Самый сложный и самый ценный модуль курса. Тест на редкую болезнь с точностью около $90\%$ дал положительный результат — кажется, дело плохо. Но при распространённости болезни $1\%$ вероятность, что вы действительно больны, — около $10\%$. Девять из десяти «положительных» здоровы. Это не парадокс и не дефект теста — это теорема Байеса: вероятность болезни при положительном результате ($PPV$) зависит не только от теста, но и от того, насколько болезнь редка. Школьная условная вероятность ($11$ класс) — и главный навык, отделяющий панику от трезвой оценки.
Интуиция говорит: «тест точен на $90\%$, результат положительный — значит, я болен с вероятностью $90\%$». Это почти всегда неверно для редких болезней. Разрыв между интуицией и реальностью — суть модуля.
Этот разрыв формализует теорема Байеса. Хорошая новость: её можно понять без формул — через натуральные частоты (раздел $4$). Но сначала — сама формула и величина $PPV$.
Величина, которая интересует пациента, — прогностическая ценность положительного результата ($PPV$): вероятность болезни при положительном тесте. Это и есть «ответ на ваш вопрос», в отличие от чувствительности («свойство теста», Модуль $5.2$).
Из всех положительных — какая доля действительно больна. $TP$ настоящих находок делить на всех положительных ($TP + FP$). Самый наглядный способ (из Модуля $5.2$).
Где $P$ — распространённость (вероятность болезни до теста). Числитель — настоящие положительные, знаменатель — все положительные. Та же логика, что и через клетки.
Формула выглядит громоздко, но лишь записывает то, что мы уже посчитали в клетках матрицы. Калькулятор ниже считает это автоматически, а раздел $4$ показывает, как обойтись вообще без формулы.
Флагманский интерактив главы. Задайте распространённость, чувствительность и специфичность — увидите $PPV$ (вероятность болезни при положительном тесте) и наглядный разбор через натуральные частоты на $1\,000$ человек. Двигайте распространённость и наблюдайте, как $PPV$ меняется драматически при том же тесте.
$PPV$ — то, что хочет знать пациент. Дерево частот показывает, откуда берётся ответ. Главный опыт: поставьте распространённость $1\%$ и хороший тест — и увидите, как мало значит позитивный результат.
Гениальное упрощение Герда Гигеренцера: люди (и даже врачи) путаются в процентах и условных вероятностях, но легко считают в натуральных частотах — «из $1\,000$ человек...». Тот же Байес, но без формулы и без ошибок.
Не спрашивайте «какова вероятность». Спросите: из тысячи таких людей, у скольких положительный тест, и сколько из них действительно больны. В частотах туман процентов рассеивается, и ответ становится очевидным.
Один и тот же тест даёт совершенно разный $PPV$ в зависимости от распространённости. Это объясняет, почему массовый скрининг бессимптомных людей часто приносит больше ложных тревог, чем пользы, а тот же тест у пациента с симптомами — весьма информативен.
Теорема Байеса — не только про медтесты. Это универсальный способ обновлять убеждения новыми данными, не забывая исходную вероятность. Освоив его на тестах, вы получаете инструмент для любых решений в условиях неопределённости.
Главное: позитивный тест не отвечает «болен ли я» — он обновляет вероятность от исходной. При редкой болезни даже хороший тест часто даёт ложную тревогу. Это самый мощный навык главы. Дальше — как польза лечения выражается числом: Модуль $5.4$ о $NNT$.
Пять вопросов по ключевым идеям модуля. Выберите ответ — сразу увидите верный вариант и пояснение. Прогресс сохраняется.
Образовательный материал — не заменяет консультацию врача. Ссылки ведут на поиск источника; точные реквизиты сверяйте с оригиналом.