위양성 역설 계산기

위양성 역설 계산기

성장 중 AI Skill PRO

계산 입력

공식

PPV=민감도·유병률민감도·유병률+(1−특이도)(1−유병률)×100%여기서{유병률=유병률 (%)100민감도=민감도 (%)100특이도=특이도 (%)100\begin{gathered} \text{PPV} = \frac{\text{민감도} \cdot \text{유병률}}{\text{민감도} \cdot \text{유병률} + (1 - \text{특이도})(1 - \text{유병률})} \times 100\% \\[1.5em] \text{여기서}\quad \left\{ \begin{aligned} \text{유병률} &= \dfrac{\text{유병률 (\%)}}{100} \\ \text{민감도} &= \dfrac{\text{민감도 (\%)}}{100} \\ \text{특이도} &= \dfrac{\text{특이도 (\%)}}{100} \end{aligned} \right. \end{gathered}
사용 통계

광고

결과

양성 판정 시 질병 확률 (PPV)
16.67%
양성예측도
거짓 발견율 83.33%
진양성 (전체 인구 대비 비율) 0.99%
거짓 양성 (전체 인구 대비 비율) 4.95%

이 페이지의 오류 신고

위양성 역설이란?

위양성 역설(False Positive Paradox)은 의료 검사와 선별검사에서 나타나는 직관에 반하는 현상을 가리킵니다. 아무리 정확도가 높은 검사라도 찾으려는 질병이 드물 경우, 양성 판정 대부분이 사실은 허위 경보(거짓 양성)일 수 있다는 것이죠. 이 계산기는 베이즈 정리를 적용해 양성 판정을 받은 뒤 실제로 질병에 걸렸을 확률, 즉 양성예측도(PPV)를 보여줍니다. 이 값은 검사의 '정확도'라는 수치가 주는 인상보다 훨씬 낮은 경우가 많습니다.

1000개의 정사각형 격자로, 소수의 진양성 그룹과 건강한 사람 중 더 많은 위양성 그룹을 보여 줌
인구 격자: 유병률이 낮으면 정확한 검사라도 위양성이 진양성보다 많아질 수 있습니다.

사용 방법

세 가지 비율(%)을 입력하세요. 유병률은 검사 대상 집단에서 해당 질병이 얼마나 흔한지를 나타냅니다. 민감도는 실제 환자가 양성으로 나올 확률, 즉 진양성률입니다. 특이도는 건강한 사람이 음성으로 나올 확률, 즉 진음성률이죠. 계산기는 양성 판정이 실제일 확률과 함께 거짓 발견율(false discovery rate)을 알려줍니다.

공식 풀이

베이즈 정리는 '환자가 양성으로 나올 가능성'과 '건강한 사람이 실수로 양성으로 나올 가능성'을 결합합니다.

$$P(\text{질병}\mid\text{양성}) = \frac{\text{민감도} \times \text{유병률}}{\text{민감도} \times \text{유병률} + (1 - \text{특이도}) \times (1 - \text{유병률})}$$

분자는 실제로 아프면서 올바르게 양성으로 걸러진 사람들의 비율입니다. 분모에는 여기에 거짓 양성, 즉 건강한데도 잘못 양성으로 분류된 사람들이 더해집니다. 유병률이 아주 낮을 때는 바로 이 거짓 양성 항이 전체를 좌우하게 됩니다.

광고
인구를 질병군과 건강군 가지로 나눈 뒤 다시 양성·음성 검사 결과로 나누는 나무 도표
유병률, 민감도, 특이도가 어떻게 결합해 진양성과 위양성을 만들어 내는지 보여 주는 확률 나무.

계산 예시

어떤 질병이 인구의 1%에게 발생한다고 가정해 봅시다(유병률 = \(0.01\)). 검사의 민감도는 99%, 특이도는 95%입니다. 진양성 = \(0.99 \times 0.01 = 0.0099\), 거짓 양성 = \(0.05 \times 0.99 = 0.0495\). 따라서 $$\text{PPV} = \frac{0.0099}{0.0099 + 0.0495} = \frac{0.0099}{0.0594} \approx 16.7\%$$ '99% 정확한' 검사라고 해도, 양성 판정 6건 중 1건 정도만이 진짜라는 뜻이죠.

유병률이 양성 예측도(PPV)에 미치는 영향

아래 표는 민감도를 99%, 특이도를 95%로 고정하고 유병률만 바꿉니다. 각 행은 \(\text{PPV} = \frac{ \text{민감도} \cdot \text{유병률} }{ \text{민감도} \cdot \text{유병률} + (1-\text{특이도})(1-\text{유병률}) }\) 를 사용하며, 거짓 발견율(FDR)은 \(1-\text{PPV}\) 입니다.

유병률 PPV 거짓 발견율
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%

유병률 1% 행의 계산 확인: \(\text{PPV} = \frac{0.99 \times 0.01}{0.99 \times 0.01 + 0.05 \times 0.99} = \frac{0.0099}{0.0594} \approx 0.1667\), 즉 약 16.7%입니다. 검사가 정확해 보여도 질환이 드물면 양성 결과 여섯 중 다섯 가까이가 거짓입니다. 이것이 거짓 양성 역설입니다.

유병률 1%에서 특이도의 영향

민감도는 99%, 유병률은 1%로 고정합니다.

특이도 PPV 거짓 발견율
95% 16.67% 83.33%
99% 50.00% 50.00%
99.9% 90.91% 9.09%

유병률이 낮을 때 특이도는 PPV에 매우 큰 영향을 미칩니다. 거짓 양성이 질환이 없는 다수 집단에서 나오기 때문입니다.

광고

핵심 용어: 민감도, 특이도, PPV 외

  • 유병률: 검사 대상 집단 중 실제로 해당 질환을 가진 사람의 비율.
  • 기저율: 유병률의 다른 이름이자, 검사 결과를 알기 전의 질환에 대한 사전 확률.
  • 민감도(真양성률): 질환이 있는 사람 중 양성 결과가 나온 사람의 비율.
  • 특이도(真음성률): 질환이 없는 사람 중 음성 결과가 나온 사람의 비율.
  • 거짓 양성률: 질환이 없는 사람 중 양성 결과가 나온 사람의 비율로, \(1-\text{특이도}\) 와 같습니다.
  • 거짓 음성률: 질환이 있는 사람 중 음성 결과가 나온 사람의 비율로, \(1-\text{민감도}\) 와 같습니다.
  • 양성 예측도(PPV): 양성 결과 중 진양성인 결과의 비율.
  • 거짓 발견율(FDR): 양성 결과 중 거짓 양성인 결과의 비율로, \(1-\text{PPV}\) 와 같습니다.
  • 음성 예측도(NPV): 음성 결과 중 진음성인 결과의 비율.

민감도와 특이도는 검사 자체의 속성이며 유병률에 따라 달라지지 않습니다. 반면 PPV와 NPV는 유병률에 따라 달라지므로, 같은 검사라도 집단이 다르면 예측도 값이 달라집니다.

자주 묻는 질문

왜 확률이 이렇게 낮은가요? 드문 질병일수록 건강한 사람이 압도적으로 많기 때문입니다. 그래서 거짓 양성률이 아무리 작아도, 그로 인한 허위 경보 수가 진짜 양성보다 훨씬 많아집니다.

PPV를 높이려면 어떻게 해야 하나요? 고위험군(유병률이 높은 집단)을 대상으로 검사하거나, 특이도가 더 높은 검사를 쓰거나, 독립적인 2차 검사로 다시 확인하면 됩니다.

의료 검사에만 해당되나요? 아닙니다. 같은 베이즈 논리는 스팸 필터, 사기 탐지, 약물 검사 등 드문 사건을 분류하는 모든 상황에 똑같이 적용됩니다.

최종 업데이트:

수학 및 통계 인기 계산기

수학 및 통계 계산기 전체 보기