偽陽性悖論計算器

偽陽性悖論計算器

成長中 AI Skill PRO

輸入計算

數學公式

PPV=敏感度·盛行率敏感度·盛行率+(1−特異度)(1−盛行率)×100%其中{盛行率=盛行率(%)100敏感度=敏感度(%)100特異度=特異度(%)100\begin{gathered} \text{PPV} = \frac{\text{敏感度} \cdot \text{盛行率}}{\text{敏感度} \cdot \text{盛行率} + (1 - \text{特異度})(1 - \text{盛行率})} \times 100\% \\[1.5em] \text{其中}\quad \left\{ \begin{aligned} \text{盛行率} &= \dfrac{\text{盛行率(\%)}}{100} \\ \text{敏感度} &= \dfrac{\text{敏感度(\%)}}{100} \\ \text{特異度} &= \dfrac{\text{特異度(\%)}}{100} \end{aligned} \right. \end{gathered}
使用統計

廣告

結果

檢測呈陽性後的罹病機率(PPV)
16.67%
陽性預測值
偽發現率 83.33%
真陽性(占總人口比例) 0.99%
偽陽性(占總人口比例) 4.95%

回報本頁錯誤

什麼是偽陽性悖論?

偽陽性悖論揭露了醫學檢測與篩檢中一個違反直覺的事實:當所篩檢的疾病本身相當罕見時,即使是準確率極高的檢測,也可能產生大量的假警報。這個計算器透過貝氏定理,幫你算出檢測呈陽性後實際上罹病的機率——也就是陽性預測值(PPV)。這個數字往往遠低於檢測標榜的「準確率」所給人的印象。

由 1000 個方格組成的網格,呈現一小群真陽性與健康者中較大一群偽陽性的對比
人口網格圖:當盛行率偏低時,即使檢測相當準確,偽陽性的數量仍可能超過真陽性。

使用方法

請輸入三個百分比:盛行率(該疾病在受檢族群中有多普遍)、敏感度(患病者被驗出陽性的機率,即真陽性率),以及特異度(健康者被驗出陰性的機率,即真陰性率)。計算器會回傳「陽性結果為真」的機率,以及偽發現率。

公式解析

貝氏定理把「患病者驗出陽性的可能性」與「健康者被誤判為陽性的可能性」結合起來:

$$\text{PPV} = \frac{\text{Sens} \cdot \text{Prev}}{\text{Sens} \cdot \text{Prev} + (1 - \text{Spec})(1 - \text{Prev})} \times 100\%$$

分子是「既患病、又被正確標記為陽性」的人口比例;分母則加入了偽陽性——也就是被誤判為陽性的健康者。當盛行率極低時,這個偽陽性項就會主導整個結果。

廣告
樹狀圖,先將人口分為患病與健康兩個分支,再分為陽性與陰性檢測結果
機率樹:說明盛行率、敏感度與特異度如何共同產生真陽性與偽陽性。

實例試算

假設某疾病的盛行率為 1%(盛行率 = 0.01),檢測的敏感度為 99%、特異度為 95%。真陽性 \(= 0.99 \times 0.01 = 0.0099\);偽陽性 \(= 0.05 \times 0.99 = 0.0495\)。$$\text{PPV} = \frac{0.0099}{0.0099 + 0.0495} = \frac{0.0099}{0.0594} \approx 16.7\%$$所以即使檢測號稱「99% 準確」,每 6 個陽性結果中也只有約 1 個是真的。

流行率如何影響陽性預測值

下表將敏感度固定為 99%、特異度固定為 95%,僅改變流行率。每一列使用 \(\text{PPV} = \frac{ \text{Sens} \cdot \text{Prev} }{ \text{Sens} \cdot \text{Prev} + (1-\text{Spec})(1-\text{Prev}) }\),而偽發現率(FDR)為 \(1-\text{PPV}\)。

流行率 PPV 偽發現率
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%

以 1% 那一列進行驗算:\(\text{PPV} = \frac{0.99 \times 0.01}{0.99 \times 0.01 + 0.05 \times 0.99} = \frac{0.0099}{0.0594} \approx 0.1667\),即約 16.7%。即使檢測看似準確,當病症罕見時,約六分之五的陽性結果其實是偽陽性。這就是偽陽性悖論。

1% 流行率下特異度的影響

敏感度維持在 99%,流行率維持在 1%。

特異度 PPV 偽發現率
95% 16.67% 83.33%
99% 50.00% 50.00%
99.9% 90.91% 9.09%

在低流行率下,特異度對 PPV 的影響非常大,因為偽陽性來自龐大的健康族群。

廣告

關鍵術語:敏感度、特異度、PPV 等

  • 流行率:受測族群中真正患有該病症的比例。
  • 基礎比率:流行率的另一種說法,或在得知任何檢測結果之前,該病症的事前機率。
  • 敏感度(真陽性率):患有該病症的人中,檢測結果為陽性的比例。
  • 特異度(真陰性率):未患該病症的人中,檢測結果為陰性的比例。
  • 偽陽性率:未患該病症的人中,檢測結果為陽性的比例,等於 \(1-\text{specificity}\)。
  • 偽陰性率:患有該病症的人中,檢測結果為陰性的比例,等於 \(1-\text{sensitivity}\)。
  • 陽性預測值(PPV):陽性結果中為真陽性的比例。
  • 偽發現率(FDR):陽性結果中為偽陽性的比例,等於 \(1-\text{PPV}\)。
  • 陰性預測值(NPV):陰性結果中為真陰性的比例。

敏感度和特異度是檢測本身的特性,不取決於流行率。PPV 和 NPV 則取決於流行率,因此同一項檢測在不同族群中會得出不同的預測值。

常見問題

為什麼機率會這麼低?因為罕見疾病代表健康的人遠多於患病的人,即使偽陽性率再小,所產生的假警報數量還是會遠遠超過真陽性。

如何提高 PPV?針對高風險族群檢測(提高盛行率)、改用特異度更高的檢測,或以另一項獨立檢測來複驗確認。

這只適用於醫學檢測嗎?不只如此——同樣的貝氏邏輯也適用於垃圾郵件過濾、詐騙偵測、藥物篩檢,以及任何針對罕見事件的分類器。

最後更新:

數學和統計熱門計算器

查看全部數學和統計計算器