假阳性悖论计算器

Q: 假阳性悖论计算器 - 检测阳性后真患病概率用什么公式计算？

PPV = 敏感度 × 患病率 ÷ [敏感度 × 患病率 + (1 − 特异度) × (1 − 患病率)]。 例：患病率 0.1%、敏感度 99%、特异度 99%——每 10 万人：患者 100 人全检出（真阳性 99 人），健康 99900 人中 1% 假阳性≈999 人；PPV=99÷(99+999)≈9%。阳性后真患病概率不到一成。 在假阳性悖论计算器 - 检测阳性后真患病概率计算器中输入参数即可按此公式自动求解，无需手工推导。

Q: 用假阳性悖论计算器 - 检测阳性后真患病概率计算需要输入哪些内容？

首先，填入人群患病率（基率）——这一项对结果影响最大，务必查权威流行病学数据。 然后，填入检测的敏感度与特异度（试剂说明书或文献口径）。 全程在页面内完成，结果即时更新。

什么是假阳性悖论计算器？

敏感度（灵敏度）：患病者中被检出的比例；特异度：健康者被正确排除的比例。

PPV（阳性预测值）：检测阳性者中真患者的比例——它同时依赖检测质量与患病率，不是检测的固有属性。

基率谬误：忽略患病率、只盯「准确率 99%」得出的直觉结论，几乎总是高估患病概率。

PPV = 敏感度 × 患病率 ÷ [敏感度 × 患病率 + (1 − 特异度) × (1 − 患病率)]

例：患病率 0.1%、敏感度 99%、特异度 99%——每 10 万人：患者 100 人全检出（真阳性 99 人），健康 99900 人中 1% 假阳性≈999 人；PPV=99÷(99+999)≈9%。阳性后真患病概率不到一成。

如何使用假阳性悖论计算器

1
填入人群患病率（基率）——这一项对结果影响最大，务必查权威流行病学数据。
2
填入检测的敏感度与特异度（试剂说明书或文献口径）。
3
点击计算，读 PPV（阳性后真患病）与 NPV（阴性后真健康）。
4
对照万人情景分解表：真阳性、假阳性、真阴性、假阴性各多少人，直觉立刻建立。

计算示例

例 1罕见病筛查

患病率 1/10000、敏感度与特异度均 99%：PPV≈0.99%——阳性后真患病概率不到 1%。所以筛查阳性只是「值得复查」的信号，确诊必须靠第二次独立检测：两次连乘后特异度 99.99%，PPV 升至约 50% 以上。

例 2高危人群复算

同一试剂（敏 99%、特 99%）用于患病率 10% 的高危组：PPV=0.099÷(0.099+0.009)≈91.7%。检测没变，基率变了——这就是为什么筛查策略强调「先分层再检测」。

注意事项

PPV 随患病率单调上升：同一检测在高危人群里「含金量」远高于普通人群，比较检测效果必须固定基率。
敏感度与特异度此消彼长（阈值移动）：提高敏感度必然牺牲部分特异度，没有「两项都 100%」的免费午餐。
NPV（阴性预测值）在低患病率下极高（本例≈99.999%）：阴性结果非常可靠，这是筛查能排除疾病的原因。
连续两次独立检测都阳性：近似地把特异度提升为 1−(1−特)² 后重算 PPV；前提是两次误差独立（复查同一试剂时未必成立）。

常见问题

PPV = 敏感度 × 患病率 ÷ [敏感度 × 患病率 + (1 − 特异度) × (1 − 患病率)]。例：患病率 0.1%、敏感度 99%、特异度 99%——每 10 万人：患者 100 人全检出（真阳性 99 人），健康 99900 人中 1% 假阳性≈999 人；PPV=99÷(99+999)≈9%。阳性后真患病概率不到一成。在假阳性悖论计算器 - 检测阳性后真患病概率计算器中输入参数即可按此公式自动求解，无需手工推导。

PPV 随患病率单调上升：同一检测在高危人群里「含金量」远高于普通人群，比较检测效果必须固定基率；敏感度与特异度此消彼长（阈值移动）：提高敏感度必然牺牲部分特异度，没有「两项都 100%」的免费午餐。其余细节见页面注意事项一节。

罕见病筛查：患病率 1/10000、敏感度与特异度均 99%：PPV≈0.99%——阳性后真患病概率不到 1%。所以筛查阳性只是「值得复查」的信号，确诊必须靠第二次独立检测：两次连乘后特异度 99.99%，PPV 升至约 50% 以上。

首先，填入人群患病率（基率）——这一项对结果影响最大，务必查权威流行病学数据。然后，填入检测的敏感度与特异度（试剂说明书或文献口径）。全程在页面内完成，结果即时更新。

敏感度（灵敏度）：患病者中被检出的比例；特异度：健康者被正确排除的比例。

两者同属相关计算链条：敏感度特异度计算器 - 诊断试验四格表解决的是与之衔接的另一层问题。完成假阳性悖论计算器 - 检测阳性后真患病概率计算后，页面底部相关推荐区可直接跳转到敏感度特异度计算器 - 诊断试验四格表继续演算，参数在同类工具间口径一致，交叉验证更方便。

高危人群复算：同一试剂（敏 99%、特 99%）用于患病率 10% 的高危组：PPV=0.099÷(0.099+0.009)≈91.7%。检测没变，基率变了——这就是为什么筛查策略强调「先分层再检测」。

本页假阳性悖论计算器 - 检测阳性后真患病概率计算器与页面内的公式、示例、对照表同源，全部数字由同一套程序实时计算。可用一个已知算例代入验证：先在示例一节找到演算过程，再用相同参数在计算器中复算一遍，两次结果一致即说明口径无误。

计算过程按双精度浮点执行，结果默认保留 4 位有效小数，页面会按数值大小自动切换科学计数法。对照表中的数值与计算器输出完全同源，不存在手工四舍五入引入的偏差。

准确率是混合口径。罕见病筛查里健康人占绝对多数，1% 的假阳性率乘上巨大的健康基数，假阳性数量轻易超过真阳性——分母不同，比例不可直接比。

PPV 就是贝叶斯后验：P(患病|阳性) = P(阳性|患病)P(患病) ÷ P(阳性)。悖论的本质是先验（患病率）在起作用，忽略了先验就是基率谬误。

没有统一阈值，取决于后续检查的风险与收益。筛查体系的惯例是「初筛低阈值广撒网 + 确诊试验高特异度」，两级串联把 PPV 推上去。

阴性可靠意味着筛查能高效「排阴」：低患病率下一次阴性几乎排除患病，这是体检筛查最大的价值所在——安心，而非确诊。

参考资料

[1]Khan Academy：可汗学院数学与科学课程

凯文内容作者Calcton 学习编辑组口径审核Calcton 编辑组交叉审核· 内容更新于 2026-06-06

负责 Calcton 的公式核对与内容撰写：每个工具的公式都注明出处，示例数字经过程序复算，健康与判定标准一律采用国际口径。

Calcton 学习编辑组：主流教学法与考试评分惯例口径。

参考来源与更新说明

本页公式与判定标准参考以下权威资料：

Khan Academy：可汗学院数学与科学课程

最后更新：2026-06-06。

免责声明：本页面提供的计算结果与说明内容仅供参考，不构成医疗、税务、投资或法律等专业建议。尽管我们力求公式与数据准确，仍可能存在误差；据此做出的任何决策，请结合专业机构意见。

什么是假阳性悖论计算器？

如何使用假阳性悖论计算器

计算示例

注意事项

常见问题

参考资料

引用本页

把这个计算器嵌入到你的网站

参考来源与更新说明

什么是假阳性悖论计算器？

如何使用假阳性悖论计算器

计算示例

注意事项

常见问题