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、その患者がある疾患を持つ修正後の確率を指します。これはベイズの定理を用いて計算され、新しい証拠に基づいて既存の判断を形式的に更新します。この計算機は、エビデンスに基づく医療、臨床意思決定支援、医学教育で用いられる診断精度の基本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 — 検査前の疾患確率、または疾患有病率。（2）感度 — 真陽性率、すなわち疾患が存在するときに検査が陽性となる確率。（3）特異度 — 真陰性率、すなわち疾患が存在しないときに検査が陰性となる確率です。 陽性結果では、検査後確率は陽性的中率（PPV）と等しく、次式で求めます：PPV = (sensitivity × prior) / (sensitivity × prior + (1−specificity) × (1−prior))。陰性結果では、疾患確率は 1 − NPV で、NPV = (specificity × (1−prior)) / (specificity × (1−prior) + (1−sensitivity) × prior) です。 尤度比（LR）は、確率を更新する別の方法を与えます。LR+ = sensitivity / (1−specificity) は、陽性結果が疾患のオッズをどれだけ上げるかを示します。LR− = (1−sensitivity) / specificity 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 を超える、または LR− が 0.1 未満なら、診断的に非常に強い検査です。 医学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。非常に高精度な検査でも、疾患がまれだと PPV は低くなります。たとえば、有病率 0.1% の疾患に 99% の感度と 99% の特異度を持つ検査を適用すると、PPV は約 9% しかありません。つまり陽性結果の 91% は偽陽性であり、集団スクリーニングでは極めて重要な考慮点です。 この計算機は、診断結果を解釈する臨床医、スクリーニング設計を行う研究者、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有用です。 事前確率は、公開された有病率データ、病歴、身体診察所見、患者のリスク因子など、利用可能な最良の証拠に基づいて見積もるべきです。検査後推定の質は、事前推定の正確さと、公開されている感度・特異度の妥当性に直接左右されます。