就在这里。通常，它被称为基准率谬误或更具体的假阳性悖论。甚至还有一篇关于它的维基百科文章：见这里

不幸的是，我没有为这个谬误命名。当我需要解释这一点时，我发现提及在外行中普遍知道但非常罕见的疾病是有用的。我住在德国，虽然每个人都在他们的历史书中读过鼠疫，但每个人都知道，作为一名德国医生，我永远不会诊断出真正的鼠疫病例，也不会照顾鲨鱼咬伤。

当你告诉人们，在一百个健康人中，有一个测试鲨鱼咬伤是阳性的，每个人都会同意，那个测试没有意义，不管它的阳性预测值有多好。

根据您在世界的哪个位置以及您的听众是谁，可能的例子可能是瘟疫、疯牛病 (BSE)、早衰、被闪电击中。有许多已知的风险，人们很清楚他们的风险远低于 1%。

编辑/添加：到目前为止，这已经吸引了 3 次投票，没有任何评论。捍卫自己免受最可能的反对：原始海报写道

没有人有一个好的，简洁的，没有行话的直觉/例子，可以帮助我向外行人解释它

我认为我正是这样做的。Pi 先生发布了他更好的答案，而不是我发布了我的外行解释，我一看到它就对他投了赞成票。

基准率谬误与针对不同人群的专业化有关，这并没有抓住更广泛的误解，即高精度意味着低误报率和低误报率。

在解决高精度和高误报率的难题时，我发现如果不向人们介绍精度和召回率的概念，就不可能超越非常肤浅、手摇和不准确的解释。

用外行的话来说，可以简单地写出两个感兴趣的值，而不是过于简化的“准确率”：

1. 在那些有条件 X 的人中，测试表明有多少比例有条件 X？这是召回率。不正确的确定是假阴性——那些本应被诊断为患有这种疾病但实际上没有的人。
2. 在测试中说有条件 X 的人中，有多少人实际上有条件 X？这就是准确率。这里的错误判断是误报——我们说的人有条件但没有。

诊断测试只有在传递新信息时才有用。您可以向他们展示，对于任何罕见疾病的诊断（例如，<1% 的病例），构建一个高度准确（>99% 准确度！）的测试是非常容易的，同时我们什么也没告诉我们已经知道谁拥有或不拥有它：只需告诉每个人他们没有它。无限数量的测试具有相同的准确度，但要以召回的准确度为代价，反之亦然。什么都不做就可以获得 100% 的精确度或 100% 的准确度，但只有区分测试才能最大化两者。实际计算并向他们展示准确率和召回率可以为他们提供信息，并帮助他们明智地思考权衡取舍和进行更具洞察力的测试的必要性。

这是关键：测试是否为我们提供了新信息？

然后还有风险规避的维度：找到一个真阳性值得招致多少假阳性？也就是说，你愿意误导多少人认为他们拥有一些他们可能没有的东西，以便找到一个拥有它的人？这将取决于误诊的风险，误诊和误诊的风险通常不同。

编辑：进一步的好处是确认测试或越来越精确的测试，可能会推迟到以后，因为它们更昂贵。因此，可以协同使用偏向误报的诊断来构建一个具有成本效益的鉴别器，尽早消除大多数真阴性。然而，这也以增加真正阳性的危险为代价：您希望癌症患者尽快接受治疗，并让他们跳过三到五圈，每圈都需要提前两周到一个月的时间安排，他们甚至可以获得治疗会使他们的预后恶化一个数量级。因此，在进行后续分流时，将其他较便宜的测试联合考虑是有帮助的，以优先考虑那些具有最大有条件的可能性，并在可能的情况下同时进行多项测试。

只要给自己画一个简单的决策树，它就会变得很明显。见附件。我还可以发送一个非常简单的电子表格，准确地说明影响。