待评价诊断 试验结果 |
病人患病情况(金标准诊断) |
合计 |
|
有病 |
无病 |
||
阳性 |
a |
b |
a+b |
阴性 |
c |
d |
c+d |
合计 |
a+c |
b+d |
a+b+c+d |
诊断试验性能评价结果
真阳性(true positive,TP),即上表中的a。
假阳性(false positive,FP),即上表中的b。
真阴性(true negative,TN),即上表中的d。
假阴性(false negative,FN),即上表中的c。
一)灵敏度和特异度
1. 灵敏度(sensitivity),又称真阳性率(true positive rate),是指在某疾病的病人中,用待评价诊断试验检出病人的百分率,即真阳性的病例数(a)占金标准诊断为有病的病例数(a+c)的比例。
2.特异度(specificity),又称真阴性率(true negative rate),是指在非某种疾病的病人中,用待评价诊断试验排除病人的百分率,即真阴性的病例数(d)占金标准诊断为无病的病例数(b+d)的比例。
(二)漏诊率和误诊率
1.漏诊率 又称假阴性率(false negative rate),即假阴性的病例数占金标准确诊为有病的病例数的百分率,该值=1 ,灵敏度= ×100%。临床上诊断灵敏度越高,则漏诊率就越低。
2.误诊率 又称假阳性率(false postive rate),即假阳性的病例数占金标准确诊为无病的病例数的百分率,该值=1, 特异度= ×100%。临床上诊断特异度越高则误诊率越低。漏诊率、误诊率越小,说明该诊断试验的性能就越好。
(三)阳性预测值和阴性预测值
1.阳性预测值 是指由诊断试验检测为阳性的病人当中,真正有病者所占的百分比,该值= ×100%。当患病率一定时,诊断试验的特异度越高,阳性预测值就越大。
2.阴性预测值 是指由诊断试验检测为阴性的病人中,真正无病者所占的百分比,该值= ×100%。阴性预测值表示排除诊断的概率。当患病率一定时,诊断试验的灵敏度越高,阴性预测值就越大。
(四)阳性似然比和阴性似然比
1.阳性似然比 阳性似然比(positive likelihood ratio)是指诊断试验有病组中阳性率与无病组中阳性率的比值,即真阳性率与假阳性率之比。因为真阳性率为灵敏度,假阳性率又可以表示为(1-特异度)。
2.阴性似然比 阴性似然比(negative likelihood ratio)是指诊断试验有病组中阴性率与无病组中阴性率的比值,即假阴性率与真阴性率之比。因为假阴性率可以表示为(1-灵敏度),真阴性率为特异度。
(五)诊断效率
是指在一项诊断试验中能够被正确分类者占全体受试者的比率,又称诊断准确度。其值= ×100%。该值能表示诊断试验方法正确诊断病人与非病人的能力,但该值受发病率的影响较大。一般情况下,诊断效率的值介于灵敏度和特异度之间,当灵敏度大于特异度时,诊断效率随患病率增高而增大,当灵敏度小于特异度时,诊断效率则随患病率增高而降低。当灵敏度等于特异度时,诊断效率与患病率无关,而等于灵敏度或特异度。
(六)受试者工作特征曲线
1.概念
受试者工作特征曲线是以真阳性率(灵敏度)为纵坐标,假阳性率(1-特异度)为横坐标,将相对应的各个临界值连接起来的曲线图。
2.ROC曲线主要作用
(1)ROC曲线能很容易地查出任意界限值时的对疾病的识别能力。
(2)选择最佳的诊断界限值。ROC曲线越靠近左上角,诊断试验的准确性就越高。最靠近左上角的ROC曲线的点是错误最少的最好临界值,其假阳性和假阴性的总数最少。
(3)比较两种或两种以上不同诊断试验对疾病识别能力。通过分别计算各个试验的ROC曲线下的面积(area
under the curve,AUC)进行比较,AUC最大的试验,则其诊断价值最佳。
3.ROC曲线的构建
需要将疾病组和对照组测定结果进行分析,计算出所有临界值对应的灵敏度、特异度和假阳性率(1-特异度)。以灵敏度为纵坐标代表真阳性率,(1-特异度)为横坐标代表假阳性率,将各临界值直线连接,作图并绘制曲线,计算AUC。
4.ROC曲线的优缺点
简单、直观。可准确反映某分析方法特异性和灵敏度的关系。允许中间状态存在,综合分析漏诊与误诊的影响,可以选择一更佳临界值作为诊断参考值。利于不同指标之间的比较。曲线下面积可评价诊断准确性。但样本的数量较少时,ROC曲线图形会呈锯齿状。ROC曲线图上显示的通常不是真正的判断值,且没有专业软件时,计算和画图都比较麻烦。