FalschPositiven

Falschpositive, im Englischen false positives, bezeichnet Ergebnisse von Tests, Systemen oder Algorithmen, die eine positive Feststellung melden, obwohl der untersuchte Zustand oder das betrachtete Merkmal tatsächlich nicht vorhanden ist. Falschpositive stehen im Gegensatz zu Falschnegativen, bei denen ein vorhandener Zustand übersehen wird. Sie treten in vielen Bereichen auf und können je nach Kontext unterschiedliche Folgen haben.

In der Medizin, in der Bevölkerungsmedizin, der IT-Sicherheit, bei Spamfiltern, in der Qualitätssicherung und im Umweltmonitoring spielen Falschpositive eine zentrale Rolle. Sie beeinflussen Kosten, Nutzensabwägungen und das Vertrauen in Screening- oder Angriffserkennungssysteme. Die Balance zwischen Sensitivität (Erkennung echter Fälle) und Spezifität (Vermeidung falscher Alarmmeldungen) ist oft kritisch.

Wichtige Kennzahlen sind die Falsche-Positive-Rate (FPR) und die Spezifität. Die FPR gibt an, wie viel Prozent der Negativfälle fälschlicherweise als positiv bewertet werden (FP/(FP+TN)); die Spezifität ist 1 minus FPR. Die Sensitivität misst die Fähigkeit, echte Fälle zu erkennen (TP/(TP+FN). Der Positive Predictive Value (PPV) beschreibt, wie wahrscheinlich ein positives Ergebnis tatsächlich positiv ist, und hängt stark von der Prävalenz der Erkrankung in der Population ab.

Beispiel: Bei 1000 Personen mit einer Prävalenz von 1% (10 Erkrankte) und einem Test mit Sensitivität 90% sowie Spezifität 95% ergeben sich etwa 9 echte Positive, 1 falsch negativer Fall, 50 falsche Positive und 940 echte Negative. Insgesamt 59 positive Ergebnisse, von denen nur 9 tatsächlich krank sind; der PPV beträgt ca. 15%.

Zur Verringerung von Falschpositiven können Tests mit höherer Spezifität, Bestätigungsverfahren (zwei-stufige Tests), bessere Grenzwertsetzung oder kontextabhängige Bewertung eingesetzt werden.