作者在書中舉了個例子。譬如每十萬人口中有一人有某種不治療會危害生命的嚴重疾病。
針對這個疾病，我們手上有一種高準確度的篩檢方法。它從來不產生偽陰性(False negative)。也就是只要是有病的人，篩檢就是陽性。不會發生有病的人，經過篩檢卻顯示陰性的例子。
但是它會有萬分一之的偽陽性(False positive)。就是每一萬個健康沒病的人，經過這個檢查，會有一人被誤顯示為有病。
那你該用這個工具，進行廣泛篩檢，找出得病者，拯救他們嗎?
那麼準。篩檢陽性的人，大多是有病的吧。
不，篩檢陽性的人，可能大多是沒病的。
譬如某國有一億人口。十萬分之一的人有病，所以是一千人有病。這一千人經篩檢後，全都是陽性。
另外9999萬9千人是沒病的。這些沒病的人經過篩檢，其中會有萬分之一偽陽性，就是會有一萬人，沒有病，但檢查結果卻是陽性。
所以總成果是，你找到總共一萬一千人篩檢陽性，其中只有一千人有病，占陽性者9.1%。其它91%都是沒病的。
也就是說，你需要跟那些占九成的偽陽性者說:”你們可能有一種嚴重疾病，需進行進一步檢查”。這會造成他們的嚴重焦慮與心理負擔，也會對醫療資源造成沉重負擔。
也就是說，即便有高準確度的篩檢工具，假如該疾病很少見，一般只會對高危險族群進行篩檢，才有意義。
但假如該疾病是高盛行率。譬如每十人中，有二個人有病。
一樣用剛才的人口，跟想像中的檢查工具。
一億人口，其中二千萬有病。他們去篩檢，得到二千萬個陽性。
八千萬人沒病，其中萬分之一偽陽性，所有會有八千個人偽陽性。
總共二千萬八千人得到陽性的結果。其中二千萬真的有病，比率是91%。
這時候才是篩檢陽性的人，大多是真的有病。
並不是篩檢工具有高準確度，就能讓篩出陽性的人大多是真的有病的人。陽性者是否真的有病的比率，是由被篩檢的人當中，到底有多少百分比真的有病所決定的。
這也就是為什麼，之前COVID19在台灣沒有那麼廣泛傳播時，沒有”普篩”的理由。這麼做會帶來大量偽陽性的困擾與麻煩。那時候篩檢只用於高風險族群，譬如確診者的同工作場所同事或住在一起的家人。
這也是為什麼，在COVID19整個傳播開來之後，只要篩檢陽性，就可視同確診，不需要再PCR的理由。因為這時候，篩出陽性，非常有可能就是真的有病。
瞭解統計，就會懂得一些疾病應對做法背後的理由。
回到首頁:請按這裡
初來乍到:請看”如何使用本部落格”
相關文章:
Naked Statistics讀後感1---比想像中更好懂、更有趣的統計
Naked Statistics讀後感2---你該懂的統計幻術
Naked Statistics讀後感4---賭博、保險與投資的共通原則
Naked Statistics讀後感5---機率錯誤應用帶來的悲慘後果
沒有留言:
張貼留言
注意：只有此網誌的成員可以留言。