假陽性悖論計算器 - 貝葉斯定理

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。