感度・特異度・有病率(%)を入力すると、陽性と判定された人が本当に陽性である確率(陽性的中率PPV)と、陰性と判定された人が本当に陰性である確率(陰性的中率NPV)をベイズの定理で計算します。1万人あたりの真陽性・偽陽性などの内訳表で、結果を直感的に確認できます。
陽性的中率(PPV)・陰性的中率(NPV)計算ツール
感度・特異度・有病率から、陽性と判定された人が本当に陽性である確率(PPV)と陰性的中率(NPV)をベイズの定理で計算します。
使い方
- 検査や分類モデルの感度(陽性を陽性と判定する割合)を%で入力します。
- 特異度(陰性を陰性と判定する割合)を%で入力します。
- 対象集団の有病率(実際に陽性である人の割合)を%で入力すると、PPV・NPVと1万人あたりの内訳表が表示されます。
計算式
PPV = 感度 × 有病率 ÷ [ 感度 × 有病率 + (1 − 特異度) × (1 − 有病率) ]
NPV = 特異度 × (1 − 有病率) ÷ [ 特異度 × (1 − 有病率) + (1 − 感度) × 有病率 ]
いずれもベイズの定理から導かれる式です。分子は「本当に当たっている人」、分母は「その判定を受けた人全体」を表しています。
計算例
初期値の感度90%、特異度95%、有病率1%で、1万人が検査を受けた場合を考えます。
| 1万人あたり | 検査で陽性 | 検査で陰性 | 合計 |
|---|---|---|---|
| 実際に陽性 | 90(真陽性) | 10(偽陰性) | 100 |
| 実際に陰性 | 495(偽陽性) | 9,405(真陰性) | 9,900 |
| 合計 | 585 | 9,415 | 10,000 |
PPV = 90 ÷ 585 ≒ 15.4%、NPV = 9,405 ÷ 9,415 ≒ 99.89% です。感度・特異度が高くても、陽性と判定された585人のうち本当に陽性なのは約15%にとどまります。
結果の見方
- PPVは「陽性と言われたときに、本当に陽性である確率」です。有病率が低いほど小さくなります。
- NPVは「陰性と言われたときに、本当に陰性である確率」です。有病率が低いほど1に近づきます。
- PPVが50%未満のときは、陽性判定のうち偽陽性のほうが多い状態です。再検査や別の方法での確認が重要になります。
機械学習の分類モデルでの考え方
この考え方は医療検査だけでなく、不正検知やスパム判定など、陽性がまれなタスク全般に当てはまります。テストデータで高い感度・特異度が出ていても、実際の運用で陽性の割合がさらに低ければ、アラートの多くが誤報になることがあります。運用前に、想定される陽性率でPPVを試算しておくと、確認作業の負担や、しきい値の調整の必要性を見積もれます。
たとえば初期値の感度90%・特異度95%のまま有病率を10%にすると、PPVは約66.7%まで上がります。同じ検査でも、対象となる集団によって陽性的中率が大きく変わることを、有病率の値を変えて確かめてみてください。
逆に、有病率が高い集団ではNPVが下がります。陰性と判定されても安心できるとは限らない点にも注意しましょう。
注意点
- 感度・特異度は検査そのものの性質ですが、PPV・NPVは有病率によって大きく変わります。対象となる集団に合った有病率を入れてください。
- 症状のある人だけが受ける検査と、全員が受けるスクリーニングでは有病率が違うため、同じ検査でもPPVは異なります。
- このツールは一般的な確率の計算です。実際の医療上の判断は、医師などの専門家にご相談ください。
- 機械学習の分類モデルでは、PPVは適合率(Precision)と同じ意味です。
陽性的中率・陰性的中率のよくある質問
Q. 感度と特異度が高いのに陽性的中率が低いのはなぜですか?
A. 有病率が低いと、もともと陰性の人がとても多いため、わずかな偽陽性率でも偽陽性の人数が真陽性を上回るからです。
Q. 陽性的中率と適合率は同じですか?
A. 同じ意味です。医療統計では陽性的中率(PPV)、機械学習では適合率(Precision)と呼ぶことが多いです。
Q. 有病率がわからないときはどうすればよいですか?
A. 対象集団の統計や過去のデータから推定した値を入れます。いくつかの値で計算して、結果がどれだけ変わるかを確認するのも有効です。
