前兩篇文章我們已經介紹過敏感性（Sensitivity）、特異度（Specificity）、陽性概似比（Positive likelihood ratio, LR+）與陰性概似比（Negative likelihood ratio, LR-）的定義，此篇文章介紹如果已知檢測結果以及疾病的盛行率，那麼究竟罹患或沒有罹患某疾病的機率為多少，例如：「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」，前者叫作陽性檢測率/陽性預測值（Positive predictive value, PPV），後者叫作陰性檢測率/陰性預測值（Negative predictive value, NPV）。待會會作很多的運算，都是基於圖2的幾個名詞去求出的，因此再把圖2列在以下以供各位查照。
陽性檢測率定義為所有檢測結果為陽性的人裡面，真正有患病（真陽性, true positive）的機率，因此公式為以下所列，即真陽性人數除以所有陽性的人數。
真陽性人數的計算很簡單，即總罹患疾病人數 × 敏感性，還記得敏感性為a/(a+b)，亦即「在所有罹患疾病的人中，被篩檢為陽性者的機率」，因此敏感性也可稱為真陽性率，那當然真陽性人數就等於所有罹患疾病人數（all cases）乘以真陽性率囉；反之，偽陽性就是總健康人數×(1-特異度)，特異度為d/(c+d)，因此(1-特異度)為c/(c+d)，亦即為「在所有健康的人中，被誤篩檢為陽性者的機率」，因此通常(1-特異度)又被稱做為偽陽性率，所以偽陽性人數很自然的等於所有健康的人中（all health）乘以偽陽性率。
再者我們需要知道總罹患疾病人數（all cases）及總健康人數（all health）的人數，這公式又更簡單了，總罹患疾病人數就等於總人數×盛行率，總健康人數就等於總人數×(1-盛行率)。
我們將圖5及圖6的公式代入圖4，即可得到圖7的詳細公式，由第一列公式可知分子跟分母都出現總人數（total），因此可消掉，因此最後的公式就如第二列所示：(給我來一堂統計課吧)
讓我們舉唐氏症（down syndrome）篩檢為例，以現今流行的四指標唐氏症篩檢，研究提供的敏感性為80%及特異度為95%，而假設已知唐氏症盛行率為千分之1（0.1%），如果有位孕婦篩檢陽性，那麼她可能生出唐氏症寶寶的機率是多少呢？讓我們運用圖7的公式算一下，代入公式計算之後，得出的陽性檢測率（陽性預測值）差不多是1.6％，因此四指標唐氏症篩檢陽性的媽媽們不用太擔心，假使唐氏症篩檢陽性，還可進一步考慮羊膜穿刺此侵入性的檢查，以更確認是否有懷唐氏症寶寶。
假使有一種疾病的盛行率是百分之五（5％），敏感性為80%及特異度為95%條件之下，篩檢陽性可能有罹患疾病的機率就會大增至接近46％。因此可知盛行率是影響陽性檢測率的最大因素，可看到分子有「盛行率」，因此可推估當疾病盛行率越高時，PPV就會越高，亦即篩檢陽性能正確診斷疾病的機率會大增，這是因為事實上真正罹患疾病的機率實在很高，因此能正確診斷也不足為奇了。
最後我們簡單列出陰性預測值（陰性檢測率）的算法，過程就不再詳列。可看到分子有「1-盛行率」，因此可推估當疾病盛行率越高時，那麼NPV會越低，這是很理所當然的，因為如果某一個疾病很常見，即使我們篩檢結果是陰性，那麼可能能夠確定我們就沒有疾病的機率也會比較低（因為畢竟有疾病的機率實在太高了！）
目前為止我們已經介紹了PPV及NPV兩個最重要的「事後機率」，讀者可能會覺得很奇怪，那為什麼要介紹陽性概似比（LR+）跟陰性概似比（LR-），沒錯，目前為止是還沒有用到LR+跟LR-的資訊，不過在下一篇文章，我們即將導入貝氏機率的算則，此時就會套用到LR+跟LR-，而且會讓事後機率的算法變的比圖7及圖8的公式更為簡單。
留言列表
{{ article.title }}