什麼是偽陽性悖論？
偽陽性悖論揭露了醫學檢測與篩檢中一個違反直覺的事實：當所篩檢的疾病本身相當罕見時，即使是準確率極高的檢測，也可能產生大量的假警報。這個計算器透過貝氏定理，幫你算出檢測呈陽性後實際上罹病的機率——也就是陽性預測值（PPV）。這個數字往往遠低於檢測標榜的「準確率」所給人的印象。
使用方法
請輸入三個百分比：盛行率（該疾病在受檢族群中有多普遍）、敏感度（患病者被驗出陽性的機率，即真陽性率），以及特異度（健康者被驗出陰性的機率，即真陰性率）。計算器會回傳「陽性結果為真」的機率，以及偽發現率。
公式解析
貝氏定理把「患病者驗出陽性的可能性」與「健康者被誤判為陽性的可能性」結合起來：
PPV = ((Sens · Prev) ÷ (Sens · Prev + (1 - Spec)(1 - Prev))) × 100%
分子是「既患病、又被正確標記為陽性」的人口比例；分母則加入了偽陽性——也就是被誤判為陽性的健康者。當盛行率極低時，這個偽陽性項就會主導整個結果。
實例試算
假設某疾病的盛行率為 1%（盛行率 = 0.01），檢測的敏感度為 99%、特異度為 95%。真陽性 = 0.99 × 0.01 = 0.0099；偽陽性 = 0.05 × 0.99 = 0.0495。
PPV = ((0.0099) ÷ (0.0099 + 0.0495)) = ((0.0099) ÷ (0.0594)) ≈ 16.7%
所以即使檢測號稱「99% 準確」，每 6 個陽性結果中也只有約 1 個是真的。
使用注意事項與精準校對原則（6 大核心守則）
📐 1. 嚴格對齊輸入量綱與單位
輸入各項數值時請務必確認量綱（例如小時、天數、金額、百分比），避免單位不匹配引發推算偏差。
🔒 2. 純前端本機毫秒級隱私保障
所有計算邏輯 100% 在您的終端瀏覽器內完成，資料絕不上傳伺服器，嚴格守護商業與個人隱私。
📊 3. 符合公認學術與產業計算模型
演算法嚴格遵循國際通用數學公式與標準計算模型，經多重情境交叉核對，數值嚴密精確。
📋 4. 一鍵複製與免登入 PDF 匯出
支援一鍵複製推算結果字串至剪貼簿，亦可直接點擊列印按鈕輸出純淨 PDF 工作報表。
🔄 5. 多情景敏感度動態對比
建議針對極端值與多組預期情景分別試算，觀察輸出數據的波動區間，輔助做出更穩健的決策。
🛡️ 6. 專業諮詢與日常參考免責聲明
本工具運算結果供日常排程、學業研習與事前參考之用，如涉及重大法規或投資決策請諮詢持證專家。
常見問題 (FAQ)
為什麼機率會這麼低？
因為罕見疾病代表健康的人遠多於患病的人，即使偽陽性率再小，所產生的假警報數量還是會遠遠超過真陽性。
如何提高 PPV？
針對高風險族群檢測（提高盛行率）、改用特異度更高的檢測，或以另一項獨立檢測來複驗確認。
這只適用於醫學檢測嗎？
不只如此——同樣的貝氏邏輯也適用於垃圾郵件過濾、詐騙偵測、藥物篩檢，以及任何針對罕見事件的分類器。