醫學篩檢（Medical Screening）旨在從尚未發病的健康族群之中找出可能罹患疾病的人。以癌症篩檢為例，目前在台灣有4種癌症的醫學篩檢是免費提供的，包括30歲以上的婦女每年一次免費子宮頸抹片檢查、45歲以上的婦女每兩年一次乳癌乳房X光攝影檢查、50歲以上的每兩年一次大腸癌糞便潛血檢查以及30歲以上每兩年一次口腔癌口腔黏膜檢查。
不過讀者們知道這些檢查報告裡頭各項數據的含意嗎？如果報告寫說口腔黏膜檢查的敏感性是70%，而您的檢查結果是「陽性」，這意味著您不幸罹患口腔癌的機率是70%嗎？反之如果檢查的特異性是99%，而您的檢查結果是「陰性」，這又是表示您不幸罹患口腔癌的機率應該只有1%？報告裡頭仍會提供「陽性概似比」、「陰性概似比」、「陽性預測值/陽性檢測率」、「陰性預測值/陰性檢測率」、「前測勝算」及「後測勝算」，這些名詞又各代表什麼意思呢？
我將於之後的幾篇文章中介紹這些名詞，不過在這之前我們要先瞭解這些檢驗是如何篩檢出認為可能有疾病的人。以圖1為例，X軸是檢驗值（Criterion value）的分佈，由左至右代表檢驗值從小到大，Y軸則是人數的多寡，其中存在著兩個族群，分別為有罹患疾病者（with disease）與無罹患疾病者（without disease），由圖明顯可知有罹患疾病者的檢驗值明顯比較大。如果我們隨意定義一個切點，即圖中的直虛線，並將虛線右邊定義為「陽性」（Positive），意思是認為這位受測者可能是罹患疾病者的人，反之虛線左邊為「陰性」（Negative），即我們認為此受測者可能是健康的人。不過再提醒一次，這個檢驗值的切點可以讓我們隨意定義的。
在某個隨意定義的檢驗值切點之下，此時圖1的分佈可切分成四個部分，TN（True negative, 真陰性）表示這位受測者未罹患疾病且檢驗結果也為陰性、FN（False negative, 偽陰性）表示這位受測者有罹患疾病但檢驗結果卻是陰性、FP（False positive, 偽陽性）表示這位受測者未罹患疾病但檢驗結果卻是陽性、TP（True positive, 真陽性）表示這位受測者有罹患疾病且檢驗結果也為陽性，這4個名詞對於接下來其它名詞的計算方式是非常重要的。在理想的情況之下，我們是希望TN跟TP都可以是100％，而FN跟FP是0％，在這種完美的檢驗結果之下，即假設有無罹患疾病這兩群人的分佈是完全沒有重疊的，如果就沒有FN跟FP的存在。
承上，我們要利用以上這四種狀況來進一步計算更多的名詞，如圖2所示，我們可將「篩檢結果－事實上是否罹患疾病」區分成2×2的表格。可看到敏感性（Sensitivity）的定義是a/(a+b)，其介於0~100％，意思是「罹患疾病且篩檢為陽性者的機率」；反之，特異度（Specificity）的定義是d/(c+d)，其介於0~100％，意思是「無罹患疾病且篩檢為陰性者的機率」。
這邊有個很重要的概念，即敏感性及特異度是事後的測量，因為在事後才確定這個受測者到底有沒有發生疾病，例如可能篩檢過後3年才知道這位受測者究竟是否有疾病，因此敏感性不是罹患疾病的機率，而特異度也不是沒有罹患疾病的機率，因此如果某個篩檢工具的敏感性是90％而您的檢驗結果是陽性，請您先不用緊張；或某篩檢工具特異度為95％而檢驗結果是陰性，也先不要急著高興。如果您想知道「如果檢驗陽性，那麼患病的機率是多少」或「如果檢驗陰性，那麼沒有患病的機率是多少」，必須使用「陽性預測值/陽性檢測率」（Positive predictive value, PPV）跟「陰性預測值/陰性檢測率」（Negative predictive value, NPV）來回答這個問題。（續）
留言列表
{{ article.title }}