检后概率计算器
使用贝叶斯定理计算检后概率
输入先验概率、检测敏感度和检测特异度（均为百分比），即可计算检后概率、PPV、NPV 和似然比。
检后概率计算器
使用贝叶斯定理计算检后概率
关于检后概率计算器
检后概率是指在知道诊断测试结果后，患者患有某种疾病的修正概率。它使用贝叶斯定理计算，在新证据出现后对原有判断进行正式更新。该计算器实现了循证医学、临床决策支持和医学教育中使用的核心诊断准确性框架。
所需的三个输入是：（1）先验概率——即检测前的患病概率或疾病流行率；（2）敏感度——真阳性率，或在疾病存在时测试为阳性的概率；（3）特异度——真阴性率，或在疾病不存在时测试为阴性的概率。
对于阳性结果，检后概率等于阳性预测值（PPV），计算公式为：PPV = (sensitivity × prior) / (sensitivity × prior + (1−specificity) × (1−prior))。对于阴性结果，患病概率为 1 − NPV，其中 NPV = (specificity × (1−prior)) / (specificity × (1−prior) + (1−sensitivity) × prior)。
似然比（LR）提供了另一种更新概率的方法。LR+ = sensitivity / (1−specificity) 表示阳性结果会将患病几率提高多少。LR− = (1−sensitivity) / specificity 表示阴性结果会将患病几率降低多少。经验法则是：LR+ 大于 10 或 LR− 小于 0.1 表示该测试具有很强的诊断价值。
医学统计中最反直觉的结果之一是基率效应：即使测试非常准确，当疾病很罕见时，PPV 仍然很低。例如，对患病率为 0.1% 的疾病使用一项敏感度和特异度均为 99% 的测试，PPV 也只有大约 9%。这意味着 91% 的阳性结果是假阳性——这是群体筛查项目中必须重点考虑的问题。
这个计算器适合临床医生解读诊断结果、研究人员设计筛查方案、医学生学习贝叶斯推理，以及流行病学家评估不同患病率下的测试表现。
始终记住，先验概率应尽量依据最佳证据估计：已发表的患病率数据、临床病史、体格检查发现以及患者风险因素。你的检后估计质量直接取决于先验估计的准确性以及测试已发表的敏感度和特异度值是否可信。
示例
这些示例展示疾病流行率和检测准确性如何影响检后概率。
| 先验、敏感度、特异度 | 检后阳性概率 | 情景 |
|---|---|---|
| Prior=20%, Sens=85%, Spec=80% | PPV ≈ 51.5% | 常见疾病筛查 |
| Prior=0.1%, Sens=99%, Spec=99% | PPV ≈ 9.0% | 罕见疾病——忽视基率 |
| Prior=5%, Sens=99.5%, Spec=85% | PPV ≈ 25.8% | 高敏感度筛查测试 |
| Prior=15%, Sens=80%, Spec=99.8% | PPV ≈ 98.8% | 高特异度确诊测试 |
如何使用此计算器
- 输入先验（检前）概率的百分比——这可以是流行率，或你在检测前对疾病概率的初始估计。
- 输入检测敏感度（真阳性率）的百分比——即疾病存在时测试为阳性的频率。
- 输入检测特异度（真阴性率）的百分比——即疾病不存在时测试为阴性的频率。
- 点击“计算”即可查看阳性和阴性结果对应的检后概率，以及 PPV、NPV 和似然比。
- 使用快速加载按钮浏览真实临床情景，并观察流行率如何影响检测解读。
常见问题
什么是检后概率？
检后概率是指在获得诊断测试结果后，某种疾病实际存在的概率。它源自贝叶斯定理，把先验概率（流行率或检前概率）与测试的敏感度和特异度结合起来。阳性测试会把概率抬高到先验之上；阴性测试会把概率降低。
敏感度和特异度有什么区别？
敏感度（真阳性率）衡量在有该疾病的人群中，测试为阳性的比例：TP / (TP + FN)。特异度（真阴性率）衡量在没有该疾病的人群中，测试为阴性的比例：TN / (TN + FP)。高敏感度可减少漏诊；高特异度可减少误报。
什么是 PPV，为什么它取决于流行率？
阳性预测值（PPV）是指阳性测试者实际上患有该疾病的概率。它同时取决于测试准确性和疾病流行率。即使测试准确率达到 99%，对于罕见疾病，PPV 也可能很低——这被称为假阳性悖论或基率忽视。因此，在诊断医学中理解先验概率至关重要。
什么是似然比，如何使用？
阳性似然比（LR+）= sensitivity / (1−specificity)，表示阳性结果会使患病几率增加多少。LR− = (1−sensitivity) / specificity，表示阴性结果会使患病几率降低多少。经验法则：LR+ > 10 或 LR− < 0.1 会带来显著且具有临床意义的概率变化。
为什么一个高准确度测试可能给出很低的检后概率？
当疾病流行率（先验概率）非常低时，即使测试非常准确，假阳性数量也可能相对于真阳性很多。例如，对流行率为 0.1% 的疾病使用一项准确率 99% 的测试，PPV 也只有大约 9%——也就是 91% 的阳性结果是假阳性。这就是为什么对罕见疾病进行大规模筛查时必须精心设计。
阳性结果后的 PPV 和检后概率有什么区别？
对于一个简单的二分类测试（阳性/阴性），阳性结果后的 PPV 和检后概率是同一个值。二者都表示 P(疾病 | 阳性测试)。“检后概率”是临床决策中更通用的贝叶斯表达，而 PPV 是测试验证研究中常用的流行病学术语。