阿摩線上測驗
登入
阿摩線上測驗
登入
學習重點 四格表是計算基礎：先依疾病狀態與檢驗結果區分真陽性、偽陽性、真陰性及偽陰性，再確認各指標的分母。 敏感度看病人，特異度看非病人：偽陰性率＝1－敏感度；偽陽性率＝1－特異度。 預測值與概似比意義不同：預測值回答檢驗結果出現後，有病或無病的機率；概似比用來更新疾病的勝算。 ROC記住座標與方向：橫軸是偽陽性率，縱軸是敏感度；越靠近左上角，通常代表越好的敏感度與特異度組合。 AUC比較整體鑑別能力：越接近1越好，0.5代表約等同隨機判別，可用來比較不同疾病標誌或檢驗方法。 核心觀念 一、四格表與診斷效能指標 評估檢驗前，須先有可供比較的疾病判定標準。真、偽表示檢驗判斷是否正確；陽性、陰性表示檢驗結果。 檢驗結果有疾病無疾病 陽性TP：真陽性FP：偽陽性 陰性FN：偽陰性TN：真陰性 指標公式判讀重點 敏感度／靈敏性（sensitivity）TP／（TP＋FN）有病者中，檢驗呈陽性的比例，亦稱真陽性率（TPR） 特異度／特異性（specificity）TN／（TN＋FP）無病者中，檢驗呈陰性的比例，亦稱真陰性率（TNR） 偽陰性率（FNR）FN／（TP＋FN）＝1－敏感度，表示有病卻未被檢出的比例 偽陽性率（FPR）FP／（TN＋FP）＝1－特異度，表示無病卻被判為陽性的比例 陽性預測值（PPV）TP／（TP＋FP）陽性結果中，真正有病的比例 陰性預測值（NPV）TN／（TN＋FN）陰性結果中，真正無病的比例 疾病盛行率（TP＋FN）／總人數受檢族群中，有疾病者的比例 正確分類率（accuracy）（TP＋TN）／總人數全部受檢者中，被正確分類的比例 計算先找分母：敏感度與偽陰性率以「全部病人」為分母；特異度與偽陽性率以「全部非病人」為分母；預測值則從檢驗結果出發，以「全部陽性」或「全部陰性」為分母。 例如敏感度為90%，偽陰性率必為10%。把偽陰性人數除以總受檢人數，所得比例不是偽陰性率。同理，非病人中有96%呈陰性，表示特異度為96%，不能拿病人的陽性比例代替。 二、資料是否足以計算？ 若資料只提供已確診病人的檢驗結果，可以估算敏感度與偽陰性率；缺少非病人資料，就無法評估特異度，也無法據此估算臨床受檢族群的PPV或NPV。 例如已確診病人中有85%被檢出，表示敏感度85%、偽陰性率15%；不能因此宣稱特異度或PPV也是85%。只收病人的研究樣本，並未提供非病人可能出現的偽陽性情形。 在敏感度、特異度固定的條件下，盛行率越高，PPV越高、NPV越低；盛行率越低則相反。敏感度與特異度不以盛行率為公式要素，但仍可能受到受檢族群特性、疾病嚴重程度與切點影響。 四格表算出的盛行率，首先代表該受檢樣本的有病比例；若病人與非病人的人數是研究者刻意安排，不能直接當成一般人口的盛行率。 三、陽性與陰性概似比 陽性概似比（LR＋）＝敏感度／（1－特異度）＝真陽性率／偽陽性率。它比較「有病者出現陽性」與「無病者出現陽性」的可能性。 陰性概似比（LR－）＝（1－敏感度）／特異度＝偽陰性率／真陰性率。LR＋越大，陽性結果越支持有病；LR－越接近0，陰性結果越有助於排除疾病。概似比等於1時，該結果不改變疾病勝算。 計算時應先把百分比化成小數。例如敏感度20%、特異度98%，則LR＋＝0.20／0.02＝10。這表示有病者出現陽性結果的可能性，是無病者的10倍。 檢驗後勝算＝檢驗前勝算×概似比，其中勝算＝機率／（1－機率）。所以LR＋＝10表示陽性結果使疾病的勝算變為原來的10倍，不能直接說患病機率變成10倍，也不代表PPV為某個固定百分比。 四、ROC曲線的座標與切點 ROC曲線藉由改變檢驗的陽性判定切點，繪出不同切點下的敏感度與偽陽性率。每一個點代表一個切點，整條曲線呈現不同切點的取捨。 X軸：偽陽性率（FPR）＝1－特異度。 Y軸：真陽性率（TPR）＝敏感度。 題目若簡寫橫軸為false positive，應理解為偽陽性率，不是偽陽性人數。1－特異度也不是偽陰性率；偽陰性率應為1－敏感度。 左上角代表敏感度高、偽陽性率低，也就是特異度高。理想位置為橫座標0、縱座標1。左下角雖然偽陽性率低，敏感度也低，並非理想位置。 若檢驗值越高越傾向有病，降低陽性切點通常使敏感度上升、特異度下降；提高切點則相反。靠近左上角通常是較好的組合，但實際選擇仍須考慮漏診與誤判的代價。 五、AUC與檢驗方法比較 AUC是ROC曲線下面積，反映跨越不同切點的整體鑑別能力，數值介於0與1之間。可用ROC曲線及AUC比較多個疾病標誌或檢驗方法的診斷表現。 AUC＝1：完美鑑別。 AUC越接近1：整體鑑別能力越好；在其他條件相同時，優先選擇AUC較大的方法。 AUC＝0.5：鑑別能力約等同隨機猜測。 AUC也可理解為：隨機選取一位病人與一位非病人，檢驗將病人排在較偏向有病方向的機率；若數值越低越傾向有病，判讀方向須相應調整。 考題所稱ROC評估「診斷準確性」，通常指其鑑別能力。AUC並不等於固定切點下的正確分類率；兩者的公式與意義不同。 其他圖形的用途也要區分：相關係數與簡單直線迴歸主要分析變數關聯；Bland–Altman圖評估量測方法的一致性；Kaplan–Meier圖呈現存活情形；PCA用於資料降維；forest plot常呈現各研究的效應量及統合結果。 常考陷阱 「敏感度與特異度相加為100%」：錯。敏感度與偽陰性率互補，特異度與偽陽性率互補。 「病人被檢出的比例就是PPV」：錯。前者是敏感度；PPV要從全部陽性結果中找真正有病者。 「只有病人資料也能得到特異度」：錯。特異度必須有非病人的檢驗資料。 「LR＋是疾病機率增加的倍數」：不精確。它用來乘上檢驗前勝算，不是直接乘上機率。 「ROC的X軸是特異度或偽陰性率」：錯。標準X軸為1－特異度，也就是偽陽性率。 「ROC越靠左下、AUC越接近0.5越好」：錯。曲線靠左上較佳，AUC接近1較佳。 「ROC能訂定疾病發生率或盛行率」：錯。ROC描述檢驗的鑑別表現；盛行率須由適當族群資料取得，發生率還涉及新病例與觀察期間。 記憶口訣 「敏感找病人，特異找無病；預測看結果，分母要分清。ROC橫偽陽、縱真陽，左上最好、面積近一強；概似乘勝算，別把機率直接翻。」