临床论文写作漫谈诊断性试验.pptVIP

选择特异度高的试验 对于某些预后险恶的疾病，诊断试验的假阳性结果会给病员带来巨大风险、或更多医疗花费时，如对恶性肿瘤采取放疗、化疗或手术之前时，必须选择特异度高的试验，以肯定诊断。 要肯定某病的诊断，高特异度试验阳性结果的临床价值最大。 （三）准确度 又称符合率，粗一致率 准确度AC是指诊断试验获得正确试验结果，即真阳性和真阴性在总检例数中的比例 Ac= (a+d)/ (a+b+c+d) 反映了诊断性试验结果与金标准试验结果符合或一致的程度。 （四）预测值 预测值是根据诊断试验的结果来估计患病可能性大小的指标 阳性预测值:是诊断试验阳性结果中真正患病的比例。也称为验后概率。 +PV = a/(a+b) 阴性预测值是试验诊断阴性结果时真正未患病的概率。 -PV = d/(c+d) （五）验前概率 验前概率又称为患病率 为金标准证实患某病的病例数，占接受金标准及诊断试验检查对象总数的百分率。 P＝(a+c)/N 在级别不同的医院中，某种疾病的患者集中程度不同，故患病率差别很大，因而会影响阳性及阴性预测值的结果。 在临床实践中，随着就诊对象来源不同，患病率在不同医疗环境中的变化是很大的，如在初级医疗单位，各种疾病的患病率都很低，而在二级或三级医院中随着转诊率增加，就诊患者中的疾病患病率增高，特别是专科医院、专科门诊范围内的疾病患病率更高。 通过诊断试验估计验后概率的第一步是尽可能准确地估计具体条件下的患病率。 预测值可用敏感度、特异度、患病率计算 根据Bayes条件概率理论，预测值可用敏感度、特异度、患病率计算，公式如下： +PV=SN×P/[SN×P+(1-SP)×(1-P)] -PV=SP×(1-P)/[(1-SN)×P+SP×(1-P)] (SN=敏感度, SP=特异度 P=患病率) 预测值与敏感度、特异度有关 预测值与敏感度、特异度有关，但患病率对预测值的影响更为重要。 越是特异的试验，阳性预测值愈大，即在阳性结果时对确诊证实疾病越有把握。 越是敏感的试验阴性预测值愈大，即在阴性结果时对排除待查疾病越有把握。 在保持敏感度和特异度不变的情况下，阳性预测值随患病率上升而上升，阴性预测值随患病率上升而下降。 （六）似然比 是反映敏感度和特异度的复合指标，即诊断试验的结果在患者中出现的概率与非患者中出现概率之比。 阳性似然比为患病组真阳性率和无病组假阳性率的比值 ＋LR＝［ a/(a+c) ］÷［b/(b+d)］＝ SN/(1-SP) 阴性似然比为患病组假阴性率与无病组真阴性率的比值 － LR＝［ c/(a+c) ］÷［d/(b+d)］＝(1- SN)/SP （七）ROC曲线（receive operator characteristic curve 受试者工作特征曲线） ROC曲线将各个敏感度/特异度对比，以敏感度为纵坐标，以1－特异度为横坐标，依照连续分组测定的数据，分别计算SN和SP，将给出各点连成曲线，即为ROC曲线。 做ROC曲线只靠一、二次试验结果是不可能找到正确的临界点的，一般要求最少五组连续分组测定数据。 ROC曲线作用 在诊断性试验中，用于正常值临界点的正确选择。距左上角最近的一点，即为正常值的最佳临界值。 ROC曲线还可以用来比较两种以上诊断性试验的诊断价值，曲线下的面积反映了试验的准确性，面积越大，准确性越高。 完美与无用的ROC曲线 真阳性率 即 灵敏度 假阳性率 机率线(chance line)(diagonal reference line) Ideal In fact 诊断准确度较低（ 0.7 ） 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 FPR T P R A ＝ 0.664 A ＝ 0.830 诊断准确度较高 （ 0.9 ） 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 FPR T P R A ＝ 0.938 ROC曲线下面积（Area）与诊断准确度高低 高 0.90-1.00 = excellent (A) 中 0.80-0.90 = good (B) 0.70-0.80 = fair (C) 低 0.60-0.70 = poor (D) 0.50-0.60 = fail (F) 医学科技论文的写作 * * 临床