健康診断や病院で検査を受けたとき、「陽性」という結果が出たら、病気である可能性が高いと感じる人は多いでしょう。しかし、実はそうとは限りません。

検査の精度が高くても、検査を受ける人たちの中で、その病気がどれくらい珍しいかによって、陽性という結果の意味は大きく変わるのです。これは医学の世界で重要な考え方であり、数学の確率分野で学ぶ「条件付き確率」や「ベイズの定理」と深く関係しています。

1. 検査の精度が90%なら、陽性の人も90%は病気?

ある病気を調べる検査があり、次の性能を持っているとします。

  • 感度:90%(実際に病気である人のうち、検査で陽性になる割合)
  • 特異度:95%(病気ではない人のうち、検査で陰性になる割合)

ここで質問です。ある人が検査を受けて陽性だった場合、その人が実際に病気である確率は何%でしょうか?

感度が90%なので、90%でしょうか。実は、そうではありません。この問題を解くためには、もう一つ重要な情報が必要です。それが有病率(対象集団の中で病気を持つ人の割合)です。

2. 1万人の集団で考えてみよう

仮に、検査を受ける1万人の集団の中で、病気を持つ人が 1%(有病率1%) だったとします。つまり、病気の人は100人、病気ではない人は9,900人です。ここに感度90%・特異度95%の検査を実施すると、人数は次のようになります。

1万人を検査した場合(有病率1%) 人数 分類
病気があり・陽性(100人の90%) 90人 真陽性
病気なし・陽性(9,900人の5%) 495人 偽陽性
病気あり・陰性(100人の10%) 10人 偽陰性
病気なし・陰性(9,900人の95%) 9,405人 真陰性

陽性になった人は合計で $90 + 495 = 585$ 人です。そのうち本当に病気だった人は90人ですから、陽性者が実際に病気である確率(陽性的中率)は、

$$\frac{90}{585} \times 100 \approx 15.4\%$$

驚くことに、感度90%・特異度95%という比較的高い性能の検査でも、陽性者のうち実際に病気である人は約15.4%にとどまります。病気の人がもともと少ないため、病気ではない人の5%に生じる「偽陽性」が人数としては大きくなるからです。

3. 同じ検査でも、有病率が変わると結果が変わる

では、同じ検査(感度90%・特異度95%)を、有病率10%の集団(病気の人1,000人、病気でない人9,000人)に実施したらどうなるでしょうか。真陽性は900人、偽陽性は450人となるため、

$$\frac{900}{900 + 450} \times 100 \approx 66.7\%$$

検査の性能はまったく同じなのに、陽性だった人が本当に病気である確率は15.4%から66.7%へと大きく変わりました。検査結果を正しく解釈するには、検査そのものの性能だけでなく、検査を受ける集団の背景(事前確率)も考慮しなければならないのです。

4. これを数学で表すと「ベイズの定理」になる

病気である事象を $D$、陽性である事象を $+$ とすると、求めたいのは条件付き確率 $P(D|+)$(陽性だったという条件のもとで病気である確率)です。ベイズの定理を使うと、次のように表せます。

$$P(D|+) = \frac{P(+|D)P(D)}{P(+|D)P(D) + P(+|\overline{D})P(\overline{D})}$$
数学の表現 医学的な意味
$P(D)$ 有病率(事前確率)
$P(+|D)$ 感度
$P(+|\overline{D})$ 偽陽性率($1 - \text{特異度}$)
$P(D|+)$ 陽性的中率(事後確率)

特に注意したいのは、$P(+|D) \neq P(D|+)$ であることです。「病気の人が陽性になる確率」と「陽性の人が病気である確率」は全く別のものです。ここを逆にしてしまうことが最大の落とし穴です。

5. 実は医師や医学生も、この問題で間違える

🔬 医学教育・認知科学研究 Hoffrage & Gigerenzer (1998) / 2015 / Kunzelmann (2022)
「確率」を「自然頻度(人数)」に言い換えると正答率が劇的に上がる

HoffrageとGigerenzer(1998)が48人の医師を対象に陽性的中率を推定させたところ、確率(%)で提示した場合の正答率はわずか10%でした。ところが、同じ情報を「1万人中何人」という自然頻度で表現すると、正答率は46%へ上昇しました。

さらにHoffrageら(2015)では医学生の正答率が平均37ポイント向上し、Kunzelmannら(2022)の医学生142人を対象とした研究でも、自然頻度を用いた樹形図は正答率が高く判断時間も短いことが確認されています。

6. 医学部受験生におすすめしたい勉強法(5ステップ)

条件付き確率の問題を解くときは、いきなり公式に数字を代入するのではなく、まず具体的な人数に置き換えてみてください。

  1. 全体の人数を 10,000人(または分母が割り切れる数)と仮定する。
  2. 有病率から病気の人と病気でない人を分ける。
  3. それぞれの集団について陽性・陰性の人数を求める。
  4. 求めたい条件に該当する人数を数える。
  5. 条件に合う全体の人数を分母にして確率を求める。

7. 【実践演習】ベイズの定理を使った入試演習

それでは、人数への置き換えとベイズの定理の両方を使って、医学部入試で頻出の条件付き確率問題を解いてみましょう!

入試演習(条件付き確率・原因の確率) 難易度:★★☆(私立・国公立医学部頻出)

【問題】感染症のスクリーニング検査

ある集団において、特定の感染症にかかっている人の割合(有病率)は $2\%$ である。この感染症を調べる検査では、感染している人が陽性と判定される確率(感度)は $95\%$、感染していない人が陰性と判定される確率(特異度)は $90\%$ である。
この集団から無作為に1人を選んで検査したところ、結果は陽性であった。この人が実際に感染している確率を既約分数で求めよ。

💡 解法①:10,000人の自然頻度モデルで解く
全体を $10,000$ 人と仮定します。
・感染者($2\%$):$200$ 人 $\rightarrow$ 陽性($95\%$)は $200 \times 0.95 = 190$ 人。
・非感染者($98\%$):$9,800$ 人 $\rightarrow$ 偽陽性($10\%$)は $9,800 \times 0.10 = 980$ 人。
よって陽性者全体は $190 + 980 = 1,170$ 人。そのうち感染者は $190$ 人なので、
$$\frac{190}{1170} = \frac{19}{117}\ (\approx 16.2\%)$$
💡 解法②:ベイズの定理の公式で検算する
$$P(D|+) = \frac{0.95 \times 0.02}{0.95 \times 0.02 + 0.10 \times 0.98} = \frac{0.019}{0.019 + 0.098} = \frac{0.019}{0.117} = \frac{19}{117}$$ 自然頻度で全体像をつかみ、公式で検算する二段構えで計算ミスをゼロにできます!

まとめ:確率は、情報を正しく解釈するための道具

今回のテーマで覚えておきたいことは次の3点です。①検査の感度と陽性的中率は異なること、②有病率が低い集団では偽陽性の影響が大きくなること、③ベイズの定理は新しい情報をもとに確率を更新する考え方であることです。

💬 Soraから受験生への一言:
ぜひ覚えておいてほしいのは「逆向きの確率を求める」という感覚です。$P(A|B)$ と $P(B|A)$ は似ているようで全く違います。公式を覚えたら、ぜひ一度「その公式が現実のどんな医療問題を解決しているのか」まで考えてみてください。

よくある質問(FAQ)

Q. 感度90%の検査で陽性なのに、なぜ病気である確率が90%にならないのですか?

感度は「病気の人が陽性になる確率 $P(+|D)$」であり、「陽性の人が病気である確率 $P(D|+)$(陽性的中率)」とは逆向きの確率だからです。有病率が低い集団では、健康な人の数そのものが圧倒的に多いため、わずかな偽陽性率でも人数としては真陽性を上回ることがあります。

Q. ベイズの定理の問題をミスなく解くコツはありますか?

いきなり公式に小数を代入するのではなく、まず全体を「10,000人」などの具体的な人数(自然頻度)に置き換えて表や樹形図を作ることです。Hoffrageらの研究でも、自然頻度を使うことで医師や医学生の正答率が大幅に向上することが示されています。

Q. 医学部入試でベイズの定理や条件付き確率はよく出題されますか?

はい、私立医学部・国公立医学部を問わず頻出です。特に検査の陽性的中率や工場の不良品検査、原因の確率を問う問題は、数学的思考力と医学的リテラシーの両方を測れるため好んで出題されます。

参考文献・研究資料

  • Hoffrage, U., & Gigerenzer, G. (1998). Using natural frequencies to improve diagnostic inferences. Academic Medicine, 73(5), 538–540. https://doi.org/10.1097/00001888-199805000-00024
  • Hoffrage, U., Krauss, S., Martignon, L., & Gigerenzer, G. (2015). Natural frequencies improve Bayesian reasoning in simple and complex inference tasks. Frontiers in Psychology, 6, 1473. https://doi.org/10.3389/fpsyg.2015.01473
  • Kunzelmann, A. K., Binder, K., Fischer, M. R., Reincke, M., Braun, L. T., & Schmidmaier, R. (2022). Improving Diagnostic Efficiency with Frequency Double-Trees and Frequency Nets in Bayesian Reasoning. MDM Policy & Practice. https://doi.org/10.1177/23814683221086623

※紹介した数値は各研究の特定の課題・参加者における結果です。仮想の検査例は仕組みを理解するためのものであり、実際の検査の診断精度を示すものではありません。実際の診断では、症状、年齢、既往歴、検査の対象集団なども考慮されます。

⚡ Sora研究室|理系の学びを、科学から考える。