偽陽性のパラドックス計算ツール

偽陽性のパラドックス計算ツール

新興 AI Skill PRO

計算を入力してください

公式

PPV=感度·有病率感度·有病率+(1−特異度)(1−有病率)×100%ただし{有病率=有病率(%)100感度=感度(%)100特異度=特異度(%)100\begin{gathered} \text{PPV} = \frac{\text{感度} \cdot \text{有病率}}{\text{感度} \cdot \text{有病率} + (1 - \text{特異度})(1 - \text{有病率})} \times 100\% \\[1.5em] \text{ただし}\quad \left\{ \begin{aligned} \text{有病率} &= \dfrac{\text{有病率(\%)}}{100} \\ \text{感度} &= \dfrac{\text{感度(\%)}}{100} \\ \text{特異度} &= \dfrac{\text{特異度(\%)}}{100} \end{aligned} \right. \end{gathered}
利用統計

広告

結果

検査陽性のときに実際に病気である確率(PPV)
16.67%
陽性的中率
偽発見率 83.33%
真陽性(人口に占める割合) 0.99%
偽陽性(人口に占める割合) 4.95%

このページの誤りを報告

偽陽性のパラドックスとは?

偽陽性のパラドックスとは、医療検査やスクリーニングにおける直感に反する事実を指します。たとえ非常に精度の高い検査でも、対象となる病気がまれなものであれば、陽性結果のほとんどが「誤報(偽陽性)」になってしまうのです。この計算ツールはベイズの定理を用いて、検査が陽性だった場合に実際にその病気である確率、すなわち陽性的中率(PPV)を導き出します。多くの場合、その値は検査の「精度◯%」という見出し的な数字よりもはるかに低くなります。

1000個のマス目で、少数の真陽性と、健康な人の中の多数の偽陽性を対比したグリッド
集団グリッド:有病率が低いと、精度の高い検査でも偽陽性が真陽性を上回ることがあります。

使い方

3つの割合(%)を入力してください。有病率(検査対象集団の中でその病気がどれくらい一般的か)、感度(病気の人が陽性と出る確率、いわゆる真陽性率)、そして特異度(健康な人が陰性と出る確率、いわゆる真陰性率)です。計算ツールは、陽性結果が本物である確率に加えて、偽発見率(誤って陽性と判定される割合)も表示します。

計算式の解説

ベイズの定理は、病気の人が陽性になる確率と、健康な人が誤って陽性になる確率を組み合わせます。

$$\text{P(D|+)} = \frac{\text{感度} \times \text{有病率}}{\text{感度} \times \text{有病率} + (1 - \text{特異度}) \times (1 - \text{有病率})}$$

分子は「病気であり、かつ正しく陽性と判定された人」の割合です。分母にはそれに加えて偽陽性、つまり「健康なのに誤って陽性と判定された人」が含まれます。有病率がごくわずかなとき、この偽陽性の項が全体を支配するようになります。

広告
集団を有病者と健康な人に分け、さらに検査結果の陽性と陰性に分岐させた樹形図
有病率・感度・特異度が組み合わさって真陽性と偽陽性が生じる仕組みを示す確率樹形図。

計算例

ある病気が人口の1%に発生する(有病率 = 0.01)とし、検査の感度が99%、特異度が95%だと仮定します。真陽性 = \(0.99 \times 0.01 = 0.0099\)。偽陽性 = \(0.05 \times 0.99 = 0.0495\)。$$\text{PPV} = \frac{0.0099}{0.0099 + 0.0495} = \frac{0.0099}{0.0594} \approx 16.7\%$$つまり「精度99%」をうたう検査であっても、陽性結果のうち本物はおよそ6人に1人にすぎないのです。

有病率がPPV(陽性的中率)に与える影響

下の表では、感度を99%、特異度を95%に固定し、有病率だけを変えています。各行は\(\text{PPV} = \frac{ \text{Sens} \cdot \text{Prev} }{ \text{Sens} \cdot \text{Prev} + (1-\text{Spec})(1-\text{Prev}) }\)で計算しており、偽発見率(FDR)は\(1-\text{PPV}\)です。

有病率 PPV 偽発見率
0.1% 1.94% 98.06%
1% 16.67% 83.33%
5% 51.03% 48.97%
10% 68.75% 31.25%
25% 86.84% 13.16%
50% 95.19% 4.81%

有病率1%の行の検算:\(\text{PPV} = \frac{0.99 \times 0.01}{0.99 \times 0.01 + 0.05 \times 0.99} = \frac{0.0099}{0.0594} \approx 0.1667\)、つまり約16.7%です。一見精度の高い検査でも、対象の病気がまれな場合は陽性結果の約6件中5件が偽陽性になります。これが偽陽性パラドックスです。

有病率1%における特異度の影響

感度は99%、有病率は1%に固定しています。

特異度 PPV 偽発見率
95% 16.67% 83.33%
99% 50.00% 50.00%
99.9% 90.91% 9.09%

有病率が低い場合、偽陽性は大多数を占める健康な人々から生じるため、特異度がPPVに非常に大きな影響を与えます。

広告

主要用語:感度、特異度、PPVなど

  • 有病率: 検査対象者のうち、実際にその病気を持っている人の割合。
  • 基準有病率: 有病率の別名、または検査結果が分かる前のその病気の事前確率。
  • 感度(真陽性率): その病気を持つ人のうち、検査で陽性となる人の割合。
  • 特異度(真陰性率): その病気を持たない人のうち、検査で陰性となる人の割合。
  • 偽陽性率: その病気を持たない人のうち、検査で陽性となる人の割合。\(1-\text{specificity}\)に等しい。
  • 偽陰性率: その病気を持つ人のうち、検査で陰性となる人の割合。\(1-\text{sensitivity}\)に等しい。
  • 陽性的中率(PPV): 陽性結果のうち、真陽性である割合。
  • 偽発見率(FDR): 陽性結果のうち、偽陽性である割合。\(1-\text{PPV}\)に等しい。
  • 陰性的中率(NPV): 陰性結果のうち、真陰性である割合。

感度と特異度は検査そのものの性質であり、有病率には依存しません。一方、PPVとNPVは有病率に依存するため、同じ検査でも集団が異なれば予測値も異なります。

よくある質問

なぜこんなに確率が低くなるのですか? まれな病気では健康な人の数が圧倒的に多いため、偽陽性率がわずかでも、真陽性をはるかに上回る数の誤報が生じてしまうからです。

PPVを高めるにはどうすればよいですか? よりリスクの高い集団を検査する(有病率を上げる)、特異度の高い検査を使う、あるいは別の独立した検査で再確認する、といった方法があります。

これは医療検査だけの話ですか? いいえ。同じベイズの考え方は、スパムフィルター、不正検知、薬物検査など、まれな事象を判定するあらゆる分類器に当てはまります。

最終更新:

数学と統計で人気の電卓

数学と統計の電卓をすべて見る