假陽性悖論計算器 - 貝葉斯定理
計算陽性檢測後真正患病的機率。輸入盛行率、靈敏度與特異度，了解低基率如何造成假陽性悖論。
輸入族群中的盛行率，以及檢測的靈敏度與特異度，然後點擊查看陽性結果為真陽性的實際機率。
假陽性悖論計算器
根據陽性檢測結果，找出某種疾病的真實機率
關於假陽性悖論計算器
假陽性悖論——也稱為基率謬誤——是一種反直覺的統計現象：即使檢測本身非常準確，檢測得到的假陽性結果數量仍可能超過真陽性結果。只要被檢測的疾病很罕見，這種悖論就會出現：真正受影響的人很少，因此產生的真陽性遠少於龐大的健康族群在低假陽性率下產生的誤報。
這個悖論背後的數學基礎是貝葉斯定理。給定疾病的盛行率 P(D)、檢測靈敏度（真陽性率）Se 與特異度（真陰性率）Sp，陽性預測值（PPV）——也就是檢測呈陽性的人實際上患有該疾病的機率——為：PPV = (Se × P(D)) / (Se × P(D) + (1 − Sp) × (1 − P(D)))。當 P(D) 非常小時，分母會被假陽性項 (1 − Sp) × (1 − P(D)) 主導；即使假陽性率極低，只要作用在龐大的健康族群上，也會壓過少量真陽性。
一個經典例子：假設某疾病影響 0.1% 的人口（千分之一），而檢測的靈敏度與特異度都為 99%。在 100,000 人中，約有 100 人患病（0.1%），99,900 人未患病。檢測能正確辨識 100 位患者中的 99 位（真陽性），但也會把 99,900 位健康人中的 1% 誤標為陽性——約 999 個假陽性。因此，在所有 1,098 位檢測陽性的人中，真正患病的只有 99 位：PPV 只有 9%。一項 99% 準確的檢測，因為盛行率太低，竟會產生 91% 的誤報。
這一原理在醫學、安全與技術領域都有深遠影響。在醫學篩檢計畫中，即使檢測非常準確，對罕見疾病進行大規模篩檢也可能產生大量實際上健康的焦慮患者，既浪費資源又造成傷害。因此，公共衛生指南通常會將大規模篩檢限制在盛行率更高、PPV 在臨床上可接受的次族群中。在安保篩檢中，面對數百萬無辜旅客時，準確率極高的人臉辨識系統仍可能產生成千上萬的假陽性。在垃圾郵件過濾中，即使系統幾乎能攔下全部垃圾郵件，較高的假陽性率仍會削弱信任。
無論在醫學還是政策制定中，解決辦法都是套用貝葉斯定理，並在解讀任何檢測結果前納入先驗機率（盛行率）。篩檢檢測的陽性結果不代表你已經患病——它只意味著你患病的機率從族群盛行率上升到了 PPV，而這個機率仍可能很低。接著以第二個更具特異性的確認性檢測進一步驗證，再次更新機率，通常會得到足以支持臨床行動的更高數值。這個計算器把這種推理過程變得透明且可互動，方便臨床醫師、研究人員與政策制定者探索盛行率、靈敏度與特異度的變化如何影響 PPV 與族群拆分。
假陽性悖論 — 範例
四個情境展示盛行率如何主導檢測準確性，並決定真正的預測價值。
| 輸入 | PPV | 背景 |
|---|---|---|
| 盛行率 0.1%，靈敏度 99%，特異度 99% | PPV ≈ 9.0% | 罕見疾病篩檢。儘管檢測準確率達 99%，每 100 個陽性結果中仍有 91 個是假警報——這就是經典的假陽性悖論。 |
| 盛行率 10%，靈敏度 95%，特異度 90% | PPV ≈ 51.4% | 更常見的疾病。更高的盛行率會顯著提升 PPV；大約一半的陽性結果是真的。 |
| 盛行率 1%，靈敏度 99.9%，特異度 98% | PPV ≈ 33.5% | 垃圾郵件過濾類比。即使過濾器非常優秀，當垃圾郵件只占全部郵件的 1% 時，仍會產生許多假陽性。 |
| 盛行率 0.01%，靈敏度 99.5%，特異度 99% | PPV ≈ 0.99% | 針對極罕見威脅的機場安檢掃描器。100 次警報中有 99 次是假警報，說明了大海撈針的問題。 |
如何使用假陽性悖論計算器
- 輸入疾病的盛行率——也就是族群中患有該疾病的百分比。例如，如果每 200 人中有 1 人受影響，就輸入 0.5。
- 輸入檢測的靈敏度（真陽性率）：檢測能正確判定為陽性的真正患者所占百分比。
- 輸入檢測的特異度（真陰性率）：檢測能正確判定為陰性的真正健康人所占百分比。
- 點擊“計算機率”。計算器會套用貝葉斯定理輸出 PPV（在檢測陽性時患病的機率）和 NPV（在檢測陰性時未患病的機率），並提供每 100,000 人中的真/假陽性與陰性拆分。
- 調整這些數值，探索盛行率、靈敏度與特異度如何改變 PPV——你會發現，盛行率對陽性結果是否有意義的影響最大。
假陽性悖論 — 常見問題
什麼是假陽性悖論？
當檢測的假陽性結果數量超過真陽性結果數量時，就會出現假陽性悖論，即使這項檢測本身是準確的。其原因在於，盛行率很低時，大量健康族群會產生很多誤報——數量超過少量患者產生的真陽性——哪怕假陽性率並不高。
什麼是靈敏度和特異度？
靈敏度（真陽性率）是指真正患病的人檢測呈陽性的機率。特異度（真陰性率）是指真正未患病的人檢測呈陰性的機率。靈敏度 95% 的檢測能找出 100 個病例中的 95 個；特異度 90% 的檢測能正確排除 100 個健康人中的 90 個。
什麼是 PPV，它為什麼和準確率不同？
PPV（陽性預測值）是指陽性檢測結果確實代表真陽性的機率，也就是這個人實際上患有該疾病的機率。準確率衡量的是檢測整體上有多常正確。PPV 會高度受到盛行率影響，而準確率不會。當疾病很罕見時，一項 99% 準確的檢測，PPV 也可能低於 10%。
如何提高檢測的 PPV？
提高 PPV 最有效的方法包括：提升檢測特異度（降低假陽性率）、將檢測限制在盛行率更高、先驗機率已經升高的族群中，以及採用序列式確認檢測。在序列式檢測中，第一次篩檢的陽性結果會成為第二個更具特異性的確認性檢測的新“盛行率”輸入，從而把機率更新到更高、也更具臨床行動價值的水準。
NPV 告訴我什麼？
NPV（陰性預測值）是指檢測為陰性的人確實未患病的機率。對於罕見疾病，NPV 通常非常高：當盛行率為 0.1% 時，幾乎每一個陰性結果都是真陰性。較高的 NPV 代表陰性結果非常令人放心。盛行率越高，NPV 越低。
為什麼盛行率比檢測準確率更重要？
在盛行率極低時，即使極小的假陽性率作用於龐大的健康族群，也會遠遠超過少量患者產生的真陽性。把特異度從 95% 提高到 97.5%，每人層面只是把假陽性減半；而把盛行率翻倍，則會把真陽性數量翻倍——因此，盛行率對 PPV 的驅動遠強於準確率。