你想弄懂什么？

要计算给定阳性检测结果时患病的概率，必须统计真阳性的数量，并将其除以阳性结果的总数（真阳性加假阳性）。在模型中，这涉及在 118 个总阳性检测中识别出 19 个真阳性，得出约 $16.1\%$。

适用条件：2,000 人中的患病率为 $1\%$。；灵敏度为 $95\%$。；特异度为 $95\%$。

要计算给定阳性检测结果时患病的概率，必须统计真阳性的数量，并将其除以阳性结果的总数（真阳性加假阳性）。在模型中，这涉及在 118 个总阳性检测中识别出 19 个真阳性，得出约 $16.1\%$。

适用条件：2,000 人中的患病率为 $1\%$。；灵敏度为 $95\%$。；特异度为 $95\%$。

阳性检测结果并不意味着患病概率很高，因为疾病的基准率（患病率）与健康人群相比非常低。即使灵敏度和特异度都很高，庞大的健康个体数量也会产生大量的假阳性。

适用条件：疾病患病率为 $1\%$。；检测的灵敏度为 $95\%$，特异度为 $95\%$。；人群是 2,000 人的假设模型。

阳性检测结果并不意味着患病概率很高，因为疾病的基准率（患病率）与健康人群相比非常低。即使灵敏度和特异度都很高，庞大的健康个体数量也会产生大量的假阳性。

适用条件：疾病患病率为 $1\%$。；检测的灵敏度为 $95\%$，特异度为 $95\%$。；人群是 2,000 人的假设模型。

阳性预测值，即在给定阳性检测结果时患病的概率（$P(D \mid +)$），是通过将真阳性的概率除以阳性结果的总概率来计算的。阳性结果的总概率包括真阳性和假阳性。

适用条件：患病率 $P(D) = 0.12$。；灵敏度 $P(+ \mid D) = 0.95$。；假阳性率 $P(+ \mid D^c) = 0.06$。；疾病状态的事件是互斥且穷尽的。

阳性预测值，即在给定阳性检测结果时患病的概率（$P(D \mid +)$），是通过将真阳性的概率除以阳性结果的总概率来计算的。阳性结果的总概率包括真阳性和假阳性。

适用条件：患病率 $P(D) = 0.12$。；灵敏度 $P(+ \mid D) = 0.95$。；假阳性率 $P(+ \mid D^c) = 0.06$。；疾病状态的事件是互斥且穷尽的。