Über dieses Werkzeug
Wendet das Bayes-Theorem an, um bedingte Wahrscheinlichkeiten aus einer Vorwahrscheinlichkeit, Sensitivität und Spezifität zu berechnen. Zeigt positive und negative prädiktive Werte, nützlich zur Interpretation diagnostischer Tests (medizinisch, Drogen, Antivirus) und für jedes Problem, bei dem du eine Überzeugung anhand neuer Evidenz aktualisieren musst.
Anleitung
- Trage die Prävalenz oder Vorwahrscheinlichkeit ein (Häufigkeit der Bedingung in der Population).
- Trage die Sensitivität des Tests ein (wie viele echte positive Fälle er erkennt).
- Trage die Spezifität ein (wie viele echte negative Fälle er korrekt identifiziert).
- Sieh die positiven und negativen prädiktiven Werte.
Häufig gestellte Fragen
- Wofür sind positive und negative prädiktive Werte gut?
- Der positive prädiktive Wert ist die Wahrscheinlichkeit, die Bedingung wirklich zu haben, gegeben dass der Test positiv war. Der negative prädiktive Wert ist die Wahrscheinlichkeit, sie nicht zu haben, bei einem negativen Ergebnis. In der Praxis sind sie nützlicher als Sensitivität und Spezifität allein, weil sie das beantworten, worauf es bei einem konkreten Ergebnis ankommt.
- Warum kann ein sehr sensitiver Test viele falsche Positive liefern?
- Wenn die Bedingung in der Population selten ist (niedrige Prävalenz), erzeugt selbst ein Test mit 99% Spezifität in absoluten Zahlen viele falsche Positive, weil es so viele echte Negative gibt, dass sich der 1%-Fehler aufsummiert. Das ist das Bayes-Paradoxon und der Grund, warum Screening-Tests mit Sorgfalt interpretiert werden müssen.
- Woher weiß ich, welche Prävalenz ich verwenden soll?
- Idealerweise aus epidemiologischen Studien. In der medizinischen Diagnostik variiert sie stark zwischen Populationen: Massen-Screenings verwenden die allgemeine Prävalenz, während bei einem Patienten mit spezifischen Symptomen die Vorwahrscheinlichkeit höher ist (anhand des klinischen Bildes angepasst). Ohne reale Daten kann man verschiedene Werte ausprobieren, um die Empfindlichkeit des Ergebnisses zu sehen.