到10月份囉!

來教大家在篩檢介紹中我們常常會聽到的幾個專有名詞

他們分別代表什麼意思?

今天歐博士會拿幾個比較常聽見的來跟大家介紹

每一種篩檢都會有像這樣的統計數據分布

首先,縱軸是人數多寡,橫軸是檢驗值(criterion value),由左至右代表檢驗值由小到大。

然後有兩個族群分別是罹患疾病(with disease)和無罹患疾病者(without disease)

從上圖的分布我們可以知道罹患疾病者的檢驗值會明顯比較大

假設我們「隨意」定義了一個切點   就是圖中央的垂直虛直線

將虛線右邊定義為「陽性」,左邊定義為「陰性」

陽性意思是認為這位受測者可能是罹患疾病的人

反之,陰性就是我們認為此受測者可能是健康的人

不過還是要跟大家強調一下,這個切點是可以「隨意」定義的!

 

在這個隨意定義的檢驗值切點下,圖就可以被分成4個部分

TN (True Negative) 真陰性:受測者未罹患疾病,結果也確是陰性

FN (False Negative) 偽陰性:受測者有罹患疾病,結果卻是陰性

FP (False Positive) 偽陽性:受測者未罹患疾病,結果卻是陽性

TP (True Positive) 真陽性:受測者有罹患疾病,結果也確是陽性

在最理想的狀況下

我們希望 TP 和 TN 都可以是100%

而 FN 和 FP 是0%

在這樣完美檢驗結果前提下,假設有罹患疾病跟假設沒有罹患疾病這兩條曲線是完全不會重疊的

 

由上圖我們可以看到敏感性特異性的計算方式

但有個觀念很重要

敏感性不是罹患疾病的機率

特異性也不是沒有罹患疾病的機率

也就是說

如果某篩檢工具敏感性是95%而您的檢驗結果是陽性,請你先不用緊張

或是某篩檢工具特異性是95%而檢驗結果是陰性,也先不要急著高興

但不就是說這項篩檢不準確嗎?????

其實並不是的喔!

「如果檢驗結果為陽性,那麼患病的機率有多少?」

或是

「如果檢驗結果是陰性,那麼確定沒有患病的機率有多少?」

必須使用陽性預測值(Positive predictive value,PPV)

陰性預測值(Negative predictive value,NPV)

才可以回答以上的問題

盛行率是影響陽性預測值的最大因素

當疾病盛行率越高,PPV就會越高,也就是當你篩檢是陽性時能正確診斷疾病的機率會大幅增加

這是因為,事實上罹患疾病的機率實在很高,所以能正確診斷也就不足為奇了。

同理

當疾病盛行率越高,NPV會降低

因為如果某一個疾病很常見,即使我們的篩檢結果是陰性,那麼能夠確定我們沒有疾病的機率也會比較低

(因為盛行率太高,有疾病的機率實在太高了!)

 

這部分確實有點難懂

要是大家有疑問

可以在下面留言問歐博士喔!

arrow
arrow

    Dr.Owl 發表在 痞客邦 留言(0) 人氣()