这个计算器能做什么
诊断试验准确度计算器可将一个 2×2 混淆矩阵换算成流行病学与生物统计学中常用的各项指标：灵敏度（Sensitivity）、特异度（Specificity）、假阴性率（FNR）、假阳性率（FPR）、阳性预测值（PPV）、阴性预测值（NPV）以及患病率（Prevalence）。它是一款通用工具——背后的数学原理在全球任何地区都完全一致，不涉及任何特定国家的规定。
使用方法
请输入四个人数：实际患病的总人数、其中检测呈阳性的人数、未患病的总人数，以及其中检测呈阴性的人数。计算器会据此推导出矩阵的四个单元格：
\(a\)（真阳性）＝ 患病且检测呈阳性的人数；\(c\)（假阴性）＝ 患病总人数减去 \(a\)；\(d\)（真阴性）＝ 未患病且检测呈阴性的人数；\(b\)（假阳性）＝ 未患病总人数减去 \(d\)。
公式详解
灵敏度，衡量该试验检出疾病的能力：
$$\text{灵敏度} = \frac{a}{a + c}$$特异度，衡量该试验在健康人群中排除疾病的能力：
$$\text{特异度} = \frac{d}{b + d}$$$$\text{FNR} = \frac{c}{a + c} = 1 - \text{灵敏度}$$$$\text{FPR} = \frac{b}{b + d} = 1 - \text{特异度}$$
PPV，表示在结果为阳性的前提下，你真正患病的概率：
$$\text{PPV} = \frac{a}{a + b}$$NPV，表示在结果为阴性的前提下，你真正健康的概率：
$$\text{NPV} = \frac{d}{c + d}$$患病率，即样本中患病者所占的比例，它对 PPV 和 NPV 有显著影响：
$$\text{患病率} = \frac{a + c}{a + b + c + d}$$
实例演算
假设有 100 名患病者（其中 90 人检测呈阳性）和 1000 名未患病者（其中 950 人检测呈阴性）：\(a = 90\)，\(c = 10\)，\(d = 950\)，\(b = 50\)。
$$\text{灵敏度} = \frac{90}{100} = 0.9000 \ (90\%)$$$$\text{特异度} = \frac{950}{1000} = 0.9500 \ (95\%)$$$$\text{FNR} = 0.1000$$$$\text{FPR} = 0.0500$$$$\text{PPV} = \frac{90}{140} = 0.6429 \ (64.29\%)$$$$\text{NPV} = \frac{950}{960} = 0.9896 \ (98.96\%)$$$$\text{患病率} = \frac{100}{1100} = 0.0909 \ (9.09\%)$$常见问题
为什么这里的 PPV 远低于灵敏度？ 因为该疾病很罕见（患病率低），即便假阳性人数不多，也会超过真阳性人数，从而把 PPV 拉低。PPV 和 NPV 始终取决于患病率。
FNR 和 FPR 有什么区别？ FNR 是试验漏诊的患病者所占的比例；FPR 是试验把健康人误判为阳性所占的比例。
如果某一类别为空怎么办？ 如果不存在患病者、不存在未患病者，或没有任何阳性结果、没有任何阴性结果，则对应的比值在数学上无定义，将留空显示。
