貓頭鷹歐博士 Dr.owl

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和特異性的計算方式

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)

和陰性預測值(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！