Post-Test-Wahrscheinlichkeitsrechner

Die Post-Test-Wahrscheinlichkeit ist die überarbeitete Wahrscheinlichkeit, dass ein Patient eine Erkrankung hat, nachdem ein diagnostisches Testergebnis bekannt ist. Sie wird mit dem Bayes-Theorem berechnet, das Überzeugungen anhand neuer Evidenz formell aktualisiert. Dieser Rechner bildet den zentralen Rahmen der diagnostischen Genauigkeit ab, der in evidenzbasierter Medizin, klinischer Entscheidungsunterstützung und medizinischer Ausbildung verwendet wird. Die drei erforderlichen Eingaben sind: (1) Vortestwahrscheinlichkeit — die Prätestwahrscheinlichkeit oder Krankheitsprävalenz vor dem Test; (2) Sensitivität — die True-Positive-Rate bzw. die Wahrscheinlichkeit, dass der Test positiv ist, wenn die Erkrankung vorliegt; und (3) Spezifität — die True-Negative-Rate bzw. die Wahrscheinlichkeit, dass der Test negativ ist, wenn die Erkrankung nicht vorliegt. Für ein positives Testergebnis entspricht die Post-Test-Wahrscheinlichkeit dem positiven Vorhersagewert (PPV), berechnet als: PPV = (Sensitivität × Vortestwahrscheinlichkeit) / (Sensitivität × Vortestwahrscheinlichkeit + (1−Spezifität) × (1−Vortestwahrscheinlichkeit)). Für ein negatives Ergebnis ist die Krankheitswahrscheinlichkeit 1 − NPV, wobei NPV = (Spezifität × (1−Vortestwahrscheinlichkeit)) / (Spezifität × (1−Vortestwahrscheinlichkeit) + (1−Sensitivität) × Vortestwahrscheinlichkeit) ist. Likelihood Ratios (LRs) bieten eine weitere Möglichkeit, Wahrscheinlichkeiten zu aktualisieren. LR+ = Sensitivität / (1−Spezifität) zeigt, wie stark ein positives Ergebnis die Krankheitsodds erhöht. LR− = (1−Sensitivität) / Spezifität 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 Punkt in Screening-Programmen für Bevölkerungen. Dieser Rechner ist nützlich für Kliniker, die diagnostische Testergebnisse interpretieren, für Forschende, die Screening-Protokolle entwickeln, für Medizinstudierende, die bayessches Denken lernen, und für Epidemiologen, die die Testleistung bei unterschiedlichen Prävalenzen bewerten. Denken Sie daran, dass die Vortestwahrscheinlichkeit nach den bestmöglichen verfügbaren Daten geschätzt werden sollte: veröffentlichte Prävalenzdaten, klinische Anamnese, körperliche Befunde und Risikofaktoren des Patienten. Die Qualität Ihrer Post-Test-Schätzung hängt direkt von der Genauigkeit Ihrer Vortestschätzung und der Validität der veröffentlichten Sensitivitäts- und Spezifitätswerte des Tests ab.