検査後確率計算機

検査後確率とは、診断検査の結果が分かった後に、その患者がある病気を有している修正後の確率を指します。ベイズの定理を用いて計算され、新しい証拠に基づいて信念を正式に更新します。この計算機は、根拠に基づく医療、臨床意思決定支援、医学教育で用いられる中核的な診断精度の枠組みを実装しています。 必要な入力は3つです。(1) 事前確率 — 検査前の有病確率または疾患有病率、(2) 感度 — 真陽性率、すなわち疾患があるときに検査が陽性になる確率、(3) 特異度 — 真陰性率、すなわち疾患がないときに検査が陰性になる確率です。 陽性結果では、検査後確率は陽性的中率（PPV）に等しく、式は PPV = (感度 × 事前確率) / (感度 × 事前確率 + (1−特異度) × (1−事前確率)) です。陰性結果では、疾患確率は 1 − NPV で、NPV = (特異度 × (1−事前確率)) / (特異度 × (1−事前確率) + (1−感度) × 事前確率) です。 尤度比（LR）は、確率を更新する別の方法です。LR+ = 感度 / (1−特異度) は、陽性結果が疾患オッズをどれだけ上げるかを示します。LR− = (1−感度) / 特異度 は、陰性結果がオッズをどれだけ下げるかを示します。目安として、LR+ が 10 超、または LR− が 0.1 未満なら、診断上非常に強い検査といえます。 医療統計で最も直感に反する結果の1つがベースレート効果です。検査精度が非常に高くても、疾患がまれだと PPV は低くなります。たとえば、感度 99%、特異度 99% の検査を、有病率 0.1% の疾患に適用すると、PPV は約 9% しかありません。つまり陽性の 91% は偽陽性であり、集団スクリーニングでは非常に重要な考慮点です。 この計算機は、診断検査結果を解釈する臨床医、スクリーニング戦略を設計する研究者、ベイズ推論を学ぶ医学生、異なる有病率で検査性能を評価する疫学者に役立ちます。 事前確率は、利用可能な最良の根拠から見積もることが重要です。公表された有病率データ、病歴、身体診察所見、患者のリスク因子を活用してください。検査後の推定精度は、事前推定の正確さと、公表された感度・特異度の妥当性に直接左右されます。