🧪 Diese Plattform befindet sich in der Beta-Phase. Funktionen können sich ändern und es können Fehler auftreten. Danke für dein Feedback!
false_positive_paradox
Das Falsch-Positiv-Paradoxon tritt auf, wenn ein hochgenaurer Test bei einer seltenen Erkrankung in absoluten Zahlen mehr falsch-positive als richtig-positive Ergebnisse produziert. Selbst ein Test mit 99% Sensitivität und 99% Spezifität produziert bei 1% Prävalenz ein falsch-positives pro richtig-positivem Ergebnis.
Eine Erkrankung betrifft 1 von 1.000 Personen. Ein Test hat 99% Sensitivität und 99% Spezifität. Bei 100.000 getesteten Personen: 100 wahre Fälle, davon 99 positiv. Aber von 99.900 Gesunden testen 999 positiv — 10 Falsch-Positive pro Richtig-Positivem.
Ein Unternehmen setzt einen KI-gestützten Sicherheitsalgorithmus ein, der Insider-Bedrohungen erkennen soll. Der Algorithmus hat eine Genauigkeit von 99 %, doch echte Bedrohungen kommen nur bei 1 von 1.000 Mitarbeitern vor. Bei 10.000 Mitarbeitern werden 10 echte Bedrohungen erkannt, aber gleichzeitig 100 unschuldige Mitarbeiter fälschlicherweise gemeldet – die Sicherheitsabteilung wird mit falschen Alarmen überflutet.
Eine Schule testet alle 500 Schüler mit einem angeblich 98 % genauen Drogentest, obwohl nur etwa 2 Schüler tatsächlich Drogen konsumieren. Im Ergebnis werden die 2 echten Fälle erkannt, aber zusätzlich rund 10 unschuldige Schüler fälschlicherweise positiv getestet – mehr als 80 % der positiven Ergebnisse sind falsch.
Binäre (Ja/Nein) Fragen, die ein LLM beantworten muss, um diesen Aspekt zu identifizieren:
Wird der Test auf eine seltene Erkrankung angewendet?
Typ: binaryIst die Spezifität des Tests hoch genug, um zu verhindern, dass falsch-positive die richtig-positiven Ergebnisse überwiegen?
Typ: binaryWird der positive prädiktive Wert (PPV) unter Verwendung der tatsächlichen Bevölkerungsprävalenz berechnet?
Typ: binaryWerden absolute Zahlen von richtig-positiven gegenüber falsch-positiven Ergebnissen statt nur Sensitivität und Spezifität berichtet?
Typ: binaryDas Falsch-Positiv-Paradoxon tritt auf, wenn ein hochgenaurer Test bei einer seltenen Erkrankung in absoluten Zahlen mehr falsch-positive als richtig-positive Ergebnisse produziert. Selbst ein Test mit 99% Sensitivität und 99% Spezifität produziert bei 1% Prävalenz ein falsch-positives pro richtig-positivem Ergebnis.
Sensitivität und Spezifität sind bedingte Wahrscheinlichkeiten, die isoliert betrachtet beeindruckend wirken. Die Basisrate transformiert sie in den positiven prädiktiven Wert (PPV), der für klinische und politische Entscheidungen maßgeblich ist.
Immer den positiven prädiktiven Wert berechnen. Absolute Zahlen statt nur Raten berichten. Bestätigungstests für positive Ergebnisse in Betracht ziehen.
Flughafensicherheitsscreening, Massen-COVID-Tests und Drogentest-Programme sind alle mit dem Falsch-Positiv-Paradoxon konfrontiert; bei seltenen Erkrankungen sind die meisten positiven Ergebnisse falsch-positiv.
Nutze diese Tools, um diesen Aspekt zu erkennen, zu analysieren oder zu trainieren.