🏥 贝叶斯直觉

一种疾病的发病率是 1/1000，检测的敏感度（真阳性率）是 99%，特异度（真阴性率）是 99%。你检测呈阳性——你真得病的概率是多少？

直觉告诉你：敏感度 99%，那我 99% 是真得病了？

现实是：阳性预测值只有 9%！91% 的阳性是假阳性！

原因：因为发病率太低，健康人远多于病人，1% 的假阳性乘以大量健康人 > 真阳性。

🧪 交互式医疗测试模拟器

发病率 ( prevalance )： 0.1%

敏感度 ( sensitivity )： 99%

特异度 ( specificity )： 99%

9.0%

阳性预测值 (PPV)

99.99%

阴性预测值 (NPV)

91.0%

假阳性率（阳性中无病比例）

阳性似然比 (LR+)

混淆矩阵 (10,000 人)

100

9890

蒙特卡洛模拟结果

📐 贝叶斯定理推导

10000 人中，10 人患病 (1/1000 × 10000)

10 个病人中，~10 人检测阳性 (敏感度 99%)

9990 个健康人中，~100 人检测阳性 (1-特异度 = 1%)

总共 110 人阳性，其中只有 10 人真有病 → PPV = 10/110 ≈ 9%

🧠 核心直觉：基础概率决定一切

🔑 为什么罕见病的假阳性比真阳性多？

想象你在人群中用渔网捞鱼。网眼大小（特异度）决定你捞到多少垃圾。但如果鱼本身很少（低发病率），你捞上来的大部分都是垃圾。

发病率从 1/1000 提高到 1/10，同样 99% 敏感度/特异度，PPV 从 9% 跳到 91%——不是检测变好了，是先验概率变了。

📊 真实医疗数据示例

检测	发病率	敏感度	特异度	PPV（单次）	PPV（复查后）
HIV 筛查	0.1%	99.5%	99.9%	50%	99.9%
乳腺癌钼靶	0.5%	87%	97%	13%	~65%
前列腺癌 PSA	2%	21%	91%	4%	—
新冠快速抗原	5%	80%	98%	68%	—
产前唐筛	0.3%	85%	95%	5%	—

数据为典型参考值，具体数值因人群和研究而异。PSA筛查的PPV极低是其在很多国家不再推荐常规筛查的原因之一。

🌍 贝叶斯思维在生活中的应用

📧 垃圾邮件过滤

某词在垃圾邮件中出现率 80%，在正常邮件中 5%。收到含该词的邮件，是垃圾邮件的概率？取决于垃圾邮件的基础比例——如果 90% 的邮件是垃圾邮件，PPV 很高；如果只有 10%，则大量误判。

🔍 面试筛选

技术面试能识别优秀程序员的"敏感度"约 60%，"特异度"约 70%。如果优秀程序员占申请者的 5%，面试通过的人中只有约 10% 真的优秀——这就是为什么公司总抱怨"招不到人"。

🚨 安检系统

机场安检敏感度 99%，特异度 99.9%。但真正携带违禁品的人约 1/100,000。每次报警，真违禁品的概率只有 ~1%——99% 是误报。这就是为什么安检人员看起来总在"狼来了"。

🎯 练习：调整参数看效果

尝试以下场景，观察 PPV 如何变化：

关键洞察：当发病率从 0.1% 升到 10%，PPV 从 9% 升到 92%——检测没变，只是先验变了。这就是为什么筛查检测在高危人群中有价值，在普通人群中可能是负担。

🔗 贝叶斯与蒙提霍尔的联系

蒙提霍尔问题本质上是贝叶斯推理：主持人开门提供了新信息（条件），这个信息更新了你对各门后面有车的概率判断。换门获胜概率 2/3 就是贝叶斯更新后的后验概率。

参见：蒙提霍尔问题 | 赌徒谬误