驗後機率計算器

驗後機率計算器

成長中 AI Skill PRO

輸入計算

數學公式

驗後機率=Opost1+Opost×100%其中{Opre=p1−p,p=驗前(%)100Opost=Opre×概似比\begin{gathered} \text{驗後機率} = \frac{O_{post}}{1 + O_{post}} \times 100\% \\[1.5em] \text{其中}\quad \left\{ \begin{aligned} O_{pre} &= \frac{p}{1 - p}, \quad p = \dfrac{\text{驗前(\%)}}{100} \\ O_{post} &= O_{pre} \times \text{概似比} \end{aligned} \right. \end{gathered}
使用統計

廣告

結果

驗後機率
81.08%
檢查後的罹病機率
驗前勝算 0.4286
驗後勝算 4.2857
機率變化 51.08 %

僅供參考,不能取代醫師的診斷或評估。

回報本頁錯誤

什麼是驗後機率?

驗後機率(post-test probability)指的是在得知某項診斷檢查結果之後,病人罹患某疾病的更新機率。這正是實證診斷的核心:一項檢查並不是單純回答「有」或「沒有」,而是把你原本的估計值往上或往下調整。本計算器採用貝氏定理便於運算的「勝算形式」,透過概似比(likelihood ratio, LR)來更新驗前機率。

使用方式

請輸入驗前機率(檢查前你對疾病可能性的估計值,以百分比表示),以及該檢查結果的概似比。陽性結果請使用陽性概似比(LR+),陰性結果則使用陰性概似比(LR−)。工具會回傳驗後機率,並一併顯示中間運算的驗前勝算與驗後勝算。

公式說明

由於機率與勝算其實在描述同一件事,我們先把機率換算成勝算:驗前勝算 \(= P /(1 - P)\)。乘上概似比即可得到驗後勝算:驗後勝算 \(=\) 驗前勝算 \(\times\) LR。最後再換算回機率:驗後機率 \(=\) 驗後勝算 \(/(1 + 驗後勝算)\)。

$$\begin{gathered} \text{Post-Test Prob} = \frac{O_{post}}{1 + O_{post}} \times 100\% \\[1.5em] \text{where}\quad \left\{ \begin{aligned} O_{pre} &= \frac{p}{1 - p}, \quad p = \dfrac{\text{Pre-Test (\%)}}{100} \\ O_{post} &= O_{pre} \times \text{Likelihood Ratio} \end{aligned} \right. \end{gathered}$$

LR 大於 1 會提高罹病機率;LR 小於 1 會降低;LR 剛好等於 1 則維持不變。

廣告
流程圖:將檢測前機率換算成勝算,乘上概似比,再換算回檢測後機率
勝算法流程:先將機率換算成勝算,乘上概似比,再換算回機率。

實際範例

假設驗前機率為 30%,檢查結果的 LR 為 10。驗前勝算 \(= 0.30 / 0.70 = 0.4286\)。驗後勝算 \(= 0.4286 \times 10 = 4.2857\)。驗後機率 \(= 4.2857 /(1 + 4.2857)= 0.8108\),約為 81%。這個陽性結果把疾病的可能性從 30% 一舉拉高到 81%。

廣告
Fagan 列線圖,一條直線從檢測前機率經過概似比連到檢測後機率
使用 Fagan 列線圖時,從檢測前機率經過概似比畫一條直線,即可讀出檢測後機率。

關鍵術語:敏感度、特異度、勝算與事前機率

  • 檢測前機率(事前機率、盛行率):在知道檢測結果之前,某人患有該疾病的機率。它可能來自人群盛行率、臨床情境或風險評分。
  • 檢測後機率(事後機率):納入檢測結果後更新的機率。若結果為陽性,當檢測前機率等於盛行率時,它等於陽性預測值(PPV)。若結果為陰性,罹病機率為 1 − NPV(陰性預測值)。
  • 機率與勝算:機率 \(p\) 是事件發生的可能性,範圍從 0 到 1。勝算為 \(\frac{p}{1-p}\),反過來可得 \(p = \frac{O}{1+O}\)。例如,機率 0.25 對應的勝算為 1:3,即 0.333。
  • 敏感度:患有該疾病的人中檢測結果為陽性的比例(真陽性率)。
  • 特異度:未患該疾病的人中檢測結果為陰性的比例(真陰性率)。
  • 陽性概似比(LR+):\(\text{LR+} = \frac{\text{sensitivity}}{1-\text{specificity}}\)。它顯示陽性結果使罹病勝算提高多少。
  • 陰性概似比(LR−):\(\text{LR−} = \frac{1-\text{sensitivity}}{\text{specificity}}\)。它顯示陰性結果使罹病勝算降低多少。
  • 貝氏定理:以新證據更新機率的規則。以勝算形式表示即為 \(\text{post-test odds} = \text{pre-test odds} \times \text{LR}\)。

與 PPV 和 NPV 不同,概似比不取決於盛行率。因此它們可以應用於檢測前機率不同的患者。本工具提供一般教育資訊,不能取代專業醫療判斷。

常見問題

概似比是從哪裡來的?它源自檢查的敏感度(sensitivity)與特異度(specificity):\(\text{LR+} = 敏感度 /(1 - 特異度)\),\(\text{LR−} =(1 - 敏感度)/ 特異度\)。

怎樣才算「好」的 LR?一般原則是,LR+ 大於 10、或 LR− 小於 0.1,通常能讓機率產生大幅且往往足以下定論的變化;數值接近 1 的檢查在臨床上幫助不大。

驗前機率可以是 100% 嗎?當機率為 0% 或 100% 時,勝算會變成 0 或無限大,任何檢查都無法改變一個「百分之百確定」的判斷——這也是為什麼實務上會採用接近、但不等於極端值的估計。

資料來源與參考

已與上述來源核對,日期 . 未經醫師審閱。 僅供一般參考,不構成醫療建議或診斷。如有任何健康疑慮,請諮詢醫師。

最後更新:

健康與健身熱門計算器

查看全部健康與健身計算器