Sensibilità e specificità: guida per il concorso SSM
24 Settembre 2026 · Mario Lomele
Ogni volta che un medico legge il risultato di un esame, sta implicitamente facendo affidamento su due numeri che raramente compaiono sul referto: la sensibilità e specificità del test. Sono le due proprietà intrinseche di qualsiasi strumento diagnostico, dal dosaggio della troponina alla mammografia di screening, e rappresentano uno degli argomenti di statistica medica più ricorrenti nel Concorso Nazionale SSM. In questo articolo le definiamo, le calcoliamo su un esempio didattico, vediamo come si interpretano e quali trappole nascondono, con uno sguardo finale alle forme con cui si presentano nei quiz.
Che cosa sono sensibilità e specificità
La sensibilità è la capacità di un test di identificare correttamente i malati: è la proporzione di soggetti con la malattia che risultano positivi al test. La specificità è la capacità del test di identificare correttamente i sani: è la proporzione di soggetti senza la malattia che risultano negativi. Entrambe si calcolano confrontando il risultato del test con un riferimento considerato la verità, il cosiddetto gold standard, che può essere l’esame istologico, una coltura, un’indagine strumentale più accurata o il follow-up clinico.
Il punto essenziale, da fissare subito, è che sensibilità e specificità sono proprietà del test, non del paziente e non della popolazione. Un test con sensibilità del 90% mantiene quel valore sia in un reparto di malattie infettive sia in un ambulatorio di medicina generale, perché la definizione si riferisce esclusivamente a chi la malattia ce l’ha (per la sensibilità) o non ce l’ha (per la specificità). Ciò che cambia da un contesto all’altro è invece il valore predittivo, che dipende dalla prevalenza e che tratteremo più avanti.
La tabella 2×2 e le formule spiegate a parole
Lo strumento che rende tutto trasparente è la tabella di contingenza a quattro caselle. Sulle righe si mette il risultato del test (positivo o negativo), sulle colonne lo stato reale di malattia (presente o assente). Le quattro caselle prendono nomi che vanno imparati a memoria: veri positivi (malati con test positivo), falsi positivi (sani con test positivo), falsi negativi (malati con test negativo) e veri negativi (sani con test negativo).
La sensibilità si ottiene dividendo i veri positivi per il totale dei malati, cioè veri positivi più falsi negativi. In parole: “fra tutti quelli che hanno davvero la malattia, quanti ne ho trovati?”. La specificità si ottiene dividendo i veri negativi per il totale dei sani, cioè veri negativi più falsi positivi. In parole: “fra tutti quelli che non hanno la malattia, quanti ne ho correttamente esclusi?”. Da queste due definizioni discendono due complementi utilissimi: il tasso di falsi negativi è uno meno la sensibilità, il tasso di falsi positivi è uno meno la specificità.
Un trucco mnemonico molto usato è ricordare che la sensibilità si legge “in colonna” fra i malati e la specificità “in colonna” fra i sani: entrambe hanno al denominatore una colonna della tabella, mai una riga. Le righe, cioè i totali dei positivi e dei negativi al test, sono invece il denominatore dei valori predittivi.
Esempio numerico svolto
Immaginiamo, a puro scopo didattico, di valutare un nuovo test rapido per una malattia infettiva su 1.000 persone, di cui 200 malate secondo il gold standard e 800 sane. Il test risulta positivo in 180 dei 200 malati e negativo in 720 degli 800 sani. Costruiamo la tabella: veri positivi 180, falsi negativi 20, veri negativi 720, falsi positivi 80.
La sensibilità è 180 diviso 200, cioè 0,90 o 90%: il test individua nove malati su dieci e ne lascia sfuggire uno. La specificità è 720 diviso 800, cioè 0,90 o 90%: il test esclude correttamente nove sani su dieci, ma etichetta come positivo un sano su dieci. Il tasso di falsi negativi è quindi del 10% e quello di falsi positivi del 10%.
Ora, senza cambiare nulla nelle prestazioni del test, immaginiamo di applicarlo a 1.000 persone di cui solo 20 malate. I veri positivi saranno 18, i falsi negativi 2, i veri negativi 882 e i falsi positivi 98. La sensibilità è ancora 18 su 20, cioè 90%, e la specificità è 882 su 980, cioè 90%. I due indici sono rimasti identici: questa invarianza rispetto alla prevalenza è il cuore del concetto e, come vedremo, il terreno preferito di molte domande.
Come si interpretano nella pratica clinica
Un test molto sensibile è utile per escludere una malattia: se sfugge pochissimi malati, un risultato negativo rende la diagnosi improbabile. L’acronimo inglese SnNOUT (“Sensitive test, Negative result, rules OUT”) riassume il concetto. È per questo che i test di screening e i test di primo livello in urgenza sono scelti per l’alta sensibilità: il dosaggio del D-dimero nel sospetto di tromboembolia è l’esempio classico, perché un valore normale in un paziente a bassa probabilità permette di fermare l’iter diagnostico.
Un test molto specifico è utile per confermare una malattia: se produce pochissimi falsi positivi, un risultato positivo rende la diagnosi molto probabile. L’acronimo corrispondente è SpPIN (“Specific test, Positive result, rules IN”). I test di conferma, spesso più costosi o invasivi, sono scelti per l’alta specificità e vengono applicati a chi è risultato positivo allo screening.
Questa lettura va sempre completata con la probabilità pre-test, cioè con la prevalenza nella popolazione a cui appartiene il paziente. Un test sensibile e specifico al 90% applicato a una malattia rarissima produce comunque più falsi positivi che veri positivi, come mostrano i numeri del secondo esempio (98 falsi positivi contro 18 veri positivi). Sensibilità e specificità descrivono il test; per rispondere alla domanda del paziente, “ho la malattia oppure no?”, servono i valori predittivi.
Errori e trappole tipiche
La prima trappola è confondere la sensibilità con il valore predittivo positivo. La sensibilità risponde a “se sei malato, quanto è probabile che il test sia positivo?”; il valore predittivo positivo risponde a “se il test è positivo, quanto è probabile che tu sia malato?”. Sono probabilità condizionate in direzione opposta e coincidono solo per caso.
La seconda è credere che sensibilità e specificità cambino con la prevalenza. Non cambiano, per costruzione, perché sono calcolate all’interno del gruppo dei malati e del gruppo dei sani separatamente. Nei quiz questa affermazione compare spesso come distrattore.
La terza riguarda la soglia di positività. Per i test con risultato continuo, come un dosaggio ematico, sensibilità e specificità dipendono dal cut-off scelto: abbassando la soglia si guadagna sensibilità e si perde specificità, alzandola avviene il contrario. La curva ROC rappresenta proprio questo compromesso e l’area sotto la curva riassume la capacità discriminante complessiva del test, indipendentemente dal singolo cut-off.
La quarta trappola è il calcolo “per riga”: chi divide i veri positivi per il totale dei positivi al test ottiene il valore predittivo positivo, non la sensibilità. Prima di calcolare conviene sempre disegnare la tabella e segnare quale colonna rappresenta i malati.
Confronto con valori predittivi e rapporti di verosimiglianza
I valori predittivi sono la faccia clinica della stessa tabella: il valore predittivo positivo è la quota di malati fra i positivi al test, il valore predittivo negativo è la quota di sani fra i negativi. A differenza di sensibilità e specificità, dipendono fortemente dalla prevalenza: al crescere della prevalenza sale il valore predittivo positivo e scende quello negativo. Nell’articolo dedicato al valore predittivo trovi il calcolo completo con lo stesso esempio.
I rapporti di verosimiglianza (likelihood ratio) combinano sensibilità e specificità in un unico numero che non dipende dalla prevalenza. Il rapporto di verosimiglianza positivo è la sensibilità divisa per uno meno la specificità e indica quante volte è più probabile un test positivo in un malato rispetto a un sano; quello negativo è uno meno la sensibilità diviso la specificità. Nel nostro esempio didattico valgono rispettivamente 9 e 0,11. Con il teorema di Bayes, o più semplicemente con il nomogramma di Fagan, permettono di passare dalla probabilità pre-test a quella post-test.
Infine, l’accuratezza o esattezza diagnostica è la quota di risultati corretti sul totale dei testati, cioè veri positivi più veri negativi diviso tutti. Nel primo esempio è 900 su 1.000, cioè 90%. È un indice riassuntivo poco informativo quando la malattia è rara, perché un test che dicesse sempre “negativo” avrebbe accuratezza pari alla percentuale di sani.
Il ruolo negli screening e nella prevenzione
Nei programmi di screening oncologici la scelta del test è un compromesso fra sensibilità, specificità, costo e accettabilità. Un test di screening deve essere sensibile per non perdere casi, ma se è poco specifico genera richiami inutili, ansia e approfondimenti invasivi. Per questo la strategia è quasi sempre a due livelli: un primo test sensibile applicato a tutta la popolazione bersaglio, seguito da un test specifico di conferma per i positivi. La logica si inserisce nel quadro più ampio della prevenzione primaria, secondaria e terziaria, dove lo screening rappresenta il livello secondario.
Va ricordato anche che le stime di sensibilità e specificità riportate in letteratura derivano da studi con una loro popolazione e un loro spettro di gravità: un test valutato su malati in fase avanzata mostrerà una sensibilità più alta di quella che avrà nella fase precoce a cui lo screening è rivolto (spectrum bias). È una sfumatura che raramente entra nei quiz, ma che aiuta a leggere gli studi con occhio critico.
Come cade sensibilità e specificità al concorso
Le domande su sensibilità e specificità sono fra le più prevedibili dell’intera area di statistica medica e si presentano in poche forme ricorrenti, che conviene allenare con le prove degli anni precedenti.
- Calcolo diretto dalla tabella. Il quiz fornisce i quattro numeri (o li fa ricavare da un testo) e chiede la sensibilità o la specificità. Basta identificare la colonna giusta e dividere.
- Definizione a parole. “Quale delle seguenti definisce la sensibilità?” con distrattori che descrivono specificità, valore predittivo positivo o negativo. La chiave è la direzione della probabilità condizionata.
- Effetto della prevalenza. “Se la prevalenza raddoppia, la sensibilità…”: resta invariata. Cambiano solo i valori predittivi.
- Scelta del test in base allo scopo. “Per escludere una malattia si preferisce un test…” ad alta sensibilità; “per confermare” ad alta specificità.
- Cut-off e curva ROC. “Spostando la soglia di positività verso valori più bassi, la sensibilità aumenta e la specificità diminuisce.” Oppure la domanda chiede quale test è migliore in base all’area sotto la curva ROC.
Nella Piattaforma Accademia le simulazioni commentate mostrano, per ciascun quesito di questo tipo, la tabella 2×2 ricostruita e il passaggio numerico che porta alla risposta, così che l’errore di calcolo “per riga” venga riconosciuto e non ripetuto.
In sintesi
La sensibilità è la quota di malati che il test riconosce, la specificità è la quota di sani che il test esclude. Sono proprietà intrinseche del test, non dipendono dalla prevalenza e si calcolano sempre per colonna nella tabella 2×2. Un test sensibile serve per escludere, un test specifico per confermare, e la soglia di positività le fa muovere in direzioni opposte. Quando invece la domanda riguarda il singolo paziente con un risultato in mano, occorre passare ai valori predittivi, che dipendono dalla prevalenza. Chi tiene ferme queste poche regole risponde con sicurezza alla grande maggioranza dei quesiti di statistica del concorso.
Articolo a cura della redazione di Test Ammissione, che dal 2016 prepara medici al Concorso Nazionale SSM con manuali, simulazioni commentate e lezioni online.