验后概率计算器

验后概率计算器

新兴 AI Skill PRO

输入计算

数学公式

验后概率=Opost1+Opost×100%其中{Opre=p1−p,p=验前(%)100Opost=Opre×似然比\begin{gathered} \text{验后概率} = \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{验前(\%)}}{100} \\ O_{post} &= O_{pre} \times \text{似然比} \end{aligned} \right. \end{gathered}
使用统计

广告

结果

验后概率
81.08%
检查后的患病概率
验前比值 0.4286
验后比值 4.2857
概率变化 51.08 %

仅供参考,不能替代医生的诊断或评估。

报告本页错误

什么是验后概率?

验后概率(post-test probability)是指在得知某项诊断检查结果之后,患者真正患病的更新后概率。它是循证诊断的核心:一项检查并不是简单地给出"有"或"没有"的答案,而是把你原有的判断向上或向下调整。本计算器采用贝叶斯定理便于运算的"比值(odds)形式",借助似然比(LR)来更新验前概率。

如何使用

输入验前概率(即检查前你对患病可能性的估计,以百分比表示)和该检查结果对应的似然比。阳性结果请使用阳性似然比(LR+),阴性结果请使用阴性似然比(LR−)。计算器会给出验后概率,并同时显示中间过程的验前比值和验后比值。

公式详解

由于概率和比值描述的是同一件事,我们先把概率换算成比值:验前比值 = P /(1 − P)。再乘以似然比,得到验后比值 = 验前比值 × LR。最后把比值换算回概率:验后概率 = 验后比值 /(1 + 验后比值)。LR 大于 1 会提高患病概率;LR 小于 1 会降低概率;LR 恰好等于 1 则不改变原有判断。

$$\text{Post-Test Prob} = \frac{O_{post}}{1 + O_{post}} \times 100\%$$ $$\text{where}\quad \left\{ \begin{aligned} O_{pre} &= \frac{p}{1 - p}, \quad p = \dfrac{\text{Pre-Test (\%)}}{100} \\ O_{post} &= O_{pre} \times \text{Likelihood Ratio} \end{aligned} \right.$$
广告
流程图:将验前概率换算成比值,乘以似然比,再换算回验后概率
比值法流程:先把概率换算成比值,乘以似然比,再换算回概率。

实例演算

假设验前概率为 30%,检查结果的 LR 为 10。验前比值 = \(0.30 / 0.70 = 0.4286\)。验后比值 = \(0.4286 \times 10 = 4.2857\)。验后概率 = \(4.2857 / (1 + 4.2857) = 0.8108\),约为 81%。这个阳性结果把患病的怀疑程度从 30% 提升到了 81%。

广告
Fagan 列线图,一条直线从验前概率经过似然比连接到验后概率
使用 Fagan 列线图时,从验前概率出发经过似然比画一条直线,即可读出验后概率。

关键术语:灵敏度、特异度、优势比与先验概率

  • 检测前概率(先验概率、患病率):在检测结果已知之前,某人患有该疾病的概率。它可能来自人群患病率、临床背景或风险评分。
  • 检测后概率(后验概率):纳入检测结果后更新的概率。当检测前概率等于患病率时,阳性结果之后的检测后概率等于阳性预测值(PPV)。阴性结果之后,患病概率为 1 − NPV(阴性预测值)。
  • 概率与优势比:概率 \(p\) 是事件发生的机会,取值范围为 0 到 1。优势比为 \(\frac{p}{1-p}\),反过来可得 \(p = \frac{O}{1+O}\)。例如,概率为 0.25 对应的优势比为 1:3,即 0.333。
  • 灵敏度:患有该疾病且检测呈阳性的人所占的比例(真阳性率)。
  • 特异度:未患该疾病且检测呈阴性的人所占的比例(真阴性率)。
  • 阳性似然比(LR+):\(\text{LR+} = \frac{\text{灵敏度}}{1-\text{特异度}}\)。它表示阳性结果使患病优势比提高了多少。
  • 阴性似然比(LR−):\(\text{LR−} = \frac{1-\text{灵敏度}}{\text{特异度}}\)。它表示阴性结果使患病优势比降低了多少。
  • 贝叶斯定理:利用新证据更新概率的规则。以优势比形式表示即为 \(\text{检测后优势比} = \text{检测前优势比} \times \text{LR}\)。

与 PPV 和 NPV 不同,似然比不依赖患病率。因此,它可以应用于检测前概率不同的患者。本工具仅提供一般性的教育信息,不能替代专业医疗判断。

常见问题

似然比是怎么来的? 它由检查的灵敏度(sensitivity)和特异度(specificity)推算而来:\(\text{LR+} = \text{灵敏度} / (1 - \text{特异度})\),\(\text{LR−} = (1 - \text{灵敏度}) / \text{特异度}\)。

怎样才算"好"的 LR? 经验法则是:LR+ 大于 10 或 LR− 小于 0.1,往往能让概率发生大幅甚至决定性的变化;而接近 1 的数值在临床上几乎没有参考价值。

验前概率可以是 100% 吗? 在 0% 或 100% 时,比值会变成 0 或无穷大,任何检查都无法改变一个"确定"的结论——这正是临床上为何采用接近、但不等于极端值的估计的原因。

资料来源与参考

已与上述来源核对,日期 . 未经医生审核。 仅供一般参考,不构成医疗建议或诊断。如有任何健康方面的疑虑,请咨询医生。

最后更新:

健康与健身热门计算器

查看全部健康与健身计算器