95% 敏感性/特异性不是 95% 可信:为什么低患病率会把阳性预测值打到 16%
【锚点】我要钉住一个判断:【检测的“敏感性/特异性”不能直接当“结果可信度”;在低患病率下,阳性预测值会被基率拖低】。
【显式】假设一种筛查:敏感性 95%(真阳性比例),特异性 95%(真阴性比例),人群患病率 1%。很多人会读成:阳性后患病概率约 95%。
【流程节点链路】先验患病率 1% → 检测给出条件概率 P(+|D)=0.95、P(-|¬D)=0.95 → 用贝叶斯公式更新后验 P(D|+) → 决策是否治疗。
算一笔账:10000 人中 100 患病;95 真阳性,495 假阳性(9900×0.05)。阳性总 590,阳性预测值 95/590=16.1%。若患病率降到 0.1%,阳性预测值约 1.9%。
【隐式】这里不是检测“不准”,而是【基率】进入分母:假阳性来自未患病的大多数。把 P(+|D) 读成 P(D|+),等于把条件概率方向装反。
【细微】同一个 95/95 检测,患病率从 1% 提到 10%,阳性预测值从 16.1% 升到 67.9%;从 10% 提到 90%,升到 99.4%。改变的不是仪器,而是目标人群。
【极难发现】真正决策变量不是“是否阳性”,而是【治疗代价 × 后验风险】。若治疗副作用很轻,可以在较低后验就行动;若副作用很重,需要更高后验。把 95% 当可信度,等于把测量属性误当成决策阈值。
结尾问题:如果一项检测敏感性 99%、特异性 99%,但患病率只有 0.01%,阳性后验是多少?你愿意在多少后验下开始治疗?
#统计学#贝叶斯推断#诊断试验







0 評論