ベイズの定理 計算ツール｜事後確率・陽性的中率・尤度比を即時算出
ベイズの定理を用いて事後確率(陽性的中率PPV・陰性的中率NPV)を即時計算。事前確率(有病率)・感度・特異度の3値から、10,000人を検査したときの真陽性・偽陽性・偽陰性・真陰性の内訳、陽性尤度比LR+・陰性尤度比LR-・事後オッズまで一括算出。医療検査解釈・スパムフィルタ・機械学習分類器・法廷証拠評価まで、WHO/CDC/日本疫学会の公式定義に準拠した確率推論の基本ツールです。
ベイズの定理 計算機
ベイズの定理と基本公式
ベイズの定理（一般形）
P(A|B) = P(B|A) × P(A) ÷ P(B)
「事象Bが起きた条件下でAが起きる確率」を、「Aが起きた条件下でBが起きる確率」と「Aの事前確率」から求める公式です。18世紀の英国の牧師トーマス・ベイズ(Thomas Bayes)が提唱し、ラプラスが体系化しました。医療統計・機械学習・情報検索・法廷証拠評価などで幅広く使われる、確率推論の基礎となる定理です。
陽性的中率（PPV）の計算式
PPV = 感度 × 有病率 ÷ (感度 × 有病率 + (1 − 特異度) × (1 − 有病率))
「検査で陽性と出た人が実際に罹患している確率」を求める式。分母は「全陽性者」で、分子は「真陽性(罹患かつ陽性)」。有病率が低いほどPPVは下がる、というのが集団スクリーニングで陽性が出た際の解釈で最重要のポイントです。
陰性的中率（NPV）の計算式
NPV = 特異度 × (1 − 有病率) ÷ (特異度 × (1 − 有病率) + (1 − 感度) × 有病率)
「検査で陰性と出た人が実際に健常である確率」。有病率が低いほどNPVは高くなり、感染症スクリーニングでは通常99%超になります。
感度・特異度・PPV・NPV の関係
| 指標 | 定義 | 計算式 | 依存要因 |
|---|---|---|---|
| 感度 (Sensitivity, TPR) | 罹患者を陽性と判定する率 | TP ÷ (TP + FN) | 検査の性能 |
| 特異度 (Specificity, TNR) | 健常者を陰性と判定する率 | TN ÷ (TN + FP) | 検査の性能 |
| 陽性的中率 (PPV) | 陽性者が実際に罹患している率 | TP ÷ (TP + FP) | 検査性能＋有病率 |
| 陰性的中率 (NPV) | 陰性者が実際に健常である率 | TN ÷ (TN + FN) | 検査性能＋有病率 |
| 偽陽性率 (FPR) | 健常者を陽性と誤判定する率 | 1 − 特異度 | 検査の性能 |
| 偽陰性率 (FNR) | 罹患者を陰性と誤判定する率 | 1 − 感度 | 検査の性能 |
感度・特異度は検査自体の性能で決まり集団に依存しません。一方PPV・NPVは同じ検査でも集団の有病率で大きく変動します。同じPCR検査でも、有症状患者(有病率30%)と無症状スクリーニング(有病率0.1%)では、陽性が出たときの意味合いが根本的に違うのはこのためです。
尤度比とオッズによる事後確率
臨床疫学の実務では、有病率が変わっても再計算しやすい尤度比(Likelihood Ratio)とオッズ形式のベイズが多用されます。
尤度比の定義
陽性尤度比 LR+ = 感度 ÷ (1 − 特異度)
陰性尤度比 LR- = (1 − 感度) ÷ 特異度
LR+が10以上、LR-が0.1以下なら「診断的価値が高い検査」とされます(Sackett等の臨床疫学教科書)。感度99%・特異度99%ならLR+=99、LR-=0.010となり、非常に強力な検査です。
オッズ形式のベイズ更新
事後オッズ = 事前オッズ × 尤度比
事後確率 = 事後オッズ ÷ (事後オッズ + 1)
事前オッズ = 事前確率 ÷ (1 − 事前確率)
この形式なら、同じ検査を複数回受けたときや複数の検査を組み合わせるときの事後確率更新が、掛け算で連鎖的に計算できます。EBM(根拠に基づく医療)の意思決定でよく使われる形式です。
連鎖更新の実例
例えば有病率1%の疾患について、LR+=10の検査Aで陽性 → LR+=5の検査Bでも陽性、という組合せを考えます。
- 事前オッズ = 0.01 ÷ 0.99 = 0.0101
- A陽性後のオッズ = 0.0101 × 10 = 0.101 → 事後確率9.2%
- B陽性後のオッズ = 0.101 × 5 = 0.505 → 事後確率33.6%
同じ有病率1%スタートでも、独立した2回の陽性検査で事後確率が1%→9.2%→33.6%へと上昇します。ただし2つの検査が独立でない(同じ生物学的機序を測る)場合は過大評価となるため、独立性の吟味が必須です。
尤度比の目安表
| LR+ | 診断的価値 | 事前確率20%からの事後確率 |
|---|---|---|
| 0.1未満 | ほぼ確実に除外 | 約2.4% |
| 0.1-0.2 | 大幅に除外 | 約2.4-4.8% |
| 0.2-0.5 | やや除外 | 約4.8-11.1% |
| 0.5-2.0 | 診断的価値小 | 約11.1-33.3% |
| 2.0-5.0 | やや支持 | 約33.3-55.6% |
| 5.0-10.0 | 大幅に支持 | 約55.6-71.4% |
| 10.0以上 | ほぼ確定 | 約71.4%以上 |
代表的な有病率×感度の早見表
感度99%・特異度99%の検査を、有病率が異なる集団で行った場合の陽性的中率PPVです。有病率が下がるほどPPVは急落する事実が読み取れます。
| 有病率 | PPV（陽性=真の罹患） | NPV（陰性=真の健常） | 1万人中の偽陽性数 |
|---|---|---|---|
| 0.01% (万に1人) | 0.98% | 99.9999% | 約100人 |
| 0.1% (千に1人) | 9.02% | 99.999% | 約100人 |
| 1% (百に1人) | 50.0% | 99.99% | 約99人 |
| 5% (集団検診中頻度) | 83.9% | 99.95% | 約95人 |
| 10% (地域流行時) | 91.7% | 99.89% | 約90人 |
| 30% (有症状患者) | 97.7% | 99.57% | 約70人 |
| 50% (診断中期) | 99.0% | 99.00% | 約50人 |
感度・特異度が同じでも、PPVは0.98%から99.0%まで100倍以上変動します。「精度99%の検査で陽性なら99%罹患している」は嘘で、有病率が低ければ陽性の大半は偽陽性という重要事実がベイズ的思考の核心です。
具体例：稀な病気の検査
ある稀な病気(罹患率0.1%、1000人に1人)を、感度99%・特異度99%の検査で1万人スクリーニングした場合を考えます。
2×2表による内訳
| 罹患(10人) | 健常(9,990人) | 計 | |
|---|---|---|---|
| 陽性 | 真陽性 9.9人 (感度99%) | 偽陽性 99.9人 (1-特異度=1%) | 約109.8人 |
| 陰性 | 偽陰性 0.1人 | 真陰性 9,890.1人 | 約9,890.2人 |
陽性的中率PPV
PPV = 9.9 ÷ 109.8 ≒ 9.02%
陽性と出た約110人のうち、実際に罹患しているのは約10人。「陽性=91%は健康な人」という直感に反する結果になります。稀な疾患のスクリーニングでは、陽性=罹患ではなく「二次検査(確定診断)が必要な状態」と解釈するのが正しい姿勢です。
陰性的中率NPV
NPV = 9,890.1 ÷ 9,890.2 ≒ 99.999%
陰性者はほぼ確実に健常。陰性で安心してよい状況です。
応用分野（医療・スパム・機械学習・司法）
医療検査の解釈
PCR・抗原検査、腫瘍マーカー、がん検診(乳房マンモ・PSA)、遺伝子検査など。事前確率(有病率)と検査性能からPPV・NPVを算出し、二次検査要否や治療方針を判断。EBMの意思決定で必須。
スパムフィルタ(ナイーブベイズ)
メール文面の単語出現頻度から「スパム確率」を計算。単語の出現が独立と仮定して確率を掛け合わせるナイーブベイズ分類器はGmail・Outlook等の初期フィルタで採用され、今でも軽量ベースラインとして使われます。
機械学習・自然言語処理
文書分類、感情分析、名前解析、医療画像診断のAI。ベイジアンネットワーク、変分ベイズ、MCMC(マルコフ連鎖モンテカルロ)など、確率的モデルの基盤となる。深層学習でも予測の不確実性評価にベイズ推論を使用。
司法・法廷証拠評価
DNA鑑定、指紋照合、目撃証言の信頼性評価。「DNAが一致する確率」を「無実である事後確率」と誤解する検察官の誤謬(Prosecutor's Fallacy)を防ぐため、尤度比を使うベイジアン・アプローチが英国・米国の重要判例で議論されている。
金融・保険リスク評価
クレジットスコアリング、保険料算定、不正取引検知。事前確率(過去の統計データ)と観測(行動履歴)から個別リスクを更新するベイジアン・アプローチが実務で使われる。
気象予報・災害予測
アンサンブル予報、地震予測、洪水リスク評価などで、事前分布と観測データから事後分布を推定。気象庁のアンサンブル予報システムもベイズ推論の応用例。
実例：新型コロナPCR・抗原検査
COVID-19の代表的な検査性能(公表値の目安)を用いた事後確率の実例。
| 検査 | 感度 | 特異度 | 集団 | 有病率 | PPV | NPV |
|---|---|---|---|---|---|---|
| PCR | 約95% | 約99.9% | 症状ありの受診者 | 30% | 99.8% | 97.9% |
| PCR | 約95% | 約99.9% | 無症状スクリーニング | 0.5% | 82.6% | 99.97% |
| 抗原定性 | 約80% | 約99% | 症状ありの受診者 | 30% | 97.2% | 92.0% |
| 抗原定性 | 約80% | 約99% | 無症状スクリーニング | 0.5% | 28.7% | 99.9% |
症状のある受診者に対しては、抗原検査でも陽性なら97%罹患ですが、無症状スクリーニングでは陽性の29%しか本当の罹患ではありません。感染流行期と平常時、症状の有無で解釈が180度変わることが、コロナ禍で「なぜ検査結果を鵜呑みにできないか」の科学的根拠でした。厚生労働省・国立感染症研究所のガイドラインも、事前確率を意識した検査解釈を推奨しています。
よくある間違い・注意点
- 「精度99%だから陽性=99%罹患」と考える — 検査の「精度」(感度・特異度)と「陽性的中率(PPV)」は別物です。有病率0.1%の集団では、感度99%・特異度99%の検査でもPPVは約9%に過ぎません。「陽性=罹患」ではなく「陽性=二次検査要」と考える姿勢が正解。
- 感度と特異度を混同する — 感度=罹患者を陽性と判定する率、特異度=健常者を陰性と判定する率。混同すると計算が180度ズレます。感度の反対は偽陰性率、特異度の反対は偽陽性率です。
- 事前確率を無視する — 「精度が高い検査だから結果を信じてよい」は誤り。同じ検査でも集団によってPPVは大きく異なります。「誰を対象にした検査か」が結果解釈を左右する事実を忘れないでください。
- 検察官の誤謬 (Prosecutor's Fallacy) — 「DNA一致確率100万分の1」を「無実確率100万分の1」と読み替える誤り。前者は「無実の人がたまたま一致する確率」、後者は「一致した人が無実である確率」で全く別物。ベイズ的には事前確率(容疑者集団のサイズ)を考慮する必要があります。
- 基準率の錯誤 (Base Rate Fallacy) — 個別事例の印象だけで判断し、母集団の基準率(有病率)を無視する誤り。ダニエル・カーネマンの「ファスト＆スロー」でも指摘されている代表的認知バイアスです。
- 複数検査の独立性を仮定する — ナイーブベイズ分類器は「特徴量が独立」と仮定しますが、実際には相関があります。医療でもPCR2回連続陽性が独立ではなく、同じ検体の性質が影響します。厳密には条件付き独立性の検証が必要。
- 「p値=事後確率」と誤解 — 頻度主義のp値は「帰無仮説が正しい時にデータが観測される確率」で、「帰無仮説が正しい確率」ではありません。事後確率を求めたければベイズ的アプローチが必要です。
関連する定義・基準
- WHO 診断検査評価ガイドライン ― 感度・特異度・PPV・NPVの標準定義と、疾患スクリーニングでの解釈基準。
- STARD 2015 (Standards for Reporting Diagnostic Accuracy) ― 診断検査研究の報告基準。感度・特異度・尤度比の報告項目を規定。BMJ・The Lancet等主要医学誌が採用。
- QUADAS-2 (Quality Assessment of Diagnostic Accuracy Studies) ― 診断精度研究の質評価ツール。コクラン共同計画のシステマティックレビューで標準的に使用。
- Sackett DL "Evidence-Based Medicine" ― EBMの古典的教科書。尤度比を用いた診断的思考を確立した名著。
- ISO 5725 (測定の真度及び精度) ― 測定における真度・精度の国際規格。医療検査を含む一般試験の精度評価に適用。
- 日本疫学会 疫学用語の手引き ― 感度・特異度・PPV・NPVの日本語での正確な定義。学術発表の標準用語。
- 厚生労働省 COVID-19検査に関する事務連絡 ― PCR・抗原検査の性能評価と結果解釈の指針。
参考文献・公的資料
より正確な統計手法・診断精度評価は、以下の公的機関の一次資料を参照してください。
- WHO Diagnostic Testing Guidelines ― 世界保健機関の診断検査評価に関する公式ガイドライン。感度・特異度・PPV・NPVの標準定義。
- CDC 疫学入門 - 診断検査の評価 ― 米国疾病予防管理センターの疫学教材。診断精度の計算方法を平易に解説。
- 厚生労働省 新型コロナウイルス検査 ― PCR・抗原検査の性能と検査体制の公式情報。
- 国立感染症研究所 ― 感染症検査の疫学的評価、サーベイランスデータ。
- 日本疫学会 ― 疫学用語の手引き・疫学研究の標準手法。
- J-STAGE 統計学・疫学関連論文 ― 日本の学術誌の統計・疫学論文検索。
- BMJ - Understanding sensitivity and specificity ― 英医学誌BMJによる感度・特異度の解説記事。
- STARD 2015 (診断検査研究報告基準) ― EQUATOR Networkによる公式ガイドライン。
- Stanford Encyclopedia of Philosophy - Bayes' Theorem ― スタンフォード哲学百科事典によるベイズ定理の学術的解説。
- 日本統計学会 ― 統計学の学術団体。ベイズ統計・確率論の学会誌を発行。
よくある質問（FAQ）
感度と特異度、どちらが重要？
目的によります。見逃しを避けたい(スクリーニング)なら感度が重要(HIV初期検査・がん検診)。誤診断を避けたい(確定診断)なら特異度が重要(生検・遺伝子検査)。両立が難しいため、通常はスクリーニング(感度重視)→確定診断(特異度重視)の二段階検査で運用します。
陽性的中率PPVが低い検査は無意味？
いいえ。稀な疾患のスクリーニングではPPVが低いのが宿命。「陽性=確定」ではなく「陽性=二次検査対象を絞り込むフィルタ」と位置づけるのが正解。有症状患者に絞れば事前確率が上がりPPVも上昇します。がん検診・HIV検査・遺伝性疾患スクリーニングは全てこの構造で運用されています。
ベイズ統計と頻度主義統計の違いは？
頻度主義は「確率=長期試行での相対頻度」と定義し、パラメータを固定値と考える(p値・信頼区間)。ベイズ主義は「確率=信念の度合い」と定義し、パラメータ自体を分布と考える(事後分布・信用区間)。近年は機械学習の発展でベイズ主義が再評価され、両者を目的に応じて使い分けるのが実務です。
尤度比が10以上なら診断的に強い？
臨床疫学の目安としてLR+ ≥ 10、LR- ≤ 0.1なら診断的価値が高いとされます(Sackett等)。LR+=5-10は中等度、2-5は弱い、1に近ければ無価値。事前確率10%の疾患でLR+=10の検査陽性なら事後確率52.6%まで上昇します。
ナイーブベイズ分類器の「ナイーブ」の意味は？
「特徴量が互いに独立」という強い(=素朴な、ナイーブな)仮定を置くことから命名。実際には独立でないケースが多いのに、この単純化のおかげで計算が高速で少ないデータでも動くという利点があります。文書分類・スパムフィルタ・感情分析で今も現役の手法。
ベイズ定理は誰が発見した？
18世紀英国の牧師トーマス・ベイズ(Thomas Bayes, 1701-1761)が原型を提示し、死後の1763年に友人プライスが論文発表。その後フランスの数学者ピエール=シモン・ラプラスが独立に発見・体系化し、天体力学に応用しました。20世紀後半にコンピュータの発達で実用化。
複数の検査を組み合わせるとPPVは上がる？
上がります。事後オッズ = 事前オッズ × LR+を連鎖適用できるため、独立性が保たれる複数検査を組み合わせると事後確率が急速に高まります。ただし同一原理の検査を2回繰り返しても独立性が乏しく、期待した通り上がらないことも。異なる原理の検査(PCR+抗体+CT)の組合せが有効です。
陽性なら再検査は必要？
有病率が低い集団や検査のPPVが低い場合は再検査(確定診断)を強く推奨。特に生活・仕事・治療方針に大きな影響がある疾患(がん・HIV・重篤な遺伝疾患)では、初回陽性後の確定診断が国際標準。同一検査の再検査より、原理が異なる検査への切替が有効。
機械学習のベイジアン手法はどう使う？
予測の不確実性を定量化できるのが最大の利点。医療AI・自動運転・金融リスク評価など、誤判定のコストが大きい領域で採用が増加。ベイジアンネットワーク、変分ベイズ、MCMC(HMC・NUTS)、ガウス過程などが代表的手法です。
DNA鑑定でベイズ定理が使われる例は？
「一致確率」だけでは犯人特定の証拠として不十分です。「無実の一般人がたまたま一致する確率(事前オッズ)」と「一致した場合の情報量(尤度比)」から事後有罪確率を計算するのがベイジアン・アプローチ。英国のR v. Adams(1996)判決以降、DNA証拠のベイズ的解釈が重要な論点になっています。
スパムフィルタの精度はどれくらい？
ナイーブベイズ単体で正解率95-98%程度、深層学習との組合せで99%超も可能。ただし完全にゼロにはならず、偽陽性(正当なメールをスパム扱い)は業務メールの見落としに直結するため、閾値設定でトレードオフを調整します。
ベイズ推論の学習にお勧めの本は？
入門書ではKruschke著「Doing Bayesian Data Analysis」、Gelman他「Bayesian Data Analysis」が定番。日本語では豊田秀樹「基礎からのベイズ統計学」、松浦健太郎「StanとRでベイズ統計モデリング」が実践的。医療統計向けにはSpiegelhalter他「Bayesian Approaches to Clinical Trials」。