混检阳性概率的计算(贝叶斯定理的一个应用例)
创始人
2024-04-21 17:15:07
0

目录

1. 混检阳性概率的计算

2. 混管阳性时你阳性的概率有多大?

2.1 贝叶斯分析结果的解释


1. 混检阳性概率的计算

        目前核酸混检的基本做法是十混一,如果阳性人群分布完全随机,那么做十混一混检为阳性的概率有多大呢?
        假设人群整体感染率为p,
        十个人中任意一个人为阳性的话,混检结果为阳性。
        只有十个人都是阴性时,混检结果才为阴性。

        这样为了方便,我们假定混检的漏检概率为0,即任何一个人是阳性的话肯定能够得到混检阳性的结果;虚警概率也为0,即十个人全阴性的条件下不会报告阳性。

        由于人群整体感染率为p,所以任意某人为阴性的概率为(1-p),十个人全部是阴性的概率为(1-p)^{10}
        因此,十混一混检阳性率为: P_{10}=1-(1-p)^{10}.

        当然,任意K混一的混检阳性率为: P_K=1-(1-p)^K.

        用python写个小程序来计算一下不同的人群感染率条件下的混检阳性概率,代码如下:

import matplotlib.pyplot as plt
import numpy as npProb_pos = []
Prob_pos_dict = dict()
for k in range(20):p = 0.05 * kProb_pos.append(1 - (1-p)**10) Prob_pos_dict[p] = (1 - (1-p)**10) print('p = {0:4.2f}, Prob_pos = {1:5.3f}'.format(p,Prob_pos[k]))p = np.arange(0,1,0.05)
plt.plot(p, Prob_pos)    
plt.grid()
plt.xlabel('basic positive probability')
plt.ylabel('mixed_10 positive probability')

        运行以上程序可以得到结果如下:

p = 0.00, Prob_pos = 0.0000
p = 0.05, Prob_pos = 0.4013
p = 0.10, Prob_pos = 0.6513
p = 0.15, Prob_pos = 0.8031
p = 0.20, Prob_pos = 0.8926
p = 0.25, Prob_pos = 0.9437
p = 0.30, Prob_pos = 0.9718
p = 0.35, Prob_pos = 0.9865
p = 0.40, Prob_pos = 0.9940
p = 0.45, Prob_pos = 0.9975
p = 0.50, Prob_pos = 0.9990
p = 0.55, Prob_pos = 0.9997
p = 0.60, Prob_pos = 0.9999
p = 0.65, Prob_pos = 1.0000
p = 0.70, Prob_pos = 1.0000
p = 0.75, Prob_pos = 1.0000
p = 0.80, Prob_pos = 1.0000
p = 0.85, Prob_pos = 1.0000
p = 0.90, Prob_pos = 1.0000
p = 0.95, Prob_pos = 1.0000

 

        这个结果意味着什么呢? 

        当p=5%,也就是人群中整体感染率达到5%时,十混一核酸混检阳性率就会达到惊人的40.13%。
        当p=10%时,则核酸混检阳性率P=65.13%。
        当p=20%时,则核酸混检阳性率P=89.26%。
        当p=30%时,则核酸混检阳性率P=97.17%。
        也就是说,如果人群中的感染率达到一定数值(比如说30%以上)后,你只要去做核酸混检,基本就是混管阳性。而且在做核酸的过程中,你等于是跟阳性感染者亲密接触。所以在目前放开的条件下,人群感染率自然地会逐渐增长,这种情况下再做混管检测除了劳民伤财外,只会起到加速扩散传播的效果。

2. 混管阳性时你阳性的概率有多大?

        我们可以进一步问一个问题,你在其中的那个混管检测的结果为阳性时,你是阳性的概率有多大呢?

        我们可以基于贝叶斯定理对这个问题进行分析。贝叶斯定理可以用以下公式(有多种表达方式,此为其中一种。有兴趣的小伙伴可以参考蒙提霍尔问题(The Monty Hall Problem)解析(贝叶斯分析、Python仿真))表示:

                P(H|D) = \frac{P(D|H)P(H)}{P(D)}       

        其中,

        H表示你为阳性的假设,P(H)表示你为阳性的先验概率,其实就是人群整体感染率p

        D表示观测结果,即你所在混管检测的结果为阳性。P(D)表示在当前人群群体感染率的条件下任意混管报告阳性的概率,也可以写为P(D;p)。

        P(D|H)表示似然概率,意思是说如果你是阳性,则你的混管检测结果为阳性的概率。由于前面我们已经假设了混管检测的漏检和虚警概率均为0,所以很显然有P(D|H) = 1

        这个问题其实就是如果你的混管检测的结果为阳性,你为阳性的后验概率是多少。基于以上分析,本问题的后验概率可以改写为:

        ​​​​​​​        P(H|D) = \frac{p}{P(D;p)}

        同样,在上面的python程序的基础上进一步追加几行代码来计算在不同人群群体感染率条件下混管检测为阳性时你为阳性的后验概率,代码如下:

posterior = []
for k in range(1,20):prior = 0.05 * kP_data = Prob_pos[k]    posterior.append(prior * 1.0 / P_data)print('p = {0:4.2f}, posterior = {1:5.3f}'.format(prior, posterior[k-1]))p = np.arange(0.05,1,0.05)
plt.plot(p, posterior)    
plt.grid()
plt.xlabel('basic positive probability')
plt.ylabel('posterior probability')    

        运行结果如下:

p = 0.05, posterior = 0.125
p = 0.10, posterior = 0.154
p = 0.15, posterior = 0.187
p = 0.20, posterior = 0.224
p = 0.25, posterior = 0.265
p = 0.30, posterior = 0.309
p = 0.35, posterior = 0.355
p = 0.40, posterior = 0.402
p = 0.45, posterior = 0.451
p = 0.50, posterior = 0.500
p = 0.55, posterior = 0.550
p = 0.60, posterior = 0.600
p = 0.65, posterior = 0.650
p = 0.70, posterior = 0.700
p = 0.75, posterior = 0.750
p = 0.80, posterior = 0.800
p = 0.85, posterior = 0.850
p = 0.90, posterior = 0.900
p = 0.95, posterior = 0.950

 

2.1 贝叶斯分析结果的解释

        如何解释这一结果呢?

        我们知道贝叶斯定理的一个种解释时,基于观测结果来更新对一件事件发生的信念(概率)。由于人群整体感染率为p,那么在我们没有做混管检测的条件下,很自然地我们应该认为自己是阳性的概率就等于这个p,这个称之为先验概率。

        基于混管检测结果,我们将根据混管检测结果所提供的信息更新自己是阳性的概率。

        如果群体感染率比较高,比如说达到了30%了,则由上一节仿真结果可知,混管检测几乎100%是阳性了,这意味着混管检测已经不能为“你是否阳性”的判断提供什么有效的信息了。因此,在群体感染率30%以上时,后验概率基本就等于先验概率。

        只有在群体感染率还比较低的时候,混管检测结果还有一定的参考意义。比如说,p=0.05时,如果你的混管检测结果为阳性的话,你为阳性的概率将由5%上升为12.5%。

相关内容

热门资讯

珍奥助手安卓系统下载,轻松体验 你有没有听说最近有个超级好用的助手软件——珍奥助手?没错,就是那个能让你手机生活变得更加便捷的小帮手...
安卓换ios系统.数据,数据迁... 你有没有想过,手机系统就像是我们生活中的衣服,有时候换一件新衣服,整个人都焕然一新呢?没错,今天咱们...
安卓系统提示怎么关,轻松关闭功... 手机屏幕上突然弹出一个安卓系统的提示,让你不禁皱起了眉头。别急,别慌,今天就来手把手教你如何轻松关闭...
安卓系统如何刷回flyme系统... 你是不是也和我一样,对安卓手机的Flyme系统情有独钟呢?有时候,因为一些原因,我们可能需要将手机刷...
手机订餐系统源码安卓,基于手机... 你有没有想过,每天忙碌的生活中,点外卖已经成为了一种不可或缺的享受?而这一切的背后,离不开那些默默无...
顾问营销系统安卓版,助力企业高... 你有没有想过,在这个信息爆炸的时代,如何让你的产品在众多竞争者中脱颖而出呢?别急,今天我要给你介绍一...
安卓系统连接雅马哈音箱,打造个... 你有没有想过,家里的安卓手机和雅马哈音箱也能来个甜蜜的“牵手”呢?没错,今天就要来给你揭秘,如何让这...
安卓系统文件日志查看,揭秘系统... 手机里的安卓系统文件日志,听起来是不是有点儿高深莫测?别担心,今天我就要带你一探究竟,揭开这些神秘日...
努比亚升级安卓p系统,畅享智能... 你知道吗?最近手机界可是热闹非凡呢!努比亚这个品牌,竟然悄悄地给他们的手机升级了安卓P系统。这可不是...
仿苹果装安卓系统,揭秘仿苹果装... 你有没有想过,如果你的苹果手机突然变成了安卓系统,那会是怎样的场景呢?想象你那熟悉的iOS界面,突然...
安装安卓13子系统,全新功能与... 你听说了吗?安卓13子系统终于来了!这可是安卓系统的一大革新,让我们的手机体验更加丰富多元。今天,就...
安卓系统内核日志保存,深度洞察... 你有没有想过,当你手机里的安卓系统在默默运行时,它其实就像一个勤劳的小蜜蜂,不停地记录着它的“工作日...
安卓系统可以调用dll,安卓系... 你知道吗?安卓系统竟然能调用DLL文件,这可是个让人眼前一亮的小秘密呢!想象你手中的安卓设备,不仅能...
安卓通讯 录系统代码,基于安卓... 你有没有想过,你的手机里那个默默无闻的通讯录系统,其实背后有着一套复杂的代码在支撑呢?今天,就让我带...
安卓系统版本对应关系,安卓系统... 你有没有发现,每次手机更新系统,那感觉就像给手机换了个新衣裳,焕然一新呢!不过,你知道吗?安卓系统的...
小米note安卓系统4.4.4... 你有没有用过小米Note这款手机呢?那可是我心中的小宝贝,尤其是它的安卓系统4.4.4,简直让我爱不...
安卓系统取代了谁,谁在退居幕后... 你知道吗?在科技的世界里,总有一些“老将”被新一代的“新星”所取代。今天,咱们就来聊聊这个话题:安卓...
安卓系统能否上Facebook... 你有没有想过,你的安卓手机能不能轻松登录Facebook呢?这个问题,估计不少安卓用户都好奇过。今天...
安卓系统费电怎么解决,安卓系统... 手机电量总是不够用,是不是你也觉得安卓系统的费电问题让人头疼呢?别急,今天就来给你支几招,让你的安卓...
鸿蒙怎样还原安卓系统,系统切换... 你有没有想过,鸿蒙系统竟然能还原安卓系统?这听起来是不是有点像魔法一样神奇?没错,今天就要带你一探究...