核心要点
贝叶斯：P(病|阳) = P(阳|病)·P(病) / P(阳)。
分母 P(阳) = 敏感度·患病率 + (1-特异度)·(1-患病率)。
患病率极低时，健康人群庞大，假阳性数量远超真阳性。
数值例：患病率 0.1%、敏感 99%、特异 99% → P(病|阳) ≈ 9%。
标准回答
用贝叶斯定理。记事件 D=患病、Pos=检测阳性。已知：患病率（先验）P(D)=0.001；敏感度 P(Pos|D)=0.99；特异度 P(Neg|¬D)=0.99，故假阳性率 P(Pos|¬D)=0.01。
全概率公式求分母：
P(Pos) = P(Pos|D)·P(D) + P(Pos|¬D)·P(¬D)
= 0.99·0.001 + 0.01·0.999
= 0.00099 + 0.00999 = 0.01098。
后验：
P(D|Pos) = P(Pos|D)·P(D) / P(Pos) = 0.00099 / 0.01098 ≈ 0.0902，约 9%。
直观解释：取 10 万人，约 100 人真患病（其中 99 人检出阳性），99,900 人健康（其中约 999 人被误判阳性）。阳性总数 ≈ 99 + 999 = 1098，真患病占比 99/1098 ≈ 9%。患病率越低，健康人群产生的假阳性绝对数量越能压倒真阳性，这就是「基率谬误（base rate fallacy）」。
常见误区
⚠️ 常见踩坑
不要把「敏感度 99%」直接当成「阳性即 99% 患病」。后验还取决于患病率（先验）；当病很罕见时，即使检测很准，单次阳性的真患病概率也可能很低。
追问
追问 1：第一次阳性后再独立检测一次仍阳性，真患病概率变多少？
把第一次的后验 ≈9% 当作新先验，再做一次贝叶斯。P = 0.99·0.0902 / (0.99·0.0902 + 0.01·0.9098) ≈ 0.0893/0.0984 ≈ 90.7%。两次独立阳性把概率从 9% 抬到约 91%，这正是复检的价值。
追问 2：若想提高单次阳性的可信度，提升敏感度还是特异度更有效？
在低患病率场景应优先提升特异度。假阳性来自庞大的健康人群，特异度从 99% 提到 99.9% 能把假阳性减少一个量级，对后验的提升远大于把敏感度从 99% 提到 99.9%。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。