この問題では、ベイズの定理の実用的応用について理解を深めます。医療診断における確率計算は、精密医療や機械学習における分類問題の基礎となる概念です。
ベイズの定理：逆確率の計算原理
ベイズの定理は、原因から結果への確率（事前確率）を、結果から原因への確率（事後確率）に変換するツールです。
Step 1: ベイズの定理の一般形
$P(B|A) = \frac{P(A|B) \cdot P(B)}{P(A)}$
ここで：
- $P(B|A)$：事後確率（求めたい確率）
- $P(A|B)$：尤度（データの生成確率）
- $P(B)$：事前確率（事前の信念）
- $P(A)$：周辺確率（正規化定数）
Step 2: 医療診断問題への適用
問題設定の記号化：
- $D$：患者が病気である事象
- $D^c$：患者が健康である事象
- $T^+$：検査で陽性反応が出る事象
- $T^-$：検査で陰性反応が出る事象
与えられた確率：
- $P(T^+|D) = 0.95$：感度（Sensitivity） - 病気の人を正しく陽性と判定する確率
- $P(T^+|D^c) = 0.02$：偽陽性率 - 健康な人を誤って陽性と判定する確率
- $P(D) = 0.001$：有病率（Prevalence） - 人口における病気の割合
Step 3: 全確率の法則による周辺確率の計算
検査が陽性になる確率$P(T^+)$を求めます：
$P(T^+) = P(T^+|D) \cdot P(D) + P(T^+|D^c) \cdot P(D^c)$
$P(D^c) = 1 - P(D) = 1 - 0.001 = 0.999$なので：
\begin{align}P(T^+) &= 0.95 \times 0.001 + 0.02 \times 0.999 \\&= 0.00095 + 0.01998 \\&= 0.02093\end{align}
Step 4: ベイズの定理による事後確率の計算
陽性反応が出た患者が実際に病気である確率（陽性的中率）：
\begin{align}P(D|T^+) &= \frac{P(T^+|D) \cdot P(D)}{P(T^+)} \\&= \frac{0.95 \times 0.001}{0.02093} \\&= \frac{0.00095}{0.02093} \\&= 0.0454 \approx 0.045\end{align}
結果の解釈
検査の感度が95%と非常に高いにもかかわらず、陽性的中率は約4.5%しかありません。これは基準率の誤謬（Base Rate Fallacy）の典型例です。
| 項目 | 値 | 意味 |
|---|
| 感度 | 95% | 病気の95%を検出 |
| 特異度 | 98% | 健康な人の98%を正しく判定 |
| 陽性的中率 | 4.5% | 陽性者の4.5%が実際に病気 |
具体的な数値例による理解
Step 5: 10万人の仮想集団での検証
100,000人の集団を考えてみましょう：
- 病気の人：$100,000 \times 0.001 = 100$人
- 健康な人：$100,000 \times 0.999 = 99,900$人
検査結果：
- 病気の人で陽性：$100 \times 0.95 = 95$人（真陽性）
- 健康な人で陽性：$99,900 \times 0.02 = 1,998$人（偽陽性）
- 総陽性者数：$95 + 1,998 = 2,093$人
陽性的中率：
$\frac{95}{2,093} = 0.0454 = 4.54\%$
応用
医療における意思決定：
- スクリーニング検査：有病率の低い疾患では偽陽性が多発
- 確認検査：陽性結果には追加検査が必要
- 患者説明：陽性＝病気ではないことの説明が重要
機械学習における応用：
- 不均衡データ：稀な事象の検出では精度に注意
- 閾値調整：ビジネス要件に応じた適合率・再現率の調整
- コスト考慮：偽陽性・偽陰性のコストを考慮した評価
note：
この問題は、直感に反する結果を示す典型例です。検査の精度が高くても、稀な疾患では偽陽性が真陽性を大きく上回ります。これは医療診断だけでなく、セキュリティ検知、品質管理、機械学習における分類問題など、あらゆる分野で示唆を提供します。