Falschpositiv-Paradoxon Rechner - Satz von Bayes
Berechnen Sie die wahre Wahrscheinlichkeit für eine Erkrankung nach einem positiven Test. Geben Sie Prävalenz, Sensitivität und Spezifität ein, um zu sehen, wie niedrige Basisraten das Falschpositiv-Paradoxon erzeugen.
Geben Sie die Prävalenz der Erkrankung in der Bevölkerung sowie die Sensitivität und Spezifität des Tests ein und klicken Sie dann, um die echte Wahrscheinlichkeit eines positiven Ergebnisses anzuzeigen.
Falschpositiv-Paradoxon Rechner
Die wahre Wahrscheinlichkeit einer Erkrankung bei positivem Testergebnis ermitteln
Über den Falschpositiv-Paradoxon Rechner
Das Falschpositiv-Paradoxon — auch Basisratenfehler genannt — ist ein kontraintuitives statistisches Phänomen, bei dem die Zahl der falsch positiven Testergebnisse die der richtig positiven übersteigt, selbst wenn der Test sehr genau ist. Das Paradoxon tritt auf, sobald die getestete Erkrankung selten ist: Die kleine Gruppe tatsächlich Betroffener erzeugt deutlich weniger richtig Positive, als die viel größere gesunde Gruppe selbst bei einer niedrigen Falschpositivrate falsche Alarme erzeugt.
Die Mathematik dahinter ist der Satz von Bayes. Gegeben die Prävalenz P(D) der Erkrankung, die Sensitivität (Richtig-Positiv-Rate) Se und die Spezifität (Richtig-Negativ-Rate) Sp lautet der positive Vorhersagewert (PPV) — also die Wahrscheinlichkeit, dass eine positiv getestete Person die Erkrankung tatsächlich hat —: PPV = (Se × P(D)) / (Se × P(D) + (1 − Sp) × (1 − P(D))). Wenn P(D) sehr klein ist, wird der Nenner vom Falschpositiv-Term (1 − Sp) × (1 − P(D)) dominiert, und schon eine winzige Falschpositivrate in der großen gesunden Bevölkerung überwiegt die kleine Zahl echter Positive.
Ein klassisches Beispiel: Angenommen, eine Krankheit betrifft 0,1 % der Bevölkerung (1 von 1.000), und ein Test hat 99 % Sensitivität und 99 % Spezifität. Von 100.000 Personen haben ungefähr 100 die Krankheit (0,1 %) und 99.900 nicht. Der Test erkennt 99 der 100 Kranken korrekt als positiv (richtig positiv), markiert aber auch 1 % der 99.900 Gesunden fälschlich als positiv — etwa 999 falsch Positive. Unter allen 1.098 positiv getesteten Personen haben also nur 99 tatsächlich die Krankheit: ein PPV von nur 9 %. Ein zu 99 % genauer Test erzeugt 91 % Fehlalarme, weil die Prävalenz so niedrig ist.
Dieses Prinzip hat weitreichende Folgen in Medizin, Sicherheit und Technologie. In medizinischen Screening-Programmen kann Massentestung auf seltene Krankheiten — selbst mit sehr genauen Tests — viele tatsächlich gesunde, aber verunsicherte Menschen produzieren, Ressourcen verschwenden und Schaden verursachen. Deshalb beschränken Leitlinien oft das Massenscreening auf Subpopulationen mit höherer Prävalenz, in denen der PPV klinisch akzeptabel ist. Bei Sicherheitskontrollen können Gesichtserkennungssysteme mit hoher Genauigkeit dennoch Tausende falsch Positive erzeugen, wenn Millionen unschuldiger Reisender auf wenige Verdächtige geprüft werden. Beim Spam-Filter können hohe Falschpositivraten das Vertrauen untergraben, selbst wenn das System fast alle Spam-Mails erwischt.
Die Lösung besteht in Medizin und Politik gleichermaßen darin, den Satz von Bayes anzuwenden und die Vorwahrscheinlichkeit (Prävalenz) vor der Interpretation eines Testergebnisses einzubeziehen. Ein positives Screening-Ergebnis bedeutet nicht, dass Sie die Krankheit haben — es bedeutet, dass Ihre Wahrscheinlichkeit, sie zu haben, von der Bevölkerungsprävalenz auf den PPV gestiegen ist, der dennoch sehr niedrig sein kann. Eine Nachuntersuchung mit einem zweiten, spezifischeren Bestätigungstest aktualisiert die Wahrscheinlichkeit erneut, meist auf einen deutlich höheren Wert, der klinisches Handeln rechtfertigt. Dieser Rechner macht diese Logik transparent und interaktiv und erlaubt es Ärzten, Forschern und politischen Entscheidungsträgern zu erkunden, wie Änderungen von Prävalenz, Sensitivität und Spezifität den PPV und die Bevölkerungsaufteilung verschieben.
Falschpositiv-Paradoxon — Beispiele
Vier Szenarien, die zeigen, wie die Prävalenz die Testgenauigkeit bei der Bestimmung des tatsächlichen Vorhersagewerts dominiert.
| Eingabe | PPV | Kontext |
|---|---|---|
| Prävalenz 0,1 %, Sensitivität 99 %, Spezifität 99 % | PPV ≈ 9,0 % | Screening auf eine seltene Krankheit. Trotz eines 99 % genauen Tests sind 91 von 100 positiven Ergebnissen Fehlalarme — das klassische Falschpositiv-Paradoxon. |
| Prävalenz 10 %, Sensitivität 95 %, Spezifität 90 % | PPV ≈ 51,4 % | Eine häufigere Erkrankung. Eine höhere Prävalenz verbessert den PPV drastisch; etwa die Hälfte der positiven Ergebnisse ist echt. |
| Prävalenz 1 %, Sensitivität 99,9 %, Spezifität 98 % | PPV ≈ 33,5 % | Spam-Filter-Analogie. Selbst ein hervorragender Filter erzeugt viele Falschpositive, wenn Spam nur 1 % aller E-Mails ausmacht. |
| Prävalenz 0,01 %, Sensitivität 99,5 %, Spezifität 99 % | PPV ≈ 0,99 % | Flughafenscanner für eine sehr seltene Bedrohung. 99 von 100 Alarmen sind Fehlalarme und zeigen das Stecknadel-im-Heuhaufen-Problem. |
So verwenden Sie den Falschpositiv-Paradoxon Rechner
- Geben Sie die Prävalenz der Erkrankung ein — also den Prozentsatz der Bevölkerung, der sie hat. Wenn zum Beispiel 1 von 200 Personen betroffen ist, geben Sie 0,5 ein.
- Geben Sie die Sensitivität des Tests ein (Richtig-Positiv-Rate): den Prozentsatz der tatsächlich betroffenen Personen, die der Test korrekt als positiv erkennt.
- Geben Sie die Spezifität des Tests ein (Richtig-Negativ-Rate): den Prozentsatz der tatsächlich gesunden Personen, die der Test korrekt als negativ erkennt.
- Klicken Sie auf „Wahrscheinlichkeit berechnen“. Der Rechner wendet den Satz von Bayes an und gibt den PPV (Wahrscheinlichkeit, die Erkrankung bei positivem Test zu haben) und den NPV (Wahrscheinlichkeit, sie bei negativem Test nicht zu haben) aus sowie eine Aufschlüsselung von richtigen/falschen Positiven und Negativen pro 100.000 Personen.
- Passen Sie die Werte an, um zu sehen, wie Prävalenz, Sensitivität und Spezifität den PPV verschieben — Sie werden erkennen, dass die Prävalenz den größten Einfluss darauf hat, ob ein positives Testergebnis aussagekräftig ist.
Falschpositiv-Paradoxon — FAQ
Was ist das Falschpositiv-Paradoxon?
Das Falschpositiv-Paradoxon tritt auf, wenn die Zahl der falsch positiven Ergebnisse eines Tests die der richtig positiven übersteigt, obwohl der Test genau ist. Das geschieht, weil eine niedrige Prävalenz dazu führt, dass die große gesunde Bevölkerung viele Fehlalarme erzeugt — mehr als die kleine kranke Bevölkerung echte Alarme erzeugt — selbst bei einer niedrigen Falschpositivrate.
Was sind Sensitivität und Spezifität?
Sensitivität (Richtig-Positiv-Rate) ist die Wahrscheinlichkeit, dass eine Person mit der Erkrankung positiv getestet wird. Spezifität (Richtig-Negativ-Rate) ist die Wahrscheinlichkeit, dass eine Person ohne die Erkrankung negativ getestet wird. Ein Test mit 95 % Sensitivität erkennt 95 von 100 Fällen; ein Test mit 90 % Spezifität stuft 90 von 100 gesunden Personen korrekt als gesund ein.
Was ist PPV und warum unterscheidet er sich von Genauigkeit?
PPV (positiver Vorhersagewert) ist die Wahrscheinlichkeit, dass ein positives Ergebnis ein echtes Positiv widerspiegelt — also dass die Person die Erkrankung tatsächlich hat. Genauigkeit misst, wie oft der Test insgesamt korrekt ist. PPV hängt stark von der Prävalenz ab, Genauigkeit dagegen nicht. Ein Test kann 99 % genau sein und dennoch bei seltener Erkrankung einen PPV von unter 10 % haben.
Wie kann ich den PPV eines Tests verbessern?
Am wirksamsten ist es, die Spezifität des Tests zu erhöhen (also die Falschpositivrate zu senken), nur in Subpopulationen mit höherer Prävalenz zu testen, in denen die Vorwahrscheinlichkeit bereits erhöht ist, und sequenzielle Bestätigungstests einzusetzen. Bei sequenziellen Tests wird ein positives erstes Screening-Ergebnis zur neuen „Prävalenz“-Eingabe für einen zweiten, spezifischeren Bestätigungstest, der die Wahrscheinlichkeit auf einen deutlich höheren und klinisch sinnvolleren Wert aktualisiert.
Was sagt mir der NPV?
NPV (negativer Vorhersagewert) ist die Wahrscheinlichkeit, dass eine Person mit negativem Test die Erkrankung tatsächlich nicht hat. Bei seltenen Krankheiten ist der NPV meist sehr hoch: Bei einer Prävalenz von 0,1 % sind fast alle negativen Ergebnisse echte Negative. Ein hoher NPV bedeutet, dass ein negatives Ergebnis sehr beruhigend ist. Der NPV sinkt mit steigender Prävalenz.
Warum ist die Prävalenz wichtiger als die Testgenauigkeit?
Bei sehr niedriger Prävalenz überwiegt schon eine winzige Falschpositivrate in der riesigen gesunden Bevölkerung die echten Positiven aus der kleinen kranken Population. Eine Verdopplung der Spezifität von 95 % auf 97,5 % halbiert nur die Falschpositiven pro Person, eine Verdopplung der Prävalenz verdoppelt dagegen die Zahl der echten Positiven — daher beeinflusst die Prävalenz den PPV viel stärker als die Genauigkeit.