※小説ではない※専門書 要約資料集 為替(換算)3.9万円でもらう 紐解集生成 専門 初入門 資料 作：｛作者名｝
> 学問の宇宙・生命の惑星群 第1章(続の続の続の続の続の続の続の続の続の続の続の続)。
> トーン規約: GAKUMON_UNIVERSE.md準拠。専門用語は初出で必ず説明する。
> 重要注記: 本冊は学問の読み物であり、**検査の受け方や診断の手引きではない**。検査の選択と結果の解釈は、資格を持つ医療者が個々の状況に基づいて行うものである。本冊の数値は**考え方を示すための代表値**であり、特定の検査の性能を表すものではない。
> 第3冊が感度・特異度・的中率に名前を付け、第10冊・第11冊・第12冊がその周りを固めた。**本冊はそれらを一本の計算に組み直す。**
> **本冊は単独で読めるように書いてある。** ROC曲線・AUC・ベイズの定理など、他の分野の冊にも在る語は、本冊の中で定義し直してある。
---
----------------------------------------ΩΩΩ あっ流れ星！
# BOOK-0011m 衛生学 — 陽性は「病気である」ではない 第13冊
> 学問の宇宙・生命の惑星群 第1章(続の続の続の続の続の続の続の続の続の続の続の続)。
> トーン規約: GAKUMON_UNIVERSE.md準拠。専門用語は初出で必ず説明する。
> 重要注記: 本冊は学問の読み物であり、**検査の受け方や診断の手引きではない**。検査の選択と結果の解釈は、資格を持つ医療者が個々の状況に基づいて行うものである。本冊の数値は**考え方を示すための代表値**であり、特定の検査の性能を表すものではない。
> 第3冊が感度・特異度・的中率に名前を付け、第10冊・第11冊・第12冊がその周りを固めた。**本冊はそれらを一本の計算に組み直す。**
> **本冊は単独で読めるように書いてある。** ROC曲線・AUC・ベイズの定理など、他の分野の冊にも在る語は、本冊の中で定義し直してある。
---
## 入口の物語 — 五度目の同じ計算
このシリーズは、同じ計算を何度も繰り返してきた。
```
第3冊 … 陽性的中率の例で
第5冊 … 食品の検査キットで
第6冊 … 商談の問い三で
第9冊 … 設備の異常検知で(警報の6回に5回以上が空振り)
```
**四度出てきて、毎回同じ結論になった。** 感度も特異度も高いのに、**陽性と出た人の多くが実際には病気ではない。**
四度も出てくるということは、これが**特定の分野の話ではない**ということである。だから本冊で、**計算そのものを正面から扱う。**
そして扱ってみると、もう一つのものが同じ形をしていることが見える。
> **第12冊で「p値は仮説の正しさではない」と書いた。**
> **本冊の結論は「陽性は病気であることではない」である。**
>
> **この二つは、同じ一つの事実の二つの顔である。** どちらも「**検査する前にどれくらいありそうだったか**」を無視できないと言っている。
第12冊の第二章で作った借金——**事前確率**——を、本冊が返す。
> **一. 検査の性能は、いくつの数で表せるのか。** ——**四つのマス**。
> **二. なぜ同じ検査が、役に立ったり立たなかったりするのか。** ——**的中率は集団で変わる**。
> **三. 集団に依らない性能の表し方はあるのか。** ——**尤度比**。
> **四. 検査前と検査後を、どうつなぐのか。** ——**オッズと掛け算**。
> **五. 境目を動かすと何が起きるのか。** ——**カットオフとROC曲線**。
> **六. 見つけることが、なぜ害になりうるのか。** ——**スクリーニングの三つの罠**。
---
## 第一章: 四つのマス
### 二×二の表
検査の結果と、本当のところの組み合わせは四通りしかない。
```
本当は病気 本当は病気でない
検査が陽性 **真陽性** **偽陽性**
検査が陰性 **偽陰性** **真陰性**
```
**真陽性(しんようせい、true positive、水準三: 本当に病気で、検査も陽性だった場合)**。
**偽陽性(ぎようせい、false positive、水準三: 本当は病気でないのに、検査が陽性になった場合)**。
**真陰性(しんいんせい、true negative、水準三: 本当に病気でなく、検査も陰性だった場合)**。
**偽陰性(ぎいんせい、false negative、水準三: 本当は病気なのに、検査が陰性になった場合)**。
**感度**(第3冊で定義済み)は**縦に読む**——病気の人のうち、陽性になった割合。
**特異度**(第3冊で定義済み)も**縦に読む**——病気でない人のうち、陰性になった割合。
```
感度 = 真陽性 ÷ (真陽性 + 偽陰性) … 病気の列の中での割合
特異度 = 真陰性 ÷ (真陰性 + 偽陽性) … 病気でない列の中での割合
```
### 「本当は病気」を、どうやって知るのか
**この表には、黙って置かれた前提がある。** 左右の列を分けるには、**誰が本当に病気なのかを、検査とは別の方法で知っていなければならない。**
**基準検査(きじゅんけんさ、reference standard、ゴールドスタンダード、水準四: 評価したい検査の良し悪しを測るために、「本当のところ」を決める基準として使う、より確かな方法)**。
**確定診断(かくていしんだん、definitive diagnosis、水準三: 病気であるかどうかを、それ以上疑わない形で最終的に決めること)**。
**そして基準検査は、たいてい高価か、侵襲的か、時間がかかる。** そうでなければ、評価したい検査など要らない。
> **「安くて速い検査を、高くて確かな検査と比べる」——これが感度・特異度を測る作業の実体である。**
ここに二つの厄介がある。
**一つ目——基準検査自体が完全でないことがある。**
**不完全な基準検査(imperfect reference standard、水準六: 基準として使う方法自体に誤りがあり、そのために評価したい検査の性能が正しく測れない状態)**。
基準が間違っていれば、**新しい検査が正しくても「間違い」と数えられる。** 新しい検査のほうが優れている場合、その優秀さは**性能の低さとして記録される。**
**二つ目——基準検査を全員には当てられないことがある。**
陽性だった人だけに精密検査をして、陰性だった人には何もしない。**すると偽陰性が数えられない。**
**検証バイアス(けんしょうバイアス、verification bias、水準六: 検査の結果によって基準検査を受けるかどうかが変わるため、性能の推定が偏ること)**。
陽性の人だけを確認すると、**見逃しが見えないので感度が高く見える。** これは第11冊の**選択バイアス**が、検査の評価の場面に現れた形である。
### 縦と横で、まったく違うことを言う
**同じ表を横に読むと、別の量になる。**
**陽性的中率**(第3冊で定義済み)——陽性だった人のうち、本当に病気だった割合。
**陰性的中率**(第3冊で定義済み)——陰性だった人のうち、本当に病気でなかった割合。
```
陽性的中率 = 真陽性 ÷ (真陽性 + 偽陽性) … 陽性の行の中での割合
陰性的中率 = 真陰性 ÷ (真陰性 + 偽陰性) … 陰性の行の中での割合
```
> **縦は「病気の人から見た検査」、横は「検査結果を受け取った人から見た病気」である。**
> **検査を作る人は縦を見る。検査を受ける人が知りたいのは横である。**
>
> そして——**縦は集団を変えても動かないが、横は集団を変えると激しく動く。** 次章がそれを示す。
---
## 第二章: 的中率は、検査の性能ではない
### 同じ検査、二つの集団
感度90%・特異度95%の検査を、二つの集団に当てる。**検査そのものは同じである。**
```
■ 有病率 1% の集団(10,000人)
病気100人 病気でない9,900人
陽性 90人 495人 → 陽性 585人
陰性 10人 9,405人 → 陰性 9,415人
陽性的中率 = 90 ÷ 585 = **15.4%**
陰性的中率 = 9,405 ÷ 9,415 = **99.9%**
■ 有病率 50% の集団(10,000人)
病気5,000人 病気でない5,000人
陽性 4,500人 250人 → 陽性 4,750人
陰性 500人 4,750人 → 陰性 5,250人
陽性的中率 = 4,500 ÷ 4,750 = **94.7%**
陰性的中率 = 4,750 ÷ 5,250 = **90.5%**
```
**検査の感度も特異度も変えていない。変えたのは集団だけである。** それで陽性的中率が **15.4% から 94.7% へ** 動いた。
> **「この検査は精度99%です」という売り文句は、それだけでは何も言っていない。**
> 感度・特異度の話なのか的中率の話なのか、的中率ならどの集団での話なのか——**訊かなければ判断できない。**
### 二つの名前を立てる
検査を受ける前と後で、その人が病気である見込みをそれぞれ呼び分ける。
**検査前確率(けんさまえかくりつ、pre-test probability、水準三: 検査をする前の時点で、その人が病気である見込み)**。
**検査後確率(けんさあとかくりつ、post-test probability、水準三: 検査の結果を知った後で、その人が病気である見込み)**。
**検査前確率**は、集団全体を相手にするなら**有病率**(第3冊で定義済み)そのものである。一人を相手にするなら、症状や既往から見積もった値になる。
そして**検査後確率は、陽性なら陽性的中率、陰性なら 1 − 陰性的中率**である。
> **検査は「確率を書き換える道具」であって、「答えを出す道具」ではない。**
> 15.4% は「病気でないほうが圧倒的にありそう」であり、94.7% は「病気であるほうがずっとありそう」——
> **どちらも確定ではない。**
### なぜ四度も出てきたのか
入口に並べた四つの場面は、すべて**検査前確率が低い場面**だった。
```
第3冊 … まれな病気のスクリーニング
第5冊 … 汚染率の低い食品の検査
第6冊 … 発生頻度の低いハザードのリスク評価
第9冊 … 正常に動いている設備の異常検知(異常は1%)
```
**まれなものを探すと、偽陽性が真陽性を圧倒する。** 病気でない人が圧倒的に多いので、**そのうちの数%でも、病気の人の全体より多くなる**からである。
```
有病率1%の例で: 真陽性 90人 / 偽陽性 495人 → **偽陽性のほうが5.5倍多い**
```
---
## 第三章: 尤度比 — 集団から切り離す
### 集団に依らない性能の表し方
的中率が集団で動くなら、**集団に依らない表し方がほしい。** それが尤度比である。
**尤度(ゆうど、likelihood、水準四: ある仮定のもとで、観察された結果が出る確からしさ)**。
**尤度比(ゆうどひ、likelihood ratio、水準四: 病気の人でその検査結果が出る確からしさを、病気でない人でその結果が出る確からしさで割った値)**。
陽性と陰性で二つある。
**陽性尤度比(ようせいゆうどひ、positive likelihood ratio、LR+、水準四: 陽性という結果が、病気の人で出る確からしさと、病気でない人で出る確からしさの比)**。
**陰性尤度比(いんせいゆうどひ、negative likelihood ratio、LR−、水準四: 陰性という結果が、病気の人で出る確からしさと、病気でない人で出る確からしさの比)**。
```
LR+ = 感度 ÷ (1 − 特異度)
LR− = (1 − 感度) ÷ 特異度
```
### 検算
感度90%・特異度95%の検査で計算する。
```
LR+ = 0.90 ÷ (1 − 0.95) = 0.90 ÷ 0.05 = **18.0**
LR− = (1 − 0.90) ÷ 0.95 = 0.10 ÷ 0.95 = **0.105**
```
**この二つは、有病率1%の集団でも50%の集団でも、まったく同じ値である。** 感度と特異度から計算しているので、集団の構成が入り込む余地がない。
> **尤度比は「検査そのものの力」を表す。** 的中率は「検査と集団の組み合わせ」を表す。
> **売り文句として意味があるのは尤度比のほうである。**
### 目安
尤度比の大きさは、そのまま「どれだけ見込みを動かすか」の目安になる。
```
LR+ が 10 より大きい … 陽性なら見込みが大きく上がる
LR+ が 2〜10 … それなりに上がる
LR+ が 1 に近い … **陽性でも陰性でも見込みが変わらない。その検査は役に立っていない**
LR− が 0.1 より小さい … 陰性なら見込みが大きく下がる
```
**LR = 1 は「何の情報もない」を意味する。** 表を書くと、それが見える——感度と (1−特異度) が等しいとき、つまり**病気の人でも病気でない人でも同じ割合で陽性になるとき**、その検査は硬貨投げと同じである。
---
## 第四章: オッズで考えると、掛け算になる
### オッズという言い方
**オッズ(odds、水準二: 起こる場合の数と、起こらない場合の数の比)**。
> **蔵書には「オッズ比」が第3冊に在るのに、その土台である「オッズ」がどこにも無かった**(2026-09-21 に戸籍で確認)。
> 派生した語だけが在って、元の語が無い状態だったので、ここで立てる。
確率とオッズは、同じことを別の言い方で表している。
```
確率 0.5 → オッズ 1 : 1 = **1.0** (五分五分)
確率 0.2 → オッズ 1 : 4 = **0.25**
確率 0.8 → オッズ 4 : 1 = **4.0**
オッズ = 確率 ÷ (1 − 確率) / 確率 = オッズ ÷ (1 + オッズ)
```
### なぜオッズに直すのか — 式が掛け算になる
**確率のままでは、検査前と検査後をつなぐ式が複雑になる。オッズに直すと、掛け算一つで済む。**
```
**事後オッズ = 事前オッズ × 尤度比**
```
**事前オッズ(じぜんオッズ、pre-test odds、水準四: 検査前確率をオッズに直した値)**。
**事後オッズ(じごオッズ、post-test odds、水準四: 検査後確率をオッズに直した値)**。
これが**ベイズの定理**を診断の言葉で書き直した形である。定理そのものを立てる。
**ベイズの定理(ベイズのていり、Bayes' theorem、水準五: ある出来事を観察した後の確からしさを、観察する前の確からしさと、その出来事が起こる確からしさから計算する規則)**。
確率の形で書くと、次のようになる。
```
観察した後の確からしさ = 観察する前の確からしさ × その仮定のもとで観察が起こる確からしさ
────────────────────────────────────────────────────
観察が起こる確からしさ(全体)
```
**分母が厄介なので、そのままでは使いにくい。** ところが**オッズに直すと分母が約分されて消える**——それが上の「事後オッズ = 事前オッズ × 尤度比」である。**同じ定理の、計算しやすい形である。**
> **この定理は1763年に公表されたが、長く論争の的だった。** 争点は「観察する前の確からしさを、どうやって決めるのか」であった。
> **診断の場面では、それが有病率として測れる。** だから診断は、この定理がいちばん素直に使える場面の一つになっている。
### 検算 — 第二章を尤度比で解き直す
有病率1%の集団で、感度90%・特異度95%の検査が陽性だった場合。
```
一. 事前確率 0.01 をオッズに直す
事前オッズ = 0.01 ÷ 0.99 = **0.0101**
二. 尤度比を掛ける
事後オッズ = 0.0101 × 18.0 = **0.1818**
三. 確率に戻す
事後確率 = 0.1818 ÷ (1 + 0.1818) = **0.1538 = 15.4%**
```
**第二章で表から出した15.4%と一致する。** 表を書かなくても、掛け算一つで出る。
有病率50%なら——
```
事前オッズ = 0.50 ÷ 0.50 = 1.0
事後オッズ = 1.0 × 18.0 = 18.0
事後確率 = 18.0 ÷ 19.0 = **0.947 = 94.7%**
```
**こちらも一致する。** 同じ尤度比18.0が、事前オッズの違いだけで、まったく違う答えを出している。
> **これが本冊のいちばん大事な式である。**
> **検査は事前オッズに掛け算をする。掛ける数は検査の性能で決まり、元の数は集団で決まる。**
> **掛け算なので、元がゼロに近ければ、どんなに大きな数を掛けても小さいままである。**
### 事前オッズは、どこから持ってくるのか
**掛け算の式のうち、尤度比は検査の説明書に書いてある。問題は左側である。**
集団を相手にするなら**有病率**でよい。**一人を相手にするときが難しい。**
三つの持ってき方がある。
```
一. その集団の有病率をそのまま使う … 目の前の人がその集団の典型であると仮定している
二. 症状や既往で絞った部分集団の有病率 … 「この症状がある人の中では何%」
三. **臨床予測ルール**で計算する … 複数の項目を点数化して確率に対応させた表
```
**臨床予測ルール(りんしょうよそくルール、clinical prediction rule、水準五: 症状・所見・検査値などの複数の項目を組み合わせて、病気である見込みを数値として出すために作られた規則)**。
> **事前オッズを見積もる作業は、それ自体が推定である。** 尤度比がどれだけ正確でも、**左側が外れていれば答えは外れる。**
> 掛け算の式は、**不確かさを消す道具ではなく、二つの不確かさを組み合わせる道具**である。
**そして事前確率の見積もりには、第11冊のバイアスがそのまま効く。** 「この症状の人の何%が病気か」という数字自体が、どういう集団で測られたのかを問う必要がある——**病院で測った値を、街の人に当てはめてはいけない**(第11冊の外的妥当性)。
### 二回検査したら
掛け算の形の利点がもう一つある。**独立な検査を続けて行うなら、尤度比を掛け続ければよい。**
```
事後オッズ = 事前オッズ × LR₁ × LR₂ × …
```
有病率1%で、尤度比18.0の検査を二回、両方陽性だったとする。
```
0.0101 × 18.0 × 18.0 = 3.27 → 確率 3.27 ÷ 4.27 = **76.6%**
```
**一回目で15.4%、二回目で76.6%。** これが「陽性なら精密検査へ」という運用の理屈である。
> **ただし「独立な」が重い条件である。** 同じ原理の検査を二度やっても、二度目は新しい情報をほとんど持たない。
> 同じ理由で誤る検査を重ねても、**誤りが二度確認されるだけになる。**
---
## 第五章: 境目を動かす
### カットオフ
血糖値や抗体価のように、検査結果が**連続した数**で出る場合、「陽性」と呼ぶ境目を決める必要がある。
**カットオフ(cut-off、水準三: 連続した検査値を陽性と陰性に分けるために決める境目の値)**。
**感度と特異度は、カットオフを動かすと逆向きに動く。**
```
カットオフを下げる(陽性と呼びやすくする)
→ 感度が上がる(病気を見逃しにくい)
→ **特異度が下がる**(病気でない人を陽性と呼びやすい)
カットオフを上げる(陽性と呼びにくくする)
→ 特異度が上がる
→ **感度が下がる**(見逃しが増える)
```
> **感度と特異度は同時には上げられない。** これは検査の出来不出来ではなく、**一本の線で二つの群を分けることの原理的な限界**である。
> 両方を上げるには、カットオフではなく**検査そのものを変える**しかない。
### ROC曲線
カットオフを端から端まで動かして、感度と偽陽性率の組を全部描いたものに名前がある。
**ROC曲線(ROCきょくせん、receiver operating characteristic curve、水準五: カットオフを端から端まで動かしながら、そのときの感度を縦軸、偽陽性率〈1−特異度〉を横軸に取って描いた曲線)**。
**AUC(エーユーシー、area under the curve、曲線下面積、水準五: ROC曲線より下の部分の面積。0.5から1.0の間の値を取り、検査がどれだけよく二つの群を分けられるかを一つの数で表す)**。
**ROC という名は「受信者動作特性」の頭字語**で、第二次大戦期にレーダーの信号と雑音を判別する問題から出た。**「二つの群を一本の線で分ける」問題の形が同じなので、診断・機械学習・気象予測など、分野を超えて同じ曲線が使われている。**
```
縦軸 = 感度(真陽性率)
横軸 = 1 − 特異度(偽陽性率)
AUC = 1.0 完全に分けられる
AUC = 0.5 **対角線。硬貨投げと同じ**(第三章の LR = 1 と同じ状態)
```
**AUCはカットオフに依らない**ので、「検査そのものの力」を一つの数で表す指標として使われる。**尤度比と同じ目的の、別の表し方**である。
### 三つ目の答え — 判定保留
現実の検査は、陽性と陰性の二つだけを返すとは限らない。
**判定保留(はんていほりゅう、indeterminate result、グレーゾーン、水準四: 陽性とも陰性とも決めない、第三の判定区分)**。
**カットオフを一本ではなく二本引いて、その間を保留にする。** 保留の人には再検査や別の検査を当てる。
```
低い ←──────────────┬──────┬──────────────→ 高い
陰性 **保留** 陽性
```
**利点は、無理に決めないこと。** 弱点は二つある。**保留の人をどう扱うかという運用が要る**ことと、**感度・特異度の計算で保留をどう数えるかが曖昧になる**こと。
> **報告で保留を除いて計算すると、性能が実際より良く見える。** 判断が難しかった人を外しているからである。
> **「解析対象から除外した件数」は、ここでも訊くべき数である**(第12冊の欠測と同じ話)。
### どこに置くかは、統計では決まらない
**カットオフをどこに置くかは、数学の問題ではない。**
> **二種類の間違いの、どちらがどれだけ困るか**で決まる。
```
見逃し(偽陰性)が致命的な場面 … カットオフを下げる。感度を優先する
例: 献血の血液の感染症検査。**一件の見逃しが受血者に及ぶ**
偽陽性の害が大きい場面 … カットオフを上げる。特異度を優先する
例: 侵襲的な精密検査や、重い治療につながる判定
```
**第12冊の第一種・第二種の過誤の話と、まったく同じ構造である。** 有意水準を厳しくすれば第一種の過誤は減るが第二種は増える——**どちらを許すかは、統計ではなく実務が決める。**
---
## 第五章の二: 検査を組み合わせる
### 二通りのつなぎ方
検査が二つあるとき、つなぎ方は二通りある。**そして結果がまったく違う。**
**直列の組み合わせ(ちょくれつのくみあわせ、serial testing、水準四: 一つ目が陽性だった人だけに二つ目を当て、両方陽性のときだけ陽性とする使い方)**。
**並列の組み合わせ(へいれつのくみあわせ、parallel testing、水準四: 二つを同時に当て、どちらか一方でも陽性なら陽性とする使い方)**。
```
直列: 陽性 かつ 陽性 → 陽性 … **特異度が上がり、感度が下がる**
並列: 陽性 または 陽性 → 陽性 … **感度が上がり、特異度が下がる**
```
### 検算
感度80%・特異度90%の検査を二つ、互いに独立と仮定して組み合わせる。
```
■ 直列(両方陽性で陽性)
感度 = 0.80 × 0.80 = **0.64** … 下がる(どちらかで見逃すと落ちる)
特異度 = 1 − (0.10 × 0.10) = **0.99** … 上がる(両方で間違う必要がある)
■ 並列(どちらかで陽性)
感度 = 1 − (0.20 × 0.20) = **0.96** … 上がる(どちらかが拾えばよい)
特異度 = 0.90 × 0.90 = **0.81** … 下がる(どちらかが誤れば陽性になる)
```
**元は感度0.80・特異度0.90の同じ検査が、つなぎ方だけで 0.64/0.99 にも 0.96/0.81 にもなる。**
> **カットオフを動かすのと同じトレードオフが、組み合わせ方でも起きる。**
> **見逃したくないなら並列、確かめたいなら直列。** そしてどちらを選ぶかは、第五章と同じく**二種類の間違いの代償**で決まる。
**現実の運用は、この二つを順に使うことが多い。** スクリーニングで感度を優先して拾い(並列に近い)、陽性者に確定検査を当てて特異度を稼ぐ(直列)。**第四章で「陽性なら精密検査へ」と書いたのがこの形である。**
> **ここでも「独立」が重い条件である。** 同じ原理の検査を直列につないでも、二つ目は一つ目の誤りをそのまま追認することが多い。
> **見逃しの原因が同じなら、並列にしても拾えない。**
---
## 第六章: 見つけることの害
### スクリーニングは、検査ではなく制度である
**スクリーニング**(第3冊で定義済み)は、症状のない人に検査を当てて、病気を早く見つけようとする営みである。
**症状があって受ける検査とは、前提が二つ違う。**
```
一. **検査前確率がずっと低い** … 第二章の計算がそのまま効く。偽陽性が大量に出る
二. **相手は困っていない** … 健康な人に害を与える可能性がある
```
二つ目が重い。症状のある人にとって検査の害は治療のための代償だが、**スクリーニングでは、何も困っていない人に害だけが及ぶことがある。**
### 三つの罠
**リードタイムバイアス(lead time bias、水準五: 早く見つけたぶんだけ「診断からの生存期間」が長くなるだけで、実際に死ぬ時期は変わっていないのに、検査が効いたように見える偏り)**。
```
検査なし: 60歳で症状が出て診断 → 65歳で死亡 診断からの生存 **5年**
検査あり: 55歳で検査で発見 → 65歳で死亡 診断からの生存 **10年**
→ 「生存期間が2倍」に見えるが、**死亡した年齢は同じ65歳である。**
```
**レングスバイアス(length bias、水準五: 進行の遅い病気ほど検査で見つかりやすいため、スクリーニングで見つかった集団は予後の良いものに偏る偏り)**。
**罹病期間(りびょうきかん、sojourn time、水準五: 検査で見つけられる状態になってから、症状が出るまでの期間)**が長い病気ほど、**検査の網にかかりやすい。** 進行の速いものは、検査と検査の間に発症してしまう。
> **だから「スクリーニングで見つかった人のほうが予後が良い」は、ほぼ必ず成り立つ。**
> **検査が効いたからではなく、もともと予後の良いものが選ばれているからである。**
**過剰診断**(第3冊で定義済み)——**一生症状を出さなかったはずの病気を見つけてしまうこと**。レングスバイアスの極端な形で、罹病期間が本人の寿命より長い場合にあたる。
見つけてしまえば治療する。治療には害がある。**そして「治った」という結果になるので、過剰診断は成功として数えられる。**
### 偽陽性は、そこで終わらない
第二章の計算で、有病率1%の集団に一回検査すると**偽陽性が495人**出た。**この495人に何が起きるかを数えると、害の大きさが見える。**
**検査の連鎖(けんさのれんさ、diagnostic cascade、水準五: 一つの検査結果をきっかけに、確かめるための検査や処置が次々と連なっていくこと)**。
```
偽陽性 495人
→ 精密検査を受ける(費用・時間・不安)
→ 一部は侵襲的な検査へ(出血・感染などの合併症の危険)
→ 偶然、別の異常が見つかる(**そしてそれも確かめる検査が要る**)
→ 一部は経過観察という名の反復検査へ(**年単位で続く**)
```
**最後の二つが効く。** 精密検査で見つかる「別の異常」の多くは、探さなければ一生知らずにいたものである。**そして一度見つけてしまえば、放置するという選択は取りにくい。**
> **一回の検査の害は「偽陽性の人数」では終わらない。**
> **その下流で起きることまで数えて、初めて代償が見える。**
>
> だから第五章の「カットオフをどこに置くか」の判断には、**偽陽性の下流で起きること**を含める必要がある。
### 三つとも、第11冊の一族である
この三つは、本冊で初めて出てきたものではない。**第11冊で立てた選択バイアスの、スクリーニング版である。**
```
リードタイムバイアス … 測る起点をずらしている(第11冊の**時点ゼロ**の問題)
レングスバイアス … 見つかりやすいものが選ばれる(**有病‐罹患バイアス**と同じ形)
過剰診断 … 結果の定義が広がっている(**検出バイアス**の極端な形)
```
### だから何を見るのか
> **スクリーニングの効果を測る唯一の正直な指標は、「診断からの生存期間」ではなく「その病気による死亡率」である。**
> しかも**対象集団全体**で測る——見つかった人だけを見ると、三つの罠が全部効く。
>
> そして測るには、第10冊の**無作為化比較試験**が要る。**スクリーニングを受ける群と受けない群に割り付けて、集団全体の死亡率を比べる。** 観察研究では、三つの罠を取り除けない。
**「見つかる人が増えた」は「救われた人が増えた」ではない。**
---
## 第七章: 借金を返す — 検定と検査は同じ形をしている
### 表を重ねる
第12冊の第二章で置いた表と、本冊の第一章の表を並べる。
```
■ 第12冊(統計的仮説検定)
本当は差が有る 本当は差が無い
有意と判定 正しい(検出力) **第一種の過誤**
有意でないと判定 **第二種の過誤** 正しい
■ 本冊(検査)
本当は病気 本当は病気でない
陽性 **真陽性** **偽陽性**
陰性 **偽陰性** **真陰性**
```
**同じ表である。** 対応を書き出す。
```
検出力 ⟺ 感度
有意水準 ⟺ 1 − 特異度(偽陽性率)
第一種の過誤 ⟺ 偽陽性
第二種の過誤 ⟺ 偽陰性
p値 ⟺ 「病気でない人でこの結果が出る確からしさ」
```
### そして同じ誤読が起きる
第12冊で潰した誤読と、本冊で潰した誤読を並べる。
```
✗ 「p < 0.05 だから、差が有る確率が95%」
✗ 「陽性だから、病気である確率が高い」
```
**どちらも同じ間違いである。** どちらも「結果が出る確からしさ」を「仮説が正しい確からしさ」と取り違えている。**確率の向きが逆になっている。**
そして**どちらも、正しく計算するには事前確率が要る。**
```
事後オッズ = 事前オッズ × 尤度比 … 検査
？ = ？ × ？ … 統計的仮説検定では、この事前が置かれていない
```
> **統計的仮説検定は、事前確率を置かない枠組みである。** だからp値だけからは「仮説が正しい確率」が出せない。
> **これは欠陥ではなく、設計の選択である**——事前確率を置くには、置く根拠が要る。
>
> そしてその根拠を置く枠組みが、**第四章で立てたベイズの定理**である。本冊の第四章でやったのが、診断の場面でのその実行である。診断では事前確率を有病率という形で**測れる**ので、置けるのである。
### 五度目の計算に、名前がついた
入口に並べた四度の場面は、すべて**事前オッズが小さい**場面だった。そして本冊が五度目として、それを一つの式にまとめた。
**掛け算なので、元がゼロに近ければ、どんなに大きな数を掛けても小さいままである。**
**この一文が、第3冊から本冊までの五度の計算の、共通の答えである。**
---
## 第八章: 商談と査読の席で何を訊くか
第12冊までで四十八になった問いに、五つを足す。
> **問い四十九: 「精度99%」は感度・特異度の話か、的中率の話か。** ——的中率なら、どの有病率の集団での話かを訊く。同じ検査が15.4%にも94.7%にもなる。
>
> **問い五十: 尤度比はいくらか。** ——尤度比は集団に依らない。LR+が1に近ければ、その検査は陽性でも陰性でも見込みを動かしていない。
>
> **問い五十一: カットオフはどう決めたのか。** ——感度と特異度は同時に上がらない。見逃しの害と偽陽性の害のどちらを重く見たのかを訊く。
>
> **問い五十二: スクリーニングの効果を、何で測ったのか。** ——「診断からの生存期間」ならリードタイム・レングス・過剰診断の三つの罠が効く。**対象集団全体のその病気による死亡率**か。
>
> **問い五十三: 二つ目の検査は、一つ目と独立か。** ——同じ原理の検査を重ねても、誤りが二度確認されるだけになる。
**商談の問いは、これで五十三になった。**
---
## 次に待っている風景 — 第14冊への矢印
本冊は「どう判断するか」を扱い、第12冊の借金を返した。
**残るは一冊である。**
> **第14冊は「どう先を読むか」を扱う。** ——SIRモデル、**基本再生産数**(第2冊で定義済み)と実効再生産数、閾値定理。
> 第2冊が結論だけ示した **集団免疫閾値 = 1 − 1/R₀** が、**どこから来た式なのか**がそこで分かる。
> 麻疹の R₀≈15 から約93%という数が出る道筋である。
>
> そして本冊の尤度比と同じく、**モデルもまた「前提を置いて、そこから先を計算する道具」**である。
> 前提が外れればモデルも外れる——**第14冊の最後は、モデルの限界の話になる。**
**第14冊で、関門二(開発に入れる)が閉じる。**
---
## 章末: 検査を読む階段図
```
何が言えるか ──────────────────────────────────────────────────────
人に返せる ┤ **検査後確率** … その人が病気である見込み。
│ **確定ではない。** 15.4%も94.7%も確率である。
│ ▲
│ 事後オッズ = **事前オッズ × 尤度比**
│ ▲
集団に依らず┤ **尤度比** … 検査そのものの力。有病率が変わっても動かない。
言える │ **LR = 1 は「何の情報もない」**
│ ▲
│ LR+ = 感度 ÷ (1 − 特異度)
│ ▲
集団込みで ┤ **的中率** … 検査と集団の組み合わせ。
言える │ **同じ検査が 15.4% にも 94.7% にもなる**
│ ▲
│ 表を横に読む
│ ▲
検査だけを ┤ **感度・特異度** … 表を縦に読む。集団を変えても動かない。
言える │ **カットオフを動かすと逆向きに動く**
│ ▲
分けるだけ ┤ **四つのマス** … 真陽性・偽陽性・真陰性・偽陰性。
│ まれなものを探すと**偽陽性が真陽性を圧倒する**
```
**横の広がり(同じ層にある姉妹の考え):**
```
表の読み方 : 縦に読む(感度・特異度=検査を作る人が見る) ←→ 横に読む(的中率=受け取る人が知りたい)
検査の力 : 尤度比(掛け算の形) ←(同じ目的・別の表し方)→ AUC(曲線の下の面積)
トレードオフ: 感度を上げる ←(カットオフ一本では両立しない)→ 特異度を上げる
同じ表 : 第一種の過誤=偽陽性 / 第二種の過誤=偽陰性 / 検出力=感度 / 有意水準=1−特異度
見つける害 : リードタイム(起点がずれる) ←→ レングス(遅いものが選ばれる) ←→ 過剰診断(その極端)
```
**現在のフロンティア(年号つき):**
- **1763年**に公表されたベイズの定理は、長く論争の的だったが、**診断の場面では事前確率を有病率として測れる**ため、早くから実務に入った。
- **第二次大戦期**のレーダー信号の判別から出たROC曲線は、診断・機械学習・気象予測など、**「二つの群を一本の線で分ける」問題すべてで同じ形で使われている**(BOOK-0135が機械学習の側から同じ対象を扱っている)。
- **過剰診断**の大きさをどう推定するかは現在も方法論上の論点である。**「一生症状を出さなかったはず」は反事実なので、直接には観察できない。**
- フロンティアは**検査を何度も重ねる場面**である。遺伝子パネルのように一度に何百も調べる検査では、第12冊の**多重性**と本冊の**事前確率**が同時に効く——**「どれか一つが陽性」の確率は、一つ一つの精度からは直感できないほど高くなる。**
**次の一手 ─────▶** 第14冊(感染症の数理モデル)。関門二を閉じる最後の一冊である。
---
## 参照文献(定番教科書・一般書)
1. Sackett DL et al., *Clinical Epidemiology* / *Evidence-Based Medicine* — 尤度比と事前オッズによる診断推論の標準的記述。
2. Fletcher RH, Fletcher SW, *Clinical Epidemiology: The Essentials* — 感度・特異度・的中率・カットオフの入門的定番。
3. Gordis L, *Epidemiology* — スクリーニングの評価、リードタイム・レングスバイアスの整理。
4. Welch HG et al., 過剰診断に関する一般書・総説分野 — 見つけることの害の議論。
5. Pepe MS, *The Statistical Evaluation of Medical Tests for Classification and Prediction* — ROC曲線とAUCの統計的扱い。
6. 米国予防医療専門委員会などによるスクリーニング勧告の方法論文書分野 — 集団死亡率で評価する枠組み。
7. Bayes T (1763) — 観察の後の確からしさを観察の前の確からしさから計算する規則の原典的記述。
---
(本冊子は現代学問宇宙図鑑シリーズ BOOK-0011m(衛生学 第13冊)。第12冊が数の扱い、本冊が判断、第14冊が予測を扱う。次冊は BOOK-0011n(衛生学 第14冊: 感染症の数理モデル)を予定し、**それで関門二が閉じる**。GAKUMON_UNIVERSE.md 進捗台帳を参照。)
# BOOK-0011m 衛生学 — 陽性は「病気である」ではない 第13冊
----------------------------------------ΩΩΩ あっ流れ星！