偽陽性パラドックス計算機 - ベイズの定理

偽陽性パラドックス——ベースレートの誤謬としても知られる——は、検査自体が非常に正確であっても、真陽性より偽陽性の数が多くなりうる、直感に反する統計現象です。検査対象の状態がまれであるときにこの現象は起こります。実際に罹患している人の母数が小さいため、真陽性は少なく、しかも健康な人の大きな集団が低い偽陽性率でも多くの誤報を生みます。 このパラドックスの数学的な背景はベイズの定理です。状態の有病率 P(D)、検査の感度（真陽性率）Se、特異度（真陰性率）Sp が与えられたとき、陽性的中率（PPV）——つまり陽性と出た人が実際にその状態である確率——は次の式で表されます: PPV = (Se × P(D)) / (Se × P(D) + (1 − Sp) × (1 − P(D)))。P(D) が非常に小さい場合、分母は偽陽性項 (1 − Sp) × (1 − P(D)) に支配されます。ごくわずかな偽陽性率でも、大きな健康集団に適用されると、少数の真陽性を圧倒してしまいます。 典型例として、ある疾患の有病率が 0.1%（1,000 人に 1 人）で、検査の感度と特異度がともに 99% だとします。10 万人中、約 100 人がその病気を持ち（0.1%）、99,900 人は持っていません。検査はその 100 人中 99 人を正しく陽性と判定しますが、99,900 人の健康な人の 1% も誤って陽性と判定します——約 999 件の偽陽性です。したがって、陽性となった 1,098 人のうち実際に病気があるのは 99 人だけで、PPV はわずか 9% です。99% 正確な検査でも、有病率が低すぎるために 91% が誤報になるのです。 この原理は、医療、セキュリティ、技術の分野で大きな意味を持ちます。医療スクリーニングでは、たとえ高精度の検査でも、まれな疾患を集団検査すると、実際には健康な不安な患者が大量に生まれ、資源を浪費し害を及ぼします。そのため、公衆衛生の指針では、臨床的に受け入れられる PPV が得られる、より高有病率の集団に集団検査を絞ることがよくあります。セキュリティ検査では、非常に高精度の顔認識システムでも、何百万人もの無実の旅行者を少数の容疑者と照合すると、何千件もの偽陽性を出しえます。迷惑メールフィルタでも、ほぼすべてのスパムを捕捉できても、偽陽性率が高いと信頼は損なわれます。 医療でも政策でも、解決策はベイズの定理を適用し、検査結果を解釈する前に事前確率（有病率）を考慮することです。スクリーニング検査で陽性だからといって病気だという意味ではありません——それは、病気である確率が集団の有病率から PPV に上がったという意味であり、それでもなお低いことがあります。次に、より特異度の高い確認検査を行うことで確率はさらに更新され、通常は臨床的な対応を正当化できる高い値になります。この計算機は、その考え方を透明かつ対話的に示し、臨床家、研究者、政策立案者が、有病率、感度、特異度の変化が PPV と人口内訳をどう変えるかを探るのに役立ちます。