后测概率计算器

后测概率是指在得知诊断检测结果后，患者患有某种疾病的修正后概率。它基于贝叶斯定理计算，可根据新证据正式更新原有判断。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——检测前的患病概率或疾病流行率；(2) 敏感度——真阳性率，即在疾病存在时检测为阳性的概率；(3) 特异度——真阴性率，即在疾病不存在时检测为阴性的概率。 对于阳性结果，后测概率等于阳性预测值（PPV），计算公式为：PPV = (敏感度 × 先验) / (敏感度 × 先验 + (1−特异度) × (1−先验))。对于阴性结果，患病概率为 1 − NPV，其中 NPV = (特异度 × (1−先验)) / (特异度 × (1−先验) + (1−敏感度) × 先验)。 似然比（LR）提供了另一种更新概率的方法。LR+ = 敏感度 / (1−特异度)，表示阳性结果会将患病优势提高多少；LR− = (1−敏感度) / 特异度，表示阴性结果会将患病优势降低多少。LR+ 大于 10 或 LR− 小于 0.1，通常说明该检测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线率效应：即使检测非常准确，当疾病罕见时，PPV 仍然可能很低。例如，若一项检测的敏感度和特异度均为 99%，用于患病率为 0.1% 的疾病时，其 PPV 也只有约 9%。这意味着 91% 的阳性结果是假阳性——在群体筛查项目中，这是一个至关重要的考虑因素。 本计算器适用于解读诊断检测结果的临床医生、设计筛查方案的研究人员、学习贝叶斯推理的医学生，以及评估不同患病率下检测表现的流行病学家。 请始终记住，先验概率应尽量依据最可靠的证据来估计：已发表的流行率数据、临床病史、体格检查发现以及患者风险因素。你的后测估计质量，直接取决于先验估计的准确性以及所用检测已发表敏感度和特异度数值的有效性。