Zum Inhalt
Alle Apps

Satz von Bayes & Basisraten 2.0

Über diese App

Neubau 2.0 (Vorschau): Satz von Bayes mit Prävalenz, Sensitivität und Spezifität, Prior und Posterior auf absoluter Skala.

Worum es geht

Die Sensitivität P(+|K) sagt, wie oft ein Test Kranke erkennt. Wer positiv getestet wird, will aber etwas anderes wissen: P(K|+), wie wahrscheinlich er krank ist. Der Satz von Bayes verbindet beides, und den Unterschied macht die Basisrate, die Prävalenz. In der Chancenform wird es besonders einfach: Posterior-Chance = Prior-Chance · LR+, mit dem Likelihood-Quotienten LR+ = Sensitivität / (1 − Spezifität). Jeder weitere unabhängige positive Test multipliziert die Chance noch einmal mit LR+.

Was die App zeigt

In einer Szene ist jeder Punkt eine Person: Die Farbe zeigt, ob sie wirklich krank oder gesund ist, ein gefüllter Punkt einen positiven, ein Ring einen negativen Test. Der Ablauf führt in vier Schritten von der Bevölkerung über das Testen und Sortieren bis zu einem zweiten Test. Rechts stehen Prior und Posterior auf einer festen Skala von 0 bis 100 %, eine gestrichelte Linie markiert die Sensitivität, die oft mit P(K|+) verwechselt wird. Ein Baumdiagramm und die Rechnung in Chancen ergänzen das Bild. Beispiele sind Mammographie-Screening sowie Schnelltests ohne und mit Symptomen.

Selbst ausprobieren

Lade das Mammographie-Beispiel mit 1 % Prävalenz, 90 % Sensitivität und 9 % Falsch-positiv-Rate nach Gigerenzer et al. und gehe die Schritte durch. Nach dem Sortieren siehst du, dass unter den positiv Getesteten nur ein kleiner Teil krank ist. Schließe einen zweiten Test an: Der Posterior des ersten Tests wird zum neuen Prior und steigt deutlich. Vergleiche die Schnelltest-Beispiele ohne und mit Symptomen (Daten nach Dinnes et al., Cochrane 2021): Bei 0,5 % statt 20 % Prävalenz ist ein positiver Befund weit weniger aussagekräftig.

Häufige Fragen

Wie wahrscheinlich ist Brustkrebs bei positivem Mammogramm?
Das hängt stark von der Prävalenz ab. Mit den oft zitierten Zahlen für Frauen um 50 im Screening (Prävalenz 1 %, Sensitivität 90 %, Falsch-positiv-Rate 9 %) ist nur etwa jede zehnte Frau mit positivem Befund tatsächlich erkrankt. Der Grund ist, dass es viel mehr Gesunde gibt, von denen ein kleiner Anteil falsch-positiv getestet wird.
Was ist der Likelihood-Quotient LR+?
Der positive Likelihood-Quotient ist das Verhältnis von Sensitivität zu Falsch-positiv-Rate, LR+ = Sensitivität / (1 − Spezifität). Er gibt an, um welchen Faktor ein positiver Test die Chance auf eine Erkrankung erhöht. In der Chancenform des Satzes von Bayes gilt: Posterior-Chance = Prior-Chance · LR+.
Warum hilft ein zweiter Test?
Nach einem positiven ersten Test ist die Wahrscheinlichkeit einer Erkrankung höher als die ursprüngliche Prävalenz. Dieser Wert wird zum Prior für den zweiten Test. Ist auch der zweite Test positiv und unabhängig vom ersten, steigt der Posterior deutlich.
Was ist in Version 2.0 der Bayes-App neu?
Version 2.0 ist ein Neubau (Vorschau): Jeder Punkt ist eine Person, ein Ablauf in vier Schritten sortiert die positiv Getesteten und erlaubt einen zweiten Test. Prior und Posterior stehen auf einer festen Skala von 0 bis 100 %, dazu kommen Baumdiagramm, Chancenrechnung mit LR+ und Beispiele zu Mammographie und Schnelltests.

Fach: Statistik

Mehr aus Statistik

Eine VisuApp von heyprof: interaktiv, kostenlos im Browser, ohne Anmeldung. Was ist eine VisuApp? · Alle Apps