什么是假阳性悖论？
假阳性悖论揭示了医学检测与筛查中一个反直觉的事实：即便一项检测的准确率很高，当它要筛查的疾病本身十分罕见时，检出的"阳性"也大多是误报。本计算器运用贝叶斯定理，帮你算出检测呈阳性后真正患病的概率——也就是阳性预测值（PPV）。这个数字往往远低于检测宣传的整体准确率所给人的印象。
如何使用
请输入三个百分比：患病率（该疾病在受检人群中有多普遍）、灵敏度（患者被检出阳性的概率，即真阳性率），以及特异度（健康者被检出阴性的概率，即真阴性率）。计算器会返回一个阳性结果为真的概率，以及错误发现率。
公式解析
贝叶斯定理把"患者被正确检出阳性的概率"与"健康者被误判为阳性的概率"结合起来：
$$P(D\mid+) = \frac{\text{Sens} \cdot \text{Prev}}{\text{Sens} \cdot \text{Prev} + (1 - \text{Spec})(1 - \text{Prev})}$$分子是人群中既患病又被正确标记出来的比例。分母在此基础上加上了假阳性——也就是被错误标记的健康人。当患病率极低时，这一假阳性项就会占据主导地位。
Advertisement
实例演算
假设某疾病的患病率为1%（患病率 \(= 0.01\)），检测的灵敏度为99%、特异度为95%。真阳性 \(= 0.99 \times 0.01 = 0.0099\)；假阳性 \(= 0.05 \times 0.99 = 0.0495\)；
$$\text{PPV} = \frac{0.0099}{0.0099 + 0.0495} = \frac{0.0099}{0.0594} \approx 16.7\%$$换句话说，尽管这是一项"准确率99%"的检测，每6个阳性结果中也只有大约1个是真的。
常见问题
为什么这个概率这么低？因为疾病罕见，意味着健康人远多于患者，所以哪怕假阳性率很小，产生的误报数量也会远超真阳性。
怎样才能提高PPV？对高风险人群进行检测（提高患病率）、采用特异度更高的检测，或者用第二项独立检测来复核确认。
这只适用于医学检测吗？不是。同样的贝叶斯逻辑也适用于垃圾邮件过滤、欺诈识别、药物筛查，以及任何针对罕见事件的分类判断。
