnh nhân được nghiên cứu. Tuy nhiên, không có nghĩa là một người nhận kết quả dương tính sẽ có 90% khả năng mắc bệnh. Đây là hai khái niệm hoàn toàn khác nhau.
Công thức tính độ nhạy:
Sensitivity = TP / (TP + FN) × 100%
Trong đó:
- TP (True Positive): Số người thực sự mắc bệnh và xét nghiệm cho kết quả dương tính.
- FN (False Negative): Số người thực sự mắc bệnh nhưng xét nghiệm cho kết quả âm tính.
Độ nhạy càng cao thì tỷ lệ bỏ sót người mắc bệnh càng thấp. Vì vậy, trong các xét nghiệm sàng lọc những bệnh nghiêm trọng, người ta thường đặc biệt quan tâm đến độ nhạy.
2. Độ đặc hiệu (Specificity) là gì?
Độ đặc hiệu (Specificity) là tỷ lệ những người thực sự không mắc bệnh được xét nghiệm xác định chính xác là âm tính. Nếu độ nhạy tập trung vào khả năng phát hiện người mắc bệnh thì độ đặc hiệu tập trung vào khả năng nhận diện đúng người không mắc bệnh.
Ví dụ, trong 100 người thực sự không mắc bệnh, xét nghiệm xác định đúng 85 người âm tính và cho kết quả dương tính nhầm ở 15 người. Khi đó, độ đặc hiệu của xét nghiệm là 85%.
Công thức tính:
Specificity = TN / (TN + FP) × 100%
Trong đó:
- TN (True Negative): Số người không mắc bệnh và xét nghiệm cho kết quả âm tính.
- FP (False Positive): Số người không mắc bệnh nhưng xét nghiệm cho kết quả dương tính.
Độ đặc hiệu càng cao thì tỷ lệ dương tính giả càng thấp. Điều này đặc biệt quan trọng đối với những xét nghiệm mà kết quả dương tính có thể dẫn đến các thủ thuật xâm lấn, điều trị tốn kém hoặc gây tâm lý lo lắng cho bệnh nhân.
3. Phân biệt Sensitivity và Specificity thông qua bảng 2×2
Để hiểu rõ hai chỉ số này, chúng ta cần biết cách xây dựng bảng phân loại 2×2 (Confusion Matrix hoặc Diagnostic 2×2 Table).
Đây là bảng đối chiếu kết quả của xét nghiệm đang đánh giá với một phương pháp tham chiếu được xem là tiêu chuẩn xác định tình trạng bệnh (Reference Standard). Trong một số nghiên cứu, phương pháp tham chiếu này được gọi là Gold Standard.
Giả sử một nghiên cứu thực hiện đánh giá xét nghiệm mới trên 100 bệnh nhân. Tất cả bệnh nhân đều được xác định tình trạng bệnh bằng phương pháp tham chiếu và được thực hiện xét nghiệm mới.
Kết quả thu được như sau:
| Kết quả xét nghiệm | Thực sự mắc bệnh | Thực sự không mắc bệnh | Tổng |
|---|---|---|---|
| Dương tính | 36 (TP) | 9 (FP) | 45 |
| Âm tính | 4 (FN) | 51 (TN) | 55 |
| Tổng | 40 | 60 | 100 |
Từ bảng trên, chúng ta có thể xác định được bốn trường hợp:
Trường hợp 1: True Positive (TP)
Có 36 người thực sự mắc bệnh và xét nghiệm cũng cho kết quả dương tính. Đây là những trường hợp xét nghiệm phát hiện chính xác bệnh nhân mắc bệnh.
Trường hợp 2: False Positive (FP)
Có 9 người không mắc bệnh nhưng xét nghiệm lại cho kết quả dương tính. Đây là trường hợp dương tính giả.
Trường hợp 3: False Negative (FN)
Có 4 người thực sự mắc bệnh nhưng xét nghiệm cho kết quả âm tính. Đây là trường hợp âm tính giả, tức là xét nghiệm bỏ sót người mắc bệnh.
Trường hợp 4: True Negative (TN)
Có 51 người không mắc bệnh và xét nghiệm cũng xác định chính xác là âm tính.
Từ bốn nhóm này, chúng ta có thể tính được các chỉ số đánh giá hiệu quả chẩn đoán.
4. Ví dụ tính Sensitivity, Specificity, PPV và NPV
Sử dụng dữ liệu của 100 bệnh nhân ở trên, chúng ta tiến hành tính các chỉ số.
4.1. Tính độ nhạy (Sensitivity)
Trong 40 người thực sự mắc bệnh, xét nghiệm phát hiện đúng 36 người.
Sensitivity = 36 / (36 + 4) × 100% = 90%
Kết quả cho thấy độ nhạy của xét nghiệm là 90%. Điều này có nghĩa là trong nhóm người thực sự mắc bệnh, xét nghiệm có khả năng phát hiện đúng 90% trường hợp.
4.2. Tính độ đặc hiệu (Specificity)
Trong 60 người thực sự không mắc bệnh, xét nghiệm xác định đúng 51 người âm tính.
Specificity = 51 / (51 + 9) × 100% = 85%
Kết quả cho thấy độ đặc hiệu là 85%. Nghĩa là trong nhóm người thực sự không mắc bệnh, xét nghiệm xác định đúng 85% trường hợp.
4.3. Giá trị dự báo dương tính (PPV)
PPV (Positive Predictive Value) là tỷ lệ người thực sự mắc bệnh trong số những người có kết quả xét nghiệm dương tính. Công thức:
PPV = TP / (TP + FP) × 100%
Thay số: PPV = 36 / (36 + 9) × 100% = 80%
Như vậy, trong nhóm có kết quả xét nghiệm dương tính, có 80% thực sự mắc bệnh theo phương pháp tham chiếu.
4.4. Giá trị dự báo âm tính (NPV)
NPV (Negative Predictive Value) là tỷ lệ người thực sự không mắc bệnh trong số những người có kết quả xét nghiệm âm tính.
Công thức: NPV = TN / (TN + FN) × 100%
Thay số: NPV = 51 / (51 + 4) × 100% = 92,73%
Như vậy, trong nhóm có kết quả xét nghiệm âm tính, có khoảng 92,73% thực sự không mắc bệnh theo phương pháp tham chiếu.
4.5. Bảng tổng hợp kết quả
| Chỉ số | Kết quả | Ý nghĩa |
|---|---|---|
| Sensitivity | 90% | Phát hiện đúng người mắc bệnh |
| Specificity | 85% | Xác định đúng người không mắc bệnh |
| PPV | 80% | Tỷ lệ mắc bệnh trong nhóm dương tính |
| NPV | 92,73% | Tỷ lệ không mắc bệnh trong nhóm âm tính |
| Accuracy | 87% | Tỷ lệ phân loại đúng trên toàn bộ mẫu |
Lưu ý quan trọng: Sensitivity và Specificity được tính dựa trên tình trạng bệnh thực tế theo phương pháp tham chiếu. Trong khi đó, PPV và NPV phụ thuộc vào tỷ lệ hiện mắc bệnh (Prevalence) trong quần thể nghiên cứu. Vì vậy, cùng một xét nghiệm có thể có PPV và NPV rất khác nhau giữa nhóm bệnh nhân tại bệnh viện chuyên khoa và nhóm người được sàng lọc trong cộng đồng.
5. Phân biệt độ nhạy, độ đặc hiệu, PPV và NPV
Đây là phần rất dễ nhầm lẫn khi đọc các bài nghiên cứu y khoa.
Hãy nhớ bốn câu hỏi sau:
Sensitivity: Trong số người thực sự mắc bệnh, xét nghiệm phát hiện đúng bao nhiêu phần trăm?
Specificity: Trong số người thực sự không mắc bệnh, xét nghiệm xác định đúng bao nhiêu phần trăm?
PPV: Trong số người có kết quả dương tính, bao nhiêu phần trăm thực sự mắc bệnh?
NPV: Trong số người có kết quả âm tính, bao nhiêu phần trăm thực sự không mắc bệnh?
Sự khác biệt nằm ở mẫu số của phép tính. Sensitivity và Specificity xuất phát từ tình trạng bệnh thực tế, còn PPV và NPV xuất phát từ kết quả xét nghiệm.
Đây là lý do không nên sử dụng các chỉ số này thay thế cho nhau.
6. ROC Curve là gì?
ROC (Receiver Operating Characteristic) là đường cong được sử dụng để đánh giá khả năng phân biệt giữa hai nhóm, thường là nhóm có bệnh và nhóm không có bệnh.
Trong nghiên cứu y khoa, ROC Curve thường được sử dụng khi xét nghiệm tạo ra một giá trị định lượng liên tục, chẳng hạn nồng độ một chất sinh học trong máu, chỉ số xét nghiệm hoặc điểm số từ một phương pháp chẩn đoán.
Đường cong ROC biểu diễn mối quan hệ giữa:
- Trục tung (Y-axis): Sensitivity – độ nhạy.
- Trục hoành (X-axis): 1 – Specificity – tỷ lệ dương tính giả (False Positive Rate).
Khi thay đổi ngưỡng phân loại (Cut-off), độ nhạy và độ đặc hiệu cũng thay đổi. Nếu chọn ngưỡng thấp hơn, xét nghiệm thường phát hiện được nhiều người mắc bệnh hơn, làm tăng độ nhạy nhưng cũng có thể làm tăng tỷ lệ dương tính giả. Ngược lại, nếu chọn ngưỡng cao hơn, độ đặc hiệu có thể tăng nhưng độ nhạy có thể giảm.
ROC Curve thể hiện sự đánh đổi này trên nhiều ngưỡng phân loại khác nhau.
7. AUC là gì? Ý nghĩa của diện tích dưới đường cong ROC
AUC (Area Under the Curve) là diện tích nằm bên dưới đường cong ROC. Đây là chỉ số thường được sử dụng để đánh giá khả năng phân biệt giữa hai nhóm của một xét nghiệm hoặc mô hình dự đoán.
AUC có giá trị từ 0 đến 1.
| Giá trị AUC | Diễn giải tham khảo |
|---|---|
| 0,5 | Khả năng phân biệt tương đương ngẫu nhiên |
| 0,6 – dưới 0,7 | Khả năng phân biệt yếu |
| 0,7 – dưới 0,8 | Khả năng phân biệt chấp nhận được |
| 0,8 – dưới 0,9 | Khả năng phân biệt tốt |
| Từ 0,9 trở lên | Khả năng phân biệt rất tốt |
Đây là các mức diễn giải tham khảo, không phải tiêu chuẩn tuyệt đối áp dụng cho mọi lĩnh vực y khoa.
Ví dụ, nếu một xét nghiệm có AUC = 0,85 thì có thể diễn giải rằng xét nghiệm có khả năng phân biệt tốt giữa nhóm mắc bệnh và nhóm không mắc bệnh.
Về mặt xác suất, AUC có thể được hiểu là khả năng một người được chọn ngẫu nhiên từ nhóm mắc bệnh có điểm xét nghiệm cao hơn một người được chọn ngẫu nhiên từ nhóm không mắc bệnh, với điều kiện giá trị xét nghiệm cao hơn được xem là dấu hiệu của bệnh.
Cần lưu ý rằng AUC cao không đồng nghĩa với việc xét nghiệm chắc chắn có độ nhạy và độ đặc hiệu cao tại một ngưỡng Cut-off cụ thể. Khi ứng dụng lâm sàng, cần xem xét thêm ngưỡng phân loại, khoảng tin cậy và hậu quả của các trường hợp dương tính giả hoặc âm tính giả.
8. Cách chạy ROC Curve trong SPSS
SPSS hỗ trợ phân tích ROC Curve thông qua chức năng ROC Analysis. Phân tích này phù hợp khi bạn có một biến kết quả tham chiếu gồm hai nhóm và một biến xét nghiệm định lượng hoặc điểm dự đoán.
Giả sử nghiên cứu có hai biến:
Benh: Tình trạng bệnh, trong đó 1 = Có bệnh, 0 = Không bệnh.Marker: Nồng độ một chất xét nghiệm trong máu.
Mục tiêu là đánh giá khả năng sử dụng Marker để phân biệt người mắc bệnh và người không mắc bệnh.
Bước 1. Chuẩn bị dữ liệu
Mỗi dòng trong SPSS tương ứng với một bệnh nhân. Biến Benh được mã hóa thành hai nhóm 0 và 1, trong khi Marker chứa giá trị định lượng thu được từ xét nghiệm.

Cần kiểm tra dữ liệu đã nhập đúng chưa, không có trường hợp mã hóa nhầm nhóm bệnh và các giá trị thiếu cần được xử lý phù hợp.
Đặc biệt, cần xác định rõ giá trị Marker tăng cao có biểu thị nguy cơ mắc bệnh hay không. Điều này rất quan trọng khi thiết lập hướng phân loại trong ROC.
Bước 2. Mở chức năng ROC Curve
Trên thanh công cụ SPSS, thực hiện theo đường dẫn:
Analyze → Classify → ROC Analysis.

Ở một số phiên bản SPSS cũ, chức năng có thể hiển thị dưới tên ROC Curve trong cùng nhóm Classify.
Bước 3. Khai báo các biến
Trong hộp thoại ROC Analysis, khai báo:
- Test Variable: Chọn biến Marker.
- State Variable: Chọn biến Benh.
- Value of State Variable: Nhập 1, vì nhóm có Benh được mã hóa bằng giá trị 1.

Nếu xét nghiệm có giá trị càng cao thì khả năng mắc bệnh càng lớn, chọn hướng phân loại tương ứng với giá trị cao biểu thị dương tính. Nếu chiều ngược lại, cần khai báo đúng hướng xét nghiệm.
Bước 4. Thiết lập các tùy chọn
Tùy phiên bản SPSS, bạn có thể chọn các tùy chọn liên quan đến:
- Đường cong ROC.
- Khoảng tin cậy 95% của AUC.
- Bảng tọa độ ROC (Coordinates of the Curve).
- Các ngưỡng phân loại (Cut-off).
Sau khi hoàn tất, nhấn Run hoặc OK để thực hiện phân tích.
Bước 5. Đọc kết quả ROC Curve
SPSS sẽ cung cấp một số bảng quan trọng.

Bảng Area Under the Curve
Đây là bảng thể hiện giá trị AUC, sai số chuẩn (Standard Error), khoảng tin cậy 95% và giá trị kiểm định.

Ví dụ giả định kết quả:
- AUC = 0,773.
- Standard Error = 0,32.
- 95% CI = 0,709 – 0,836.
- p < 0,001.
Có thể diễn giải rằng xét nghiệm có khả năng phân biệt tốt giữa nhóm mắc bệnh và nhóm không mắc bệnh. Khoảng tin cậy 95% không chứa giá trị 0,5 và kiểm định cho thấy AUC khác biệt có ý nghĩa thống kê so với mức phân biệt ngẫu nhiên.
Bảng Coordinates of the Curve
Đây là bảng rất quan trọng khi muốn lựa chọn ngưỡng Cut-off.

Bảng thường thể hiện các giá trị ngưỡng của Marker, Sensitivity và 1 – Specificity tương ứng.
Để tính độ đặc hiệu tại từng ngưỡng, sử dụng:
Specificity = 1 – (1 – Specificity)
Ví dụ, nếu bảng cho thấy:
- Sensitivity = 0,90.
- 1 – Specificity = 0,20.
Thì:
Specificity = 1 – 0,20 = 0,80 = 80%.
Như vậy, tại ngưỡng đang xét, xét nghiệm có độ nhạy 90% và độ đặc hiệu 80%.
9. Cách xác định Cut-off tối ưu bằng chỉ số Youden
Trong nghiên cứu y khoa, việc lựa chọn ngưỡng Cut-off có ý nghĩa rất quan trọng. Một ngưỡng quá thấp có thể khiến nhiều người không mắc bệnh bị xác định nhầm là dương tính. Ngược lại, một ngưỡng quá cao có thể khiến xét nghiệm bỏ sót nhiều bệnh nhân.
Một phương pháp thường được sử dụng là chỉ số Youden (Youden Index).
Công thức:
Youden Index = Sensitivity + Specificity – 1
Giá trị Youden nằm trong khoảng từ 0 đến 1. Giá trị càng lớn thể hiện sự kết hợp giữa độ nhạy và độ đặc hiệu càng tốt tại ngưỡng đang xét.
Ví dụ, giả sử có ba ngưỡng Cut-off:
| Cut-off | Sensitivity | Specificity | Youden Index |
|---|---|---|---|
| 10 | 0,95 | 0,60 | 0,55 |
| 15 | 0,90 | 0,80 | 0,70 |
| 20 | 0,75 | 0,90 | 0,65 |
Tại ngưỡng 10, độ nhạy cao nhưng độ đặc hiệu tương đối thấp. Tại ngưỡng 20, độ đặc hiệu cao nhưng độ nhạy giảm.
Ngưỡng 15 có Youden Index lớn nhất (0,70), do đó có thể được xem là ngưỡng tối ưu theo tiêu chí Youden trong ví dụ này.
Tuy nhiên, cần lưu ý rằng ngưỡng tối ưu theo Youden không phải lúc nào cũng là ngưỡng phù hợp nhất trong thực hành lâm sàng. Nếu bệnh có hậu quả nghiêm trọng khi bỏ sót, bác sĩ có thể ưu tiên độ nhạy cao hơn. Nếu xét nghiệm dương tính dẫn đến thủ thuật xâm lấn hoặc điều trị có rủi ro, độ đặc hiệu có thể được ưu tiên.
Ngoài ra, Cut-off cần được đánh giá trên mẫu độc lập hoặc thông qua phương pháp xác thực phù hợp để tránh đánh giá quá lạc quan trên chính bộ dữ liệu dùng để lựa chọn ngưỡng.
10. Cách trình bày kết quả Sensitivity, Specificity và ROC trong luận văn
Khi viết luận văn hoặc bài báo nghiên cứu y khoa, không nên chỉ đưa hình ảnh đường cong ROC mà không có phần giải thích.
Người nghiên cứu cần trình bày giá trị AUC, khoảng tin cậy 95%, giá trị p và các chỉ số độ nhạy, độ đặc hiệu tại ngưỡng Cut-off được lựa chọn.
Ví dụ đoạn diễn giải giả định:
“Kết quả phân tích đường cong ROC cho thấy xét nghiệm Marker có khả năng phân biệt tốt giữa nhóm bệnh nhân mắc bệnh và nhóm không mắc bệnh, với diện tích dưới đường cong AUC = 0,85 (KTC 95%: 0,77–0,93; p < 0,001). Tại ngưỡng Cut-off bằng 15, xét nghiệm đạt độ nhạy 90% và độ đặc hiệu 80%. Chỉ số Youden tại ngưỡng này đạt 0,70, cho thấy sự cân bằng tương đối tốt giữa khả năng phát hiện người mắc bệnh và khả năng loại trừ người không mắc bệnh.”
Đây là ví dụ minh họa cách viết, không phải kết quả thực tế của một nghiên cứu cụ thể.
11. Những sai lầm thường gặp khi phân tích Sensitivity và Specificity
Sai lầm thứ nhất: Nhầm lẫn giữa độ nhạy và PPV.
Độ nhạy 90% không có nghĩa là người có kết quả dương tính có 90% khả năng mắc bệnh. Độ nhạy được tính trên nhóm thực sự mắc bệnh, còn PPV được tính trên nhóm có kết quả xét nghiệm dương tính.
Sai lầm thứ hai: Cho rằng AUC cao đồng nghĩa với xét nghiệm hoàn hảo.
AUC chỉ phản ánh khả năng phân biệt tổng thể trên nhiều ngưỡng. Một xét nghiệm có AUC cao vẫn có thể có độ nhạy hoặc độ đặc hiệu chưa đạt yêu cầu tại ngưỡng được lựa chọn.
Sai lầm thứ ba: Chọn Cut-off chỉ vì cho kết quả đẹp.
Không nên thử nhiều ngưỡng rồi chỉ chọn ngưỡng có độ nhạy và độ đặc hiệu mong muốn mà không có cơ sở. Việc lựa chọn cần dựa trên tiêu chí thống kê, mục tiêu lâm sàng và hậu quả của từng loại sai số.
Sai lầm thứ tư: Không xác định đúng phương pháp tham chiếu.
Sensitivity và Specificity chỉ có ý nghĩa khi tình trạng bệnh được xác định bằng một phương pháp tham chiếu phù hợp. Nếu phương pháp tham chiếu không đáng tin cậy, kết quả đánh giá xét nghiệm mới cũng có thể bị sai lệch.
Sai lầm thứ năm: Không báo cáo khoảng tin cậy.
Một kết quả Sensitivity = 90% trên 20 bệnh nhân mắc bệnh sẽ có mức độ bất định khác với kết quả 90% trên 1.000 bệnh nhân mắc bệnh. Vì vậy, cần xem xét khoảng tin cậy 95%, chứ không chỉ báo cáo một tỷ lệ phần trăm.
12. Kết luận
Độ nhạy (Sensitivity) và độ đặc hiệu (Specificity) là hai chỉ số quan trọng trong đánh giá hiệu quả của xét nghiệm và phương pháp chẩn đoán y khoa. Trong khi Sensitivity phản ánh khả năng phát hiện đúng người mắc bệnh thì Specificity phản ánh khả năng xác định đúng người không mắc bệnh.
Bên cạnh hai chỉ số này, PPV, NPV, ROC Curve và AUC cung cấp thêm nhiều thông tin để đánh giá khả năng phân biệt của xét nghiệm. Việc hiểu đúng bản chất và lựa chọn ngưỡng Cut-off phù hợp sẽ giúp người nghiên cứu đưa ra kết luận có cơ sở hơn.
Trong SPSS, chức năng ROC Analysis giúp thực hiện các phân tích này một cách thuận tiện. Trong quá trình chạy, bạn có cần team hỗ trợ chạy giúp và giải thích ý nghĩa thì cứ liên hệ ThS Khánh 0903396688 nhé.
- Hệ số chặn intercept trong hồi quy là gì, hệ số chặn âm thì xấu hay là tốt
- Bàn luận về bản chất của phương sai trích VE(variance extracted) và phương sai trích trung bình AVE (average variance extracted)
- Cách xử lý lỗi Rotation failed to converge in 25 iterations
- Phân tích SEM : cách đọc hiểu các chỉ số và phân tích kết quả SEM
- Sự khác biệt giữa Composite Reliability rho_a và rho_c trong SmartPLS

















