檢後機率計算器
使用貝葉斯定理計算檢後機率
輸入先驗機率、檢測敏感度與檢測特異度（皆以百分比表示），即可計算檢後機率、PPV、NPV 與似然比。
檢後機率計算器
使用貝葉斯定理計算檢後機率
關於檢後機率計算器
檢後機率是指在得知診斷檢測結果後，病人患有某種疾病的修正機率。它使用貝葉斯定理計算，會依新證據正式更新原先的判斷。這個計算器實作了循證醫學、臨床決策支援與醫學教育中使用的核心診斷準確性架構。
所需的三個輸入為：（1）先驗機率——也就是檢測前的患病機率或疾病盛行率；（2）敏感度——真陽性率，或在疾病存在時檢測為陽性的機率；（3）特異度——真陰性率，或在疾病不存在時檢測為陰性的機率。
對於陽性結果，檢後機率等於陽性預測值（PPV），其公式為：PPV = (sensitivity × prior) / (sensitivity × prior + (1−specificity) × (1−prior))。對於陰性結果，疾病機率為 1 − NPV，其中 NPV = (specificity × (1−prior)) / (specificity × (1−prior) + (1−sensitivity) × prior)。
似然比（LR）提供了另一種更新機率的方式。LR+ = sensitivity / (1−specificity) 表示陽性結果會讓疾病勝算增加多少。LR− = (1−sensitivity) / specificity 表示陰性結果會讓勝算降低多少。經驗法則是：LR+ 大於 10 或 LR− 小於 0.1，代表檢測具有很強的診斷價值。
醫學統計中最反直覺的結果之一是基率效應：即使檢測非常準確，當疾病很罕見時，PPV 仍然很低。例如，對盛行率為 0.1% 的疾病使用一項敏感度與特異度皆為 99% 的檢測，PPV 也只有約 9%。這表示 91% 的陽性結果都是假陽性——這是族群篩檢計畫中必須重點考量的問題。
這個計算器適合臨床人員解讀診斷結果、研究人員設計篩檢方案、醫學生學習貝葉斯推理，以及流行病學家評估不同盛行率下的檢測表現。
請始終記得，先驗機率應盡量依據最佳可得證據估計：已發表的盛行率資料、臨床病史、理學檢查發現，以及病人風險因子。你的檢後估計品質，直接取決於先驗估計的準確性與檢測已發表之敏感度和特異度值的可信度。
範例
這些範例展示疾病盛行率與檢測準確度如何影響檢後機率。
| 先驗、敏感度、特異度 | 檢後陽性機率 | 情境 |
|---|---|---|
| Prior=20%, Sens=85%, Spec=80% | PPV ≈ 51.5% | 常見疾病篩檢 |
| Prior=0.1%, Sens=99%, Spec=99% | PPV ≈ 9.0% | 罕見疾病——忽略基率 |
| Prior=5%, Sens=99.5%, Spec=85% | PPV ≈ 25.8% | 高敏感度篩檢檢測 |
| Prior=15%, Sens=80%, Spec=99.8% | PPV ≈ 98.8% | 高特異度確診檢測 |
如何使用此計算器
- 輸入先驗（檢前）機率的百分比——這可以是盛行率，或你在檢測前對疾病機率的初始估計。
- 輸入檢測敏感度（真陽性率）的百分比——也就是疾病存在時檢測為陽性的頻率。
- 輸入檢測特異度（真陰性率）的百分比——也就是疾病不存在時檢測為陰性的頻率。
- 點擊「計算」即可查看陽性與陰性結果對應的檢後機率，以及 PPV、NPV 與似然比。
- 使用快速載入按鈕瀏覽真實臨床情境，並觀察盛行率如何影響檢測解讀。
常見問題
什麼是檢後機率？
檢後機率是指在得到診斷檢測結果後，某種疾病實際存在的機率。它源自貝葉斯定理，將先驗機率（盛行率或檢前機率）與檢測的敏感度和特異度結合起來。陽性檢測會把機率提高到先驗之上；陰性檢測則會把機率降低。
敏感度和特異度有什麼差別？
敏感度（真陽性率）衡量在有該疾病的人群中，檢測為陽性的比例：TP / (TP + FN)。特異度（真陰性率）衡量在沒有該疾病的人群中，檢測為陰性的比例：TN / (TN + FP)。高敏感度可減少漏診；高特異度可減少誤報。
什麼是 PPV，為什麼它取決於盛行率？
陽性預測值（PPV）是指陽性檢測者實際上患有該疾病的機率。它同時取決於檢測準確度和疾病盛行率。即使檢測準確率達到 99%，對於罕見疾病，PPV 也可能很低——這被稱為假陽性悖論或基率忽視。因此，在診斷醫學中理解先驗機率至關重要。
什麼是似然比，如何使用？
陽性似然比（LR+）= sensitivity / (1−specificity)，表示陽性結果會使疾病勝算增加多少。LR− = (1−sensitivity) / specificity，表示陰性結果會使勝算降低多少。經驗法則：LR+ > 10 或 LR− < 0.1 會帶來顯著且具有臨床意義的機率變化。
為什麼一個高準確度檢測可能給出很低的檢後機率？
當疾病盛行率（先驗機率）非常低時，即使檢測非常準確，假陽性的數量相對於真陽性仍可能很多。例如，對盛行率為 0.1% 的疾病使用一項準確率 99% 的檢測，PPV 也只有大約 9%——也就是 91% 的陽性結果是假陽性。這就是為什麼對罕見疾病進行大規模篩檢時必須精心設計。
陽性結果後的 PPV 與檢後機率有什麼差別？
對於一個簡單的二元檢測（陽性／陰性），陽性結果後的 PPV 與檢後機率是同一個值。兩者都表示 P(疾病 | 陽性檢測)。「檢後機率」是臨床決策中更通用的貝葉斯語言，而 PPV 則是測試驗證研究中常用的流行病學術語。