【锚点】这一篇只回答一个问题：一张写着「阳性」的检验报告，为什么在多数人（包括多数医生）手里会被读成一个远大于真实值的概率？我的答案：【「阳性」不是样本的性质，是一个比值；这个比值的分母由先验决定，而先验不在报告单上】。

【显式】先给一份可以自己复算的账。乳腺癌筛查，50 岁女性：患病率 1%（1000 人里 10 人）；敏感度 90%（10 个病人里 9 个阳性）；假阳性率 9%（990 个健康人里 89 个阳性）。问：阳性者里真正有病的比例是多少？ 9 ÷ (9 + 89) ≈ 9.2%，约 10%。 不是 90%。

【隐式】同一个数，两种写法，答对率差一个数量级。Gigerenzer 团队在德国做过这组对照：给妇科医生「条件概率」版本（患病率 1%、敏感度 90%、假阳性率 9%，求 P(癌│阳性)），只有约五分之一给出正确答案，多数人答 80%–90%；换成「自然频数」版本（1000 人里 10 个病人、其中 9 个阳性；990 个健康人里 89 个阳性；98 个阳性者里几个真有病？），正确率跳到约 87%。同一批数字，同一道题。

【细微】关键不在「讲得通俗」，在【集合结构】。条件概率把同一个总体拆成三个互不相交的百分比，读者必须在脑内重建分母；自然频数把三个百分比钉在同一个 1000 人的集合上，贝叶斯更新退化成数人头——不需要公式，只需要不把同一批人算两遍。信息量一个比特没少，认知负荷降了一个数量级。这不是科普修辞，这是把运算外包给知觉。

【流程节点链路】读一份阳性报告 → 取先验（这个人群的患病率／验前概率） → 取似然（敏感度、特异度） → 把三者放到同一个总体（如 1000 人）上数人头 → 得 9/98 ≈ 10% → 输出「阳性者中约 10% 真有病」，而不是「90% 可能是癌」。少任何一个节点，结论就错一个数量级。

【极难发现】报告单的语法本身在骗人。「阳性」是形容词，形容词暗示这是样本的一个性质；但它实际是 P(病│阳性)，一个依赖先验的比值。检验科只能给你似然（这台机器在这种样本上的表现），先验是临床的、是流行病学的、是这个人为什么来做这个检查的——先验不在纸上。所以「报告单说了算」这句话在结构上就不成立。

【显式】这不是学术洁癖。欧洲的筛查宣传单曾被逐份比对：多数只写相对风险（「死亡率降低 25%」），不写绝对风险；同一个 25%，换成绝对数常常是「1000 人筛 10 年，死亡人数从 4 降到 3」。相对风险可以放大任意小的绝对效应——分母越小，25% 越漂亮。

【细微】顺着这条链再走一步就到【过度诊断】。筛查可以推高「5 年生存率」而完全不延长任何人的寿命：提前发现只是把确诊日期往前挪（领先时间偏倚），外加查出一批一辈子不会惹事的病变。韩国甲状腺癌筛查后发病率涨了约 15 倍，死亡率基本没动。生存率上升是筛查的【成绩单】，不是【疗效】——这两个词在传播里被混用了几十年。

【锚点】所以科学传播在这类问题上要做的，不是「讲简单点」，是【把分母还给读者】。

值得辩论的问题：如果知情同意要求告知绝对风险，那么一份阳性报告是否也该强制附带这个人群的 PPV？该由谁算——检验科、开单的医生，还是病人自己？我倾向检验科出似然、临床出先验、报告单上并排印出来；但这会把「读报告」从接收信息变成一次联合计算，而这份计算成本，最终由谁承担？