全新功能「收藏作家」上線啦!
HOT 閃亮星─肆夕耽美稿件大募集

一次快篩陽性就是確診嗎

幾乎所有的流行病專家現都在玩統計,所以我們嘗試以統計學的觀點來看上述命題是否正確。

首先,假設在一個Covid-19感染率為1/1000的地區,我們有一種快篩試劑,他的靈敏度(Sensitivity)和特異度(Specificity)都是99%。阿飛覺得喉嚨癢,首次快篩為陽性,請問阿飛確診的機率是多少?

A.   99%,B.   90%,C.   49%,D.   9%

請注意,這題目可應用在任何疾病和試劑上,如癌症或肝炎,Covid-19只是一個可蹭熱度的例子。

我們所需要的參數,只有:1.疾病感染率,2.試劑靈敏度和3.試劑特異度。

意外的答案

答案是,Covid-19   確診率的機會約   9%,而非直覺中的99%!但是如果第二次測試又是陽性,確診率將變成約90%

(如無興趣,到此結束)

欲知詳情,首先,一些定義

靈敏度(Sensitivity)   :阿飛確診時,試劑測出為陽性的機率(Probability)

特異度(Specificity)   :阿飛沒被感染時,試劑測出陰性的機率(Probability)

以數學公式表達:

靈敏度   =   P(陽性|確診)

特異度   =   P(陰性|沒事)     (註:1-特異度   =   P(陽性|沒事)   )

其中P(A|B)是條件機率,即是在B發生的情形下,A為真的機率

我們的目標,是根據前述事實,算出   P(確診|陽性)

貝氏定理介紹

條件機率:當B發生時,A(和B皆)發生的機率,記作:P(A|B),定義如下

P(A|B)   =   P(A∩B)   /   P(B)   (符號   ∩   代表”且”,也就是   and)

貝氏定理:

P(B|A)   =   P(B∩A)   /   P(A)

=   P(A∩B)   /P(A)

=   P   (A|B)   *   P(B)   /   P(A)

亦即:   P(B|A)   =   P   (A|B)   *   P(B)   /   P(A)

因靈敏度和   P(確診)   皆為已知

靈敏度   =   P(陽性|確診)   =   P(確診|陽性)   *   P(陽性)/P(確診)

想知道的的P(確診|陽性)   =   靈敏度   *   P(確診)   /   P(陽性)

(靈敏度   =   0.99和   P(確診)   =   0.001   皆為已知)

所以,接著就是求P(陽性)

P(陽性)   =   P(確診且陽性)+P(沒事且陽性(也就是誤判))

P(陽性)   =   P(確診   ∩   陽性)   +   P(沒事   ∩   陽性)

=   P(陽性|確診)*   P(確診)   +   P(陽性|沒事)   *P(沒事)

  因為P(陽性|沒事)   =   1-P(陰性|沒事),P(沒事)=   1-P(確診)

=   靈敏度   *   P(確診)   +   (1-P(陰性|沒事)*   (1-P(確診))

=   靈敏度   *   P(確診)   +   (1-特異度)   *   (1-P(確診))

  (此時我們已有所有數值)

結論

P(確診|陽性)   =靈敏度   *   P(確診)   /   P(陽性)

P(陽性)   =   靈敏度   *   P(確診)   +   (1-特異度)   *   (1-P(確診)

代入數字

P(陽性)   =   0.99   *   0.001   +   0.01*   0.999   =   0.00099   +   0.00999   約=   0.011

答案:P(確診|陽性)   =   0.99   *   0.001   /   0.011   =   0.09約=9%

連續第二次陽性時,先驗   P(確診)=原先後驗的   P(確診|陽性)=0.09

P(確診|陽性)   =   (0.99   *   0.09)   /   (0.99*0.09   +   0.01*0.91)   =   0.09/0.0991   約=   90%

連續第三次陽性時,   P(確診|陽性)   約=   99.9%,應是確診

試問:在P(確診)=0.01的地區,第一次快篩陽,P(確診|陽性)   =   50%?

敬請指教

上一篇回作家的PO

回應(0)