Bayes Teoremi: Testiniz Pozitif Çıktı — Gerçekten Hasta mısınız?

Korkutucu Bir Test Sonucu

Diyelim ki bir hastalık için çok güvenilir bir test var. Hastalık nadir: her 10.000 kişiden yalnızca 1'inde görülüyor. Test ise oldukça iyi: Hasta olan birini %99 doğrulukla "pozitif" buluyor, sağlam birini de %99 doğrulukla "negatif" buluyor (yani yalnızca %1 yanlış alarm veriyor).

Rutin bir kontrolde testiniz pozitif çıktı. İlk tepkiniz muhtemelen panik olur: "Test %99 doğru, demek ki neredeyse kesin hastayım!"

Ama durun. Gerçek cevap şaşırtıcı: Bu durumda gerçekten hasta olma olasılığınız yalnızca yaklaşık %1'dir. Yani büyük olasılıkla sağlıklısınız. Nasıl olur?

Hile Nerede? — Nadir Hastalık Etkisi

Anahtar, hastalığın ne kadar nadir olduğunu hesaba katmaktır. Somut sayılarla gidelim. 1.000.000 (bir milyon) kişilik bir topluluk düşünelim:

• Hastalık 10.000'de 1 görüldüğü için, gerçekten hasta olan kişi sayısı: 100 kişi.
• Geri kalan 999.900 kişi sağlıklı.

Şimdi herkese test uygulayalım:

• Gerçek hastalar (100 kişi): Test %99 doğru olduğundan, bunların ~99'u doğru biçimde pozitif çıkar.
• Sağlıklılar (999.900 kişi): Test %1 yanlış alarm verdiğinden, bunların ~9.999'u yanlışlıkla pozitif çıkar!

Toplam pozitif çıkan kişi: 99 + 9.999 = 10.098. Ama bunların yalnızca 99'u gerçekten hasta. O hâlde pozitif çıkan birinin gerçekten hasta olma olasılığı:

$$\frac{99}{10.098} \approx 0{,}0098 \approx \%1$$

İşte bu kadar! Test çok doğru olsa bile, hastalık o kadar nadir ki, yanlış alarmların sayısı gerçek vakaları eziyor. Sezgimiz bu "taban oranını" (hastalığın nadirliğini) görmezden geldiği için bizi yanıltır. Buna taban oranı yanılgısı (base rate fallacy) denir.

Bayes Teoremi: Formülün Kendisi

Bu akıl yürütmeyi sistematik hâle getiren şey, 18. yüzyılda yaşamış İngiliz rahip ve matematikçi Thomas Bayes'in adını taşıyan Bayes Teoremidir. Teorem, "yeni bir kanıt edindiğimizde bir inancın olasılığını nasıl güncellemeliyiz?" sorusunu yanıtlar:

$$P(A \mid B) = \frac{P(B \mid A) \cdot P(A)}{P(B)}$$

Kelimelerle: "B kanıtı verildiğinde A'nın olasılığı", şuna eşittir — "A doğruyken B'yi görme olasılığı" çarpı "A'nın baştaki olasılığı", bölü "B'yi görmenin toplam olasılığı".

Bizim örneğimizde:

• A = "hastasınız", B = "test pozitif".
• P(A) = 1/10.000 (hastalığın baştaki, "önsel" olasılığı).
• P(B|A) = 0,99 (hastayken pozitif çıkma).
• Sonuç P(A|B) ≈ %1.

Teoremin kalbindeki fikir şu: Yeni kanıt, eski bilgiyi silmez; onu günceller. Hastalığın baştan ne kadar olası (ya da nadir) olduğunu bilmeden, test sonucunu doğru yorumlayamayız.

Bu Hastalığınız Olmadığı Anlamına mı Gelir?

Hayır — ve bu çok önemli bir nokta. Test pozitif çıkmadan önce hasta olma olasılığınız 1/10.000 (%0,01) idi. Pozitif çıktıktan sonra ise %1'e yükseldi. Yani olasılık 100 kat arttı! Test boşuna değil; size ciddi bir bilgi verdi.

İşte bu yüzden doktorlar, nadir hastalıklarda ikinci bir test yapar. İlk pozitif sonuç olasılığı %0,01'den %1'e çıkardı; ikinci bir bağımsız pozitif test, bu %1'i tekrar Bayes mantığıyla çok daha yükseğe taşır. Her yeni kanıt, inancı bir adım daha güncellemenin aracıdır.

Modern Dünyanın Sessiz Motoru

Bayes mantığı, "yeni veriyle inancı güncelleme" fikri olduğu için, bilgiyle çalışan hemen her sistemin kalbinde yer alır:

• Tıbbi teşhis: Tarama testlerinin yorumlanması, tam da yukarıdaki hesaba dayanır. Yanlış pozitifleri anlamak hayat kurtarır.
• Spam filtreleri: E-posta filtreleri, bir mesajdaki kelimelere bakarak "spam olma olasılığını" Bayes yöntemiyle günceller. ("Bayesçi spam filtresi" gerçek bir terimdir.)
• Yapay zekâ ve makine öğrenmesi: Modeller, yeni veri gördükçe tahminlerini Bayesçi mantıkla iyileştirir.
• Adli bilim ve hukuk: DNA kanıtının "ne kadar şey kanıtladığı", suçlamanın önsel olasılığına bağlıdır — yine Bayes.
• Arama kurtarma: Kaybolan gemi ve uçakları ararken, her yeni veri (akıntı, sinyal yokluğu) arama bölgesinin olasılık haritasını günceller.

Sonuç

Bayes Teoremi, basit bir formül gibi görünse de derin bir düşünce alışkanlığı öğretir: İnançlarımız sabit olmamalı; kanıt geldikçe orantılı biçimde güncellenmeli. Ne kanıtı görmezden gelmeli (test boşuna değil), ne de tek bir kanıta körü körüne teslim olmalıyız (taban oranını unutmamalı).

Bir test sonucu, bir haber, bir söylenti karşısında "bu beni ne kadar yanıltabilir?" diye sormak — işte 250 yıl önce bir rahibin bıraktığı bu zarif mirastır. Belki de bilimsel düşünmenin özü, tam olarak budur: kesinlik değil, doğru güncellenmiş olasılık.