Men HVOR kommer de absurde tallene fra???
SELVFØLGELIG er det ikke 80 - 90% falske positive, er du helt på styr?
Som konspirasjonsteorier flest har den en faktisk kjerne, som dras ut av sammenheng og misforstås med vilje, for så brøles ut i alle kanaler som en helt annen betydning. Målgruppen er jo folk som ikke kan bæret om statistikk. «Facebook» som kilde sier det meste.
Som OMF viser kan man ha en test som f eks gir 1 % falske positive og 1 % falske negative. Det er en veldig bra test til diagnosebruk. Man har en pasient som enten har viruset eller ikke. Hvis pasienten har viruset er det 99 % sannsynlighet for at testen viser riktig svar, og hvis pasienten ikke har viruset er det også 99 % sjanse for å få riktig svar.
Så kan man lage scenarier hvor samme test brukes til screening mot en sjelden sykdom i befolkningen, og i prinsippet få de tallene man ønsker seg ved å gjøre bestemte antagelser. Hvis det er 1 % smitte i befolkningen og vi screener alle vil testen finne 99 % av de smittede, dvs 0,99x0,01 = 0,0099 % av befolkningen, men også gi falske positive for 1 % av de friske, 0,01x0,99 = 0,0099 % av befolkningen. Dvs 50/50 falske og ekte positive. Vi diskuterte den statistikken her inne i forbindelse med innreisetesting.
Hvis man i stedet antar at 0,1 % har viruset og man fortsatt screener alle med denne testen skjer det samme, men nå får vi 0,099% av testene med et ekte positivt resultat og 0,999 % med falske positive, og dermed 90 % falske positive resultater. Og hvis man er en ekte konspirasjonsteoretiker mener man kanskje at hele viruset er A HOAX!!! og at
ingen har dette ikke-eksisterende viruset, og da får man hele 100 % falske positive i samme regnestykke.
Dessuten hjelper det å bruke «tenk på et tall»-metoden også for testparametrene. Her antok vi 1 % feilrate, dvs 99 % spesifisitet, men i virkeligheten har PCR-testene
minst 99,92 %, dvs mindre enn 0,08 % falske positive. Da må man gjøre
veldig spesielle antagelser for å komme til 80-90 % falske positive av det totale antallet tester.
The methods used to collect the data, process it, and calculate the statistics produced from the Coronavirus (COVID-19) Infection Survey.
www.ons.gov.uk
Test specificity measures how often the test correctly identifies those who do not have the virus, so a test with high specificity will not have many false-positive results.
We know the specificity of our test must be very close to 100% as the low number of positive tests in our study over the summer of 2020 means that specificity would be very high even if all positives were false. For example, in the six-week period from 31 July to 10 September 2020, 159 of the 208,730 total samples tested positive. Even if all these positives were false, specificity would still be 99.92%.
We know that the virus was still circulating at this time, so it is extremely unlikely that all these positives are false.
www.nettavisen.no
