如果艾滋病检测的非常精准，准确率为95%。现在，你从医生那里拿到了检测报告单，上面写上阳性——艾滋病感染。那么你现在的第一反应是什么呢？是不是吓得要死，因为你有95%的概率得病。这样计算真的对吗？
显然是不对的，但是问题来了，在检测出阳性的人中，得病的人的比例是多少呢？我们举个简单的例子，如果有10,000个人进行检测，会产生两种错误：一种是将j健康人判定会患者，即假阳性——就像是我们想要抓坏人，结果抓到了好人，误伤的比例；另一种是将得病的人判断为没有得病的人，这种错误称为假阴性——也就是坏人被认为是好人，放过坏人的数量。
艾滋病检测的假阳性和假阴性的概率都是5%，如果有一万个人中间只有500位艾滋病患者，那么：
在10000人中，将有950名诊断为阳性，但其中仅有50%是艾滋病患者。即便我们将艾滋病的发病率提高到了5%这么高的一个比例，被误诊的可能性都高达50%。
实际上，截至2016年底，中国艾滋病病毒全人群感染率为0.06%，其实这是一个发病率很低的一种疾病，即便HIV筛查的准确度高达99.1%以上。假设我们认定假阳性的概率都是0.1%。现在看看用这个看起来惊人的筛查准确度的情况下，如果你被检测出来呈阳性，你被误诊的概率到底是多少？看看到底是不是你脑袋一拍的0.1%。
为了计算方便，我们假设有1千万个人，由于感染率为0.06%，也就是说在着1千万人中有6000名患病者，而正常人可能被检测为阳性的有9994人，HIV携带者被检测为阳性的有5994人，那么被误诊的概率高达62.5%。跟你脑中的0.1%的数字是不是差的有点多。
这给我们的启发是，对于罕见病而言，即便是拥有了非常高的检测准确率，实际上被误诊的概率也很高。那是为什么呢？
我们看，我们说检测准确度，指的是如果你是患者，被检测出来的概率为99.9%；但放到更大的一个群体，比如说一千万人中，那么被检测出来为阳性的且真的是患者的概率就会低的多。这就是条件不一致。我们很容易混淆两种条件的概率。用一个简单的图示就能搞清楚我们混淆的两种概率的区别。
红色的圈表示我们测试的人数，蓝色的圈为患者，患者占所有人的数量本来就不多，任何一个小的误差都可能会导致结果的变化。我们会忽略掉99.9%这个概率是属于灰色的圈圈，并不属于橘红色的圈。范围不同，条件不同，概率自然也不同。
所以，如果某个人被诊断出很罕见的疾病，最好的方式就是再次去检测，一检、二检、三检，这样多次的检查能够缩小范围，确定自己是虚惊一场还是真的大祸临头。
网友评论