Rechner für Post-Test-Wahrscheinlichkeit

Die Post-Test-Wahrscheinlichkeit ist die aktualisierte Wahrscheinlichkeit, dass ein Patient nach einem diagnostischen Testergebnis eine bestimmte Erkrankung hat. Sie wird mit dem Satz von Bayes berechnet, der Überzeugungen angesichts neuer Evidenz formal aktualisiert. Dieser Rechner implementiert das zentrale Rahmenwerk der diagnostischen Genauigkeit, das in der evidenzbasierten Medizin, der klinischen Entscheidungsunterstützung und der medizinischen Ausbildung verwendet wird. Die drei erforderlichen Eingaben sind: (1) Vortestwahrscheinlichkeit — die Prätestwahrscheinlichkeit bzw. Krankheitsprävalenz vor dem Test; (2) Sensitivität — die True-Positive-Rate, also die Wahrscheinlichkeit, dass der Test positiv ist, wenn die Erkrankung vorliegt; und (3) Spezifität — die True-Negative-Rate, also die Wahrscheinlichkeit, dass der Test negativ ist, wenn die Erkrankung nicht vorliegt. Bei einem positiven Testergebnis entspricht die Post-Test-Wahrscheinlichkeit dem positiven Vorhersagewert (PPV), berechnet als: PPV = (sensitivity × prior) / (sensitivity × prior + (1−specificity) × (1−prior)). Bei einem negativen Ergebnis beträgt die Krankheitswahrscheinlichkeit 1 − NPV, wobei NPV = (specificity × (1−prior)) / (specificity × (1−prior) + (1−sensitivity) × prior) ist. Likelihood-Ratios (LRs) bieten eine weitere Möglichkeit, Wahrscheinlichkeiten zu aktualisieren. LR+ = sensitivity / (1−specificity) zeigt, wie stark ein positives Ergebnis die Krankheitsodds erhöht. LR− = (1−sensitivity) / specificity zeigt, wie stark ein negatives Ergebnis die Odds senkt. Als Faustregel gilt: Ein LR+ über 10 oder ein LR− unter 0.1 weist auf einen diagnostisch sehr starken Test hin. Eines der kontraintuitivsten Ergebnisse in der medizinischen Statistik ist der Basisraten-Effekt: Selbst ein sehr genauer Test hat einen niedrigen PPV, wenn die Krankheit selten ist. Beispielsweise hat ein Test mit 99% Sensitivität und 99% Spezifität bei einer Krankheit mit 0.1% Prävalenz nur einen PPV von etwa 9%. Das bedeutet, dass 91% der positiven Tests falsch positiv sind — ein entscheidender Aspekt bei Bevölkerungs-Screeningprogrammen. Dieser Rechner ist nützlich für Kliniker, die diagnostische Testergebnisse interpretieren, für Forscher, die Screening-Protokolle entwickeln, für Medizinstudierende, die bayesches Denken lernen, und für Epidemiologen, die die Testleistung bei unterschiedlichen Prävalenzen bewerten. Denken Sie immer daran, dass die Vortestwahrscheinlichkeit anhand der besten verfügbaren Evidenz geschätzt werden sollte: veröffentlichte Prävalenzdaten, Anamnese, körperliche Untersuchungsbefunde und Risikofaktoren des Patienten. Die Qualität Ihrer Post-Test-Schätzung hängt direkt von der Genauigkeit Ihrer Vortest-Schätzung und von der Validität der veröffentlichten Sensitivitäts- und Spezifitätswerte des Tests ab.