在临床医学和公共卫生领域，我们需要进行测试，以便将健康的人与患病的人分开。大多数时候，这些测试评估的是一个连续的变量，例如血压，其测量单位是毫米汞柱。患病和健康的个体通常有不同的变量分布。
因此，我们选择一个阈值，超过这个阈值的个体被归类为疾病，低于这个阈值的个体被归类为健康或非疾病。我们在哪里选择阈值会产生巨大的差异。如果阈值太低，许多健康人就会被错误地归类为患者。如果门槛太高，许多患病的人就会被错误地归类为健康人。
图1 | 对于区分健康人和患者的测试，我们选择一个阈值，超过这个阈值的人被归为患者，低于这个阈值的人被归为健康人。
01
当涉及到诊断测试时，什么是有效性？
如果一个测试能够正确地将很大一部分患病和未患病的个体分类，那么它就被称为具有高有效性。
有效性通常是在一个测试被新引进时确定的，当这样做时，它就会与一个金标准进行比较。因此，评估幽门螺旋杆菌存在的实验室测试可以与活检的金标准进行比较，或者冠状动脉疾病的测试可以与冠状动脉造影的金标准进行比较。理想情况下，一个新的测试的有效性与金标准一样好，甚至更好。
测试的有效性有两个主要组成部分，或称质量标准：
➤ 灵敏度：正确分类的患者比例；
➤ 特异性：正确分类的非患者比例。
02
灵敏度和特异性如何影响我们
对诊断测试结果的解释？
一旦一个新的测试在现实世界中使用，我们最终会得到阳性或阴性的结果，我们必须对它们做些什么。因此，灵敏度和特异性给了我们一个指示，即我们可以对这些测试给予多大的信任。被检测为阳性的患者被称为真阳性，被检测为阴性的非患者被称为真阴性。被检测为阴性的患者被称为假阴性，被检测为阳性的非患者被称为假阳性。
图2 | 疾病状况和诊断测试结果之间的关系。
理想情况下，我们希望每个人都属于真阳性或真阴性组，但没有一个测试是完美的，所以我们最终会有假阴性和假阳性组的人。
现在，这些群体的问题是什么？嗯，被错误地标记为阳性的人将被送去做进一步的测试。这将使他们承受这些潜在的侵入性测试的风险，消耗医疗费用，给病人和他们的亲属带来恐惧，并使病人与一个可能长期存在的标签联系起来。
想想你自己的病人吧。例如，一旦被错误地诊断为高血压，他们可能永远无法摆脱这一诊断，因为它被从一封信或病人报告中复制到下一个。
另一方面，一个被错误地标记为阴性的人，如果他有一个潜在的可治疗的疾病，可能会被送回家而死亡或变得更加严重，因为对这个疾病没有任何措施。因此，当我们选择测试的阈值时，我们必须权衡与假阳性和假阴性相关问题的相对重要性。
图3 | 被错误地归类为患有某种疾病的人，被称为假阳性，被送去做进一步的、可能是侵入性的测试，这很昂贵，而且可能给病人带来恐惧和耻辱。但是，被错误地归类为没有疾病的人，即假阴性者，由于缺乏或延迟治疗而面临健康恶化或死亡的风险。
让我们看一个例子，以便更清楚地了解。让我们挑选一个有1000人的人口，假设其中有200人患有感兴趣的疾病。因此，这意味着患病率为20%。现在，我们还可以说，在这200个病人中，有160人的测试结果为阳性，而40人被测试遗漏。另一方面，720名非患者被测试正确地归类为阴性，而80人被错误地归类为阳性。
该测试的灵敏度被计算为被正确分类的患者人数除以所有患者。因此在这个例子中，160个真阳性除以所有200个阳性结果，再乘以100，等于80%。换句话说，灵敏度是正确分类的患者的比例，在这个例子中是80%。
图4 | 计算诊断测试的灵敏度的方程式
特异性的计算方法是将正确分类的非患者人数除以所有非患者。因此，720个真阴性结果除以800个，即所有非患者，再乘以100，得出特异性为90%。所以特异性是指正确分类的非疾病患者的比例。
图5 | 计算诊断测试特异性的方程式
来源： 诊断科学
声明：本平台注明来源的稿件均为转载，仅用于分享，不代表平台立场，如涉及版权等问题，请尽快联系我们，我们第一时间更正，谢谢！
