작성일 · · 최종 검토일 · · 6분

한국어 · English

검사 양성 결과의 진짜 의미: 베이즈 정리와 위양성

안내: 이 글의 모든 수치는 설명을 위해 만든 가상의 값입니다. 실제 검사의 정확도나 어떤 질병의 비율을 말하는 것이 아니며, 의료 조언도 아닙니다. 건강에 관한 판단은 의료 전문가와 하세요. 이 글이 다루는 것은 의학이 아니라 확률의 계산입니다.

"정확도 90%인 검사에서 양성이 나왔습니다. 제가 그 상태일 확률은 90%인가요?" 많은 사람이 그렇다고 느끼고, 그렇게 느끼는 것이 자연스럽습니다. 그러나 거의 항상 틀린 답입니다. 이 글의 가상 예시에서는 그 확률이 약 8%입니다. 90이 8로 줄어드는 이유는 검사가 부정확해서가 아니라 애초에 그 상태인 사람이 드물기 때문입니다. 이 글은 계산을 자연 빈도로 천천히 풀어 보고, 숫자를 바꿔 가며 확인해 볼 수 있는 계산기를 제공합니다.

가상의 설정

어떤 가상의 상태 X가 있고, 이를 가려내는 검사가 있다고 합시다.

누군가 검사에서 양성이 나왔을 때, 실제로 상태 X일 확률은 얼마일까요?

자연 빈도로 풀기

확률 대신 사람 수로 풀어 보겠습니다. 이 방식이 계산을 쉽게 만든다는 것은 게르트 기거렌처와 울리히 호프라게(1995)가 정리한 연구 결과로 알려져 있습니다. 이 글은 그 논문의 서지 기록과 초록 수준의 주장만 확인했습니다. 1만 명이 검사를 받는다고 상상해 봅시다.

가상의 1만 명을 검사했을 때
집단사람 수양성음성
상태 X인 사람 (1%)1009010
상태 X가 아닌 사람 (99%)9,9009908,910
합계10,0001,0808,920

양성이 나온 사람은 90 + 990 = 1,080명입니다. 그중 실제로 상태 X인 사람은 90명이므로 비율은 90 ÷ 1,080 = 8.33%입니다. 나머지 91.7%는 상태 X가 아닌데 잘못 양성이 나온 사람입니다. 상태 X가 아닌 사람이 9,900명이나 되어서 그 10%만으로도 990명이 되고, 이 수가 진짜 양성 90명을 압도합니다.

계산기로 숫자를 바꿔 보기

유병률, 민감도, 특이도를 바꿔서 어떻게 달라지는지 확인해 보세요. (가상의 수치입니다.)

이 도구는 자바스크립트가 필요합니다.

베이즈 정리

위 계산을 식으로 쓴 것이 베이즈 정리입니다. 양성일 때 상태 X일 확률은 다음과 같습니다.

P(X | 양성) = P(양성 | X) × P(X) ÷ [P(양성 | X) × P(X) + P(양성 | X 아님) × P(X 아님)]

숫자를 넣으면 (0.9 × 0.01) ÷ (0.9 × 0.01 + 0.1 × 0.99) = 0.009 ÷ 0.108 = 0.0833입니다. 분자는 "진짜 양성"의 몫이고 분모는 "양성이 나오는 모든 경우"입니다. 식이 어렵게 보이면 위의 사람 수 표를 떠올리면 됩니다. 두 방법은 같은 계산입니다.

핵심 변수: 유병률

같은 검사(민감도 90%, 특이도 90%)라도 유병률이 달라지면 양성의 의미가 크게 달라집니다.

같은 검사에서 유병률별, 양성일 때 실제로 상태 X일 확률 (가상)
유병률양성일 때 실제 X일 확률
0.1%0.89%
1%8.33%
10%50.00%
50%90.00%

유병률이 높은 집단(이미 증상이 있어 검사를 받는 경우처럼)에서는 같은 양성이 훨씬 무겁습니다. 검사가 같아도 누구에게 쓰이는가에 따라 결과의 의미가 달라집니다. 반대로 증상이나 위험 요인이 전혀 없는 사람을 폭넓게 검사하면 양성 결과에서 위양성의 몫이 커지기 쉽습니다. 이것이 이 가상 예시의 핵심이며, 실제 검사에서 이 숫자들이 어떠한지는 해당 검사의 공식 자료를 확인해야 합니다.

또 하나의 변수: 특이도

위양성이 문제의 뿌리이므로 특이도가 높아질수록 효과가 큽니다. 유병률 1%, 민감도 90%일 때:

특이도별, 양성일 때 실제로 상태 X일 확률 (유병률 1%, 민감도 90%, 가상)
특이도양성일 때 실제 X일 확률
90%8.33%
99%47.62%
99.9%90.09%

민감도를 높이는 것보다 특이도를 높이는 것이 위양성 문제에서는 더 큰 효과를 냅니다. 민감도와 특이도가 모두 99%여도 유병률이 1%이면 양성 결과의 실제 확률은 50%입니다. 이 점이 "정확도 99%"라는 홍보 문구를 읽을 때 주의해야 하는 이유입니다. 정확도라는 말은 민감도, 특이도, 둘의 평균 중 무엇을 가리키는지 흔히 불분명합니다.

두 번째 검사가 다시 양성이면

한 번 양성이 나온 사람이 같은 검사를 다시 받았고 또 양성이 나왔다고 합시다. 첫 번째 양성 뒤의 확률 8.33%가 이제 새로운 출발점(사전 확률)이 됩니다. 같은 식에 넣으면 (0.9 × 0.0833) ÷ (0.9 × 0.0833 + 0.1 × 0.9167) = 0.075 ÷ 0.1667 = 45.0%입니다. 한 번 더 양성이 나오자 8%에서 45%로 올랐습니다. 다만 이 계산은 두 검사 결과가 서로 독립이라는 가정 위에 서 있습니다. 같은 사람에게 같은 방법으로 검사하면 같은 이유로 위양성이 반복되기도 하므로 현실에서는 이 가정이 성립하지 않는 경우가 많고, 그 경우 실제 확률은 위 값보다 낮을 수 있습니다.

음성 결과는?

같은 가상 설정에서 음성이 나왔을 때 실제로 상태 X가 아닐 확률은 8,910 ÷ 8,920 = 99.89%입니다. 유병률이 낮은 상황에서는 음성이 매우 믿을 만하고, 양성은 그렇지 않습니다. 결과가 대칭적이지 않다는 점이 직관을 흔드는 부분입니다.

왜 직관이 틀리나

복권·게임과의 관계

이 구조는 복권과도 만납니다. "당첨자 중 자동 비율이 66%"라는 말과 "자동 게임이 당첨될 확률"은 조건의 방향이 다른 이야기인데 앞의 자동 대 수동 글이 다룬 오류가 이 오류의 사촌입니다. 한쪽의 비율을 다른 쪽의 확률로 읽기 전에 항상 분모를 확인해야 합니다. 몬티 홀 문제(몬티 홀 문제)의 계산도 같은 베이즈 정리의 구조입니다.

의료 밖의 예: 경보 장치

같은 구조는 의학 밖에서도 나타납니다. 건물 출입구에 침입자를 감지하는 경보 장치가 있고, 방문자 1,000명 중 1명이 침입자라고 가정합시다(가상). 장치는 침입자의 99%를 감지하고(민감도), 침입자가 아닌 사람의 99%에는 울리지 않습니다(특이도 99%). 경보가 울렸을 때 실제 침입자일 확률은 (0.001 × 0.99) ÷ (0.001 × 0.99 + 0.999 × 0.01) = 9.0%입니다. 99%라는 숫자가 두 번 나오는데도 경보의 91%는 오경보입니다. 오경보가 많은 이유는 같습니다. 침입자가 드물기 때문입니다.

이런 구조에서는 경보가 울릴 때마다 놀라지 않고 "이 경보 중 몇 %가 진짜인가"를 따져야 합니다. 그 비율을 알면 경보 후에 어떤 확인 절차를 두어야 하는지를 합리적으로 정할 수 있습니다. 비슷한 상황은 스팸 메일 필터, 사기 거래 탐지, 보안 점검 도구에서도 나타납니다.

자주 나오는 질문

정확도 90%인 검사라는 표현은 뭘 뜻하나요? 이 가상 설정에서는 민감도와 특이도가 모두 90%입니다. 실제로 "정확도"는 둘 중 하나, 둘의 평균, 또는 전체에서 맞힌 비율 등 여러 뜻으로 쓰입니다. 어떤 뜻인지 확인하지 않으면 이 글의 계산을 적용할 수 없습니다.

위양성이 많으면 검사가 나쁜 건가요? 반드시 그렇지는 않습니다. 드문 상태를 넓게 걸러 내는 검사는 위양성이 많아도 놓치지 않는 것이 목적일 수 있고, 양성이 나오면 다른 검사로 확인합니다. 검사의 좋고 나쁨은 용도에 따라 다릅니다. 이 글은 어떤 검사도 평가하지 않습니다.

양성이 나오면 어떻게 해야 하나요? 이 글은 의료 조언을 하지 않습니다. 양성 결과의 의미와 다음 단계는 의료 전문가와 상의하세요.

한계

수치는 설명을 위해 만든 가상의 값입니다. 의료 조언이 아니며 실제 검사를 설명하지 않습니다.

출처와 확인 상태