检查结果可以帮助医生对有症状患者明确诊断（诊断试验），或发现无症状患者的隐匿性疾病（筛查）。如果这些检查是根据临床表现适当开具的，则任何检查结果都应有助于纳入或排除可能的诊断。如果检测不能很好地区分患有和未患有疑似疾病的患者，或者检测结果未正确整合到临床背景中，则检测结果可能会干扰临床决策过程。
实验室检查是不完美的，可能错误地把某些健康人鉴定为有病的人（假阳性）或是把某些患病的人鉴定为无病的人（假阴性）。一个检查试验是否能够准确地诊断疾病取决于被检查者患有这个疾病的可能性大小（即验前概率）和检查本身的特征 (1)。
虽然诊断性检查通常是做出准确临床决策的关键因素，但检查可能会产生不良或意外的后果。测试应该慎重而有目的地进行，并期望测试结果能够减少围绕患者问题的模糊性，并有助于他们的健康。除了提供错误信息（从而延迟开始治疗或导致不必要的治疗）的风险外，实验室检查还会消耗有限的资源，并且其本身可能产生不良影响（例如，由肺部活检引起的气胸），或者可能引发额外的不必要的检查或增加患者的压力。
筛查或诊断测试的结果应根据具体的临床情况和之前的基线测试进行解释。
参考文献
1.Armstrong KA, Metlay JP.Annals Clinical Decision Making: Using a Diagnostic Test. Ann Intern Med.2020;172(9):604-609.doi:10.7326/M19-1940
确定阳性检查结果
最常见的检查中，有一些是能沿连续、定量标度提供结果的检查（例如血糖、白细胞计数）。这类检查可能在其整个范围内都能提供有用的临床信息，但临床医生通常需要将其与某些既定标准或截点进行比较，将结果分类为阳性或阴性（即存在或不存在疾病），以此来诊断疾病。这些截点通常是基于统计和概念分析来选择的，试图在假阳性（引发不必要的、昂贵的甚至可能危险的检查或治疗）和假阴性（未能诊断出可治疗的疾病）结果的发生率之间取得平衡。确定截点还取决于是否有识别相关疾病的金标准。
通常，此类定量检查结果（例如疑似细菌性肺炎病例中的白细胞计数）遵循某种类型的分布曲线（不一定是正态曲线，尽管通常被描绘成这样）。患病患者的检查结果分布中心点与未患病患者不同。一些患病的患者会有极高或极低的结果，但大多数患者的结果集中在平均值附近。相反，一些没有罹患该疾病的病人也有可能出现非常高或非常低的情况，但是多数集中在另一个平均值，与罹患该疾病的病人不同。在大多数测试中，分布存在重叠，导致许多可能的测试结果出现在患病和非患病患者中；当这些曲线在同一图表上展示时（见图），此类结果会呈现得更为清晰。一些高于或低于所选截点的患者会被错误分类（误诊）。调整截点以识别出更多患病患者（增加检查的敏感性）也会增加假阳性的数量（特异性差），而向另一个方向移动截点以避免将患者误诊为患病则会增加假阴性的数量。每个截点都与真阳性及假阳性结果的特定概率有关。
检查结果的分布
患病患者显示在上方的分布中；未患病患者显示在下方的分布中。罹患疾病的病人，结果分布曲线下方且位于截点标准右侧（上方）的区域对应检测的真阳性率（即敏感性）；位于截点标准左侧（下方）的区域对应假阴性率。未罹患疾病的病人，截点标准右侧的区域对应假阳性率，左侧的区域对应真阴性率（即特异性）。对于2种重叠的分布（如患病和未患病的患者），移动截断标准线会影响敏感性和特异性，但方向相反；将截断标准从1移到2会减少假阴性数量（提高敏感性），但也会增加假阳性数量（降低特异性）。 |
受试者工作特征（ROC）曲线
针对一系列截点，绘制真阳性分数（真阳性数/患病数）与假阳性分数（假阳性数/未患病数）的关系图，即得到ROC曲线。ROC曲线以图形方式描绘了当调整截断点时敏感性与特异性之间的权衡关系（见图）。按照惯例，真阳性比例位于y轴，假阳性比例位于x轴。ROC曲线下面积越大越能更好地区分患者是否罹患某个疾病。
ROC曲线允许在各种截断点上对检测方法进行比较。在该例子中，检查A在所有范围内都比检查B表现更好。ROC曲线可以用于选择截点来最大化检查的效用。如果一个检查是用于确诊疾病的，那么截点应该选择更高特异性、相对低敏感性的。如果检查用于筛查隐匿性疾病，那么截点应该选择相对高敏感性、低特异性的。
典型受试者工作特征（ROC）曲线
检查本身的特征
一些临床变量只有两种可能的结果（如存活/死亡，怀孕/未孕）；此类变量被称为分类变量和二分变量。其他分类结果可能具有许多离散值（例如，血型、格拉斯哥昏迷量表），被称为名义变量或有序变量。名义变量（如血型）没有特定的顺序。等级变量如Glasgow昏迷指数有一定顺序的离散值。其他临床变量，包括许多典型的诊断性检查，是连续性的，且有无限多种可能的结果（如白细胞计数、血糖水平）。许多临床医生选择一定的截点使连续性变量变成二分类变量（如空腹血糖水平> 126 mg/dL [7.0 mmol/L]的患者被认为患有糖尿病）。其他一些连续性变量的诊断性检查在不同的截点或不同结果范围有诊断效力。
当检测结果可定义为阳性或阴性时，所有可能结果均可记录在一个简单的2×2表格中（见表），由此可计算出重要的鉴别诊断特征，包括灵敏度、特异度、阳性预测值、阴性预测值及似然比（LR）（见表）。
假设检测结果的分布
结果 | 患病 | 未患病 |
|---|---|---|
检查结果阳性 | 真阳性 | 假阳性 |
检查结果阴性 | 假阴性 | 真阴性 |
全部病人 | 全部患病病人 | 全部未患病病人 |
敏感性、特异性及预测值
敏感性、特异性通常反映检查本身的特征，与病人的人群特征没有关系。
敏感性是疾病患者检查结果呈阳性的可能性（真阳性率）。
因此，一项检测如果在10名患病患者中有8名的检测结果呈阳性，那么其敏感性为0.8（也可表示为80%）。敏感性反映了检查项目是否能很好地发现疾病，低敏感性的检查不能很好的发现患者，敏感性高的检查如果结果为阴性能有效的排除诊断。敏感性与假阴性率互补（即，假阴性率加上敏感性=100%）。
特异性是指没有疾病的患者将得到阴性检查结果的可能性（真阴性率）。
因此，一项检查在10名未患病的患者中得到9个阴性结果，那么特异性为0.9（也可以写为90％）。特异性反映了检测能否准确识别患病患者，因为高特异性的检测假阳性率较低。特异性低的检测会将许多未患病的患者诊断为患病。特异性与假阳性率互补。
预测值描述在不知道是否患病的给定患者群体中检查的性能。对于一项给定的检查，预测值取决于被检测患者人群中疾病的患病率。
阳性预测值（PPV）是指在检测结果呈阳性的患者中，实际患病的患者比例。
因此，如果10个阳性检查结果中9个为正确的（真阳性），PPV为90％。因为所有阳性检查结果包含其真阳性及假阳性数，因此PPV可以用于描述某个特定人群阳性检查结果中真阳性的可能性。
阴性预测值（NPV）是指在检测结果呈阴性的患者中，实际未患病的患者比例。
敏感性、特异性及预测值
NPV=阴性预测值；PPV=阳性预测值。 |
因此，如果10个阴性检查结果中有8个是正确的（真阴性），则NPV为80％。因为不是所有阴性检查结果都为真阴性，一些检查结果阴性的患者事实上患有该疾病。NPV可以用于描述某个特定人群阴性检查结果中真阴性的可能性。
似然比（LRs）
与不适用于特定患者概率的灵敏度和特异度不同，似然比（LR）使临床医生能够在已知（尽管通常为估计值）疾病验前概率的前提下，对特定患者的检验结果进行解读。
LR描述了当已知检查结果时疾病验前概率发生的变化，并回答了以下问题：
既然测试结果是已知的，那么测试后的概率与测试前的概率相比发生了多大的变化？
许多临床检验是二分类的；它们要么高于临界点（阳性），要么低于临界点（阴性），并且只有两种可能的结果。其他一些检查给出的结果是连续的，或者出现在一个范围内，在这个范围内可以选择多个临界点。真正的验后概率取决于LR（与检查本身的特征有关），以及估计疾病的验前概率。当进行的检查是二分类的，并且结果为阳性或阴性时，敏感性和特异性可用于计算阳性LR（LR+）或阴性LR（LR-）。
LR+: 表示患病患者出现阳性检查结果（真阳性）的可能性与无病患者出现阳性检查结果（假阳性）的可能性之比。
LR-: 表示患病患者出现阴性检查结果（假阴性）的可能性与无病患者出现阴性检查结果（真阴性）的可能性之比。
当检查结果是连续性的数字或者有多个截点，ROC曲线可以用于计算LR，而不能使用敏感性及特异性，不再用LR+及LR-表示。
因为LR是互斥事件的比值而不是占总体的比例，所以它代表的是比数而不是概率。对于一个既定的检查，LR在阴性和阳性结果方面不同。
例如，给定一个阳性检查结果，LR为2.0表示该阳性检查结果代表患者患病的比数为2:1（真阳性：假阳性）。如果有3个阳性检查结果，2个检查结果为真阳性，1个检查结果为假阳性。因为真阳性和假阳性是计算敏感性和特异性的组成部分，所以LR+也可以计算为：敏感性/（1 − 特异性）。LR+越大，阳性检查结果提供的信息越多；一项LR+ > 10的检查呈现阳性结果被认为是支持诊断的有力证据。换言之，当阳性检查具有很高的LR+时，验前概率估计值会强烈趋向于100%。
对于阴性检查结果，LR-为0.25表示该阴性检查结果代表患者患病的比数为1:4（假阴性：真阴性）。如果有5个阴性检查结果，1个结果为假阴性，4个为真阴性。LR-也可以计算为（1 − 敏感性）/特异性。LR-越小，阴性检查结果提供的信息越多；LR < 0.1的检查阴性结果被认为是反对诊断的有力证据。换言之，当阴性检查具有较低的LR-时，验前概率估计值会强烈趋向于0%。
LR为1.0的检查结果不提供任何信息，也不能影响疾病的验后概率。
LRs可以方便地用于比较各项检查，也用于贝叶斯分析来解释检查结果。截点变化的时候敏感性及特异性发生改变，因此LRs也发生改变。作为一个假设的例子，对于可能发生的急性阑尾炎穿孔病例，设定一个较高的白细胞（WBC）计数临界值（例如，30,000/mcL）更具特异性，并且会有一个较高的阳性似然比（LR+），但同时也会有一个较高的（因此不是非常具有信息量的）阴性似然比（LR-）；选择一个较低且非常敏感的临界值（例如，12,000/mcL）会有一个较低的阴性似然比（LR-），但同时也会有一个较低的阳性似然比（LR+）。
二分类检查
理想的二分检查是没有假阳性及假阴性结果；所有检查结果阳性的病人均患有该疾病（100％PPV），所有检查结果阴性的患者均没有罹患该疾病（100％NPV）。
事实上，所有的检查都有假阳性及假阴性结果，只是有些检查多些有些少些。举例来说明敏感性和特异性对检查结果的影响，假如对1000个妇女进行尿白细胞酯酶试纸检查，300（30％）人患有UTI（用尿培养等金标准确诊）(参见表)。为了说明问题，假设该试纸检查的敏感性为71%，特异性为85%。
敏感性71%意味着在300名患有UTI的妇女中，仅有213人（71%）检测结果阳性。剩余的87人检测结果阴性。特异性85％说明700个未罹患UTI的妇女中595人检测结果阴性（85％）。剩余的105人检测结果阳性。因此在 213 + 115 = 318个阳性检测结果中，仅有213个是正确的（213/318 = 67％ PPV）；阳性检查结果使UTI的诊断可能性更大，但不能确诊。同时也会有87 + 595 = 682个阴性检查结果，其中595个是准确的（595/682 = 87％ NPV），阴性结果说明UTI的可能性大为降低但仍有可能；13％检测结果阴性的患者事实上患有UTI。
1000名假定UTI患病率为30%的妇女队列中假设的白细胞酯酶检测结果分布
结果 | 患病 | 未患病 | 全部病人 |
|---|---|---|---|
检查结果阳性 | 真阳性（TP） 213个病人（300人中的71％） | 假阳性（FP） 105个病人（700−595） | 318个病人检查结果阳性 |
检查结果阴性 | 假阴性（FN） 87个病人（300−213） | 真阴性（TN） 595个病人（700人中的85％） | 682个病人检查结果阴性 |
全部病人 | 假定300个病人患有UTI | 700名无UTI的患者（假设） | 1000个病人 |
阳性预测值 （PPV）=TP/（所有检查结果阳性的病人数）=TP/（TP+FP）=213/（213+105）=67％。 阴性预测值 （NPV）=TN/（所有检查结果阴性的病人数）=TN/（TN+FN）=595/（595+87）=87％。 阳性似然比（LR+）=敏感性/（1−特异性）=0.71/（1−0.85）=4.73。 阴性似然比（LR-）=（1−敏感性）/特异性=（1−0.71）/0.85=0.34。 UTI=尿路感染 | |||
但是，当潜在的疾病发病率（验前概率或先验概率）不同时，在该患者队列中得出的PPV和NPV不能用于解释相同检查的结果。注意疾病发生率变为5%时的影响（见表）。那么大多数阳性检查结果都是错误的，PPV仅为20％；检查结果阳性的患者事实上更可能没有罹患UTI。然而NPV变得很高（98％）；阴性结果可以基本排除UTI。
假设UTI患病率为5%的1000名女性队列中假设的白细胞酯酶检查结果的分布
结果 | 患病 | 未患病 | 全部病人 |
|---|---|---|---|
检查结果阳性 | 真阳性（TP） 36个病人（50人中的71％） | 假阳性（FP） 144个病人（950−806） | 180个病人检查结果阳性 |
检查结果阴性 | 假阴性（FN） 14个病人（50−36） | 真阴性（TN） 806个病人（950个病人中的85％） | 820个病人检查结果阴性 |
全部病人 | 50名患有UTI的患者（假设） | 950名无UTI的患者（假设） | 1000个病人 |
阳性预测值（PPV）=TP/（所有检查结果阳性的病人数）=TP/（TP+FP）=36/（36+144）=20％。 阴性预测值 （NPV）=TN/（所有检查结果阴性的病人数）=TN/（TN+FN）=806/（806+14）= 98％。 阳性似然比（LR+）=敏感性/（1−特异性）=0.71/（1−0.85）=4.73。 阴性似然比（LR-）=（1−敏感性）/特异性=（1−0.71）/0.85=0.34。 UTI=尿路感染 | |||
需要注意的是，在这两个不同队列中，虽然PPV和NPV差别很大，但是LRs不会改变，因为LRs仅由检查本身的敏感性及特异性决定。
显然，检查结果并不能提供确定的诊断，而只能估计疾病存在或不存在的概率，并且这一验后概率（给定特定检查结果时的患病可能性）根据疾病的验前概率以及检查的敏感性和特异性（及其LR）的不同而有很大差异。
验前概率
验前概率不是一个精确的测量；它是基于对以下几方面的临床判断：患者的症状和体征在多大程度上提示存在该疾病，患者病史中有哪些因素支持该诊断，以及该疾病在代表性人群中有多常见。许多临床评分系统旨在估计验前概率；为各种临床特征加分有助于分数的计算。这些例子说明了准确估计检测前患病率的重要性，因为所考虑人群中疾病的患病率会显著影响检测的效用。 如果可以使用的话，应采用经过验证的、已发布的患病率估算工具。例如，肺栓塞的验前概率有预测标准。分值越高说明概率越高。在实践中，客观信息有助于确定预检概率，但也可能受到临床医生的技能和经验的影响。
连续试验
许多检测结果是连续性的，可以在广泛的结果范围内提供有用的临床信息。医生常常选择一定的截点最大化检测的效用。例如，白细胞（WBC）计数>15,000/微升可视为阳性；值<15,000/微升则为阴性。当检测结果为连续型但选择了某个截点时，该检测就像二分法检验一样。也可以选择多个截点。敏感性、特异性、PPV、NPV、LR+、LR-可以通过单个或多个截点来计算。表说明了改变白细胞计数截断值对可疑阑尾炎患者的影响。
改变疑似阑尾炎病人白细胞计数的截点的效果
白细胞计数截点* | 敏感性 | 特异性 | LR+ | LR- |
|---|---|---|---|---|
> 10,500 | 84% | 53.13% | 1.79 | 0.3 |
> 11,500 | 78% | 62.5% | 2.13 | 0.32 |
> 12,850 | 68% | 75% | 2.72 | 0.43 |
> 13,400 | 61.33% | 78.12％ | 2.86 | 0.45 |
> 14,300 | 56.67% | 81.25％ | 3.2 | 0.49 |
*像白细胞计数等连续型变量的检查结果可以选择不同截点；高于截点的检测结果为阳性，低于截点的检测结果为阴性。列出的数值是每微升血液的数值。 | ||||
LR = 似然比； WBC = 白细胞。 | ||||
Adapted from Keskek M, Tez M, Yoldas O, et al: Receiver operating characteristic analysis of leukocyte counts in operations for suspected appendicitis.American Journal of Emergency Medicine 26:769–772, 2008. | ||||
另外，对连续性数字结果分级也是很有用的。在这种情况下，结果不会被分类为阳性或阴性，因为存在多种可能的结果，因此虽然可以在每个结果级别确定一个LR，但不再有单独的LR+或LR-。例如，表 显示的是发热儿童白细胞计数与菌血症的关系。因为LR是患病患者中出现给定结果的概率除以未患病患者中出现该结果的概率，所以对于每个白细胞计数分组，其LR是菌血症患者属于该组的概率除以无菌血症患者属于该组的概率。
运用白细胞计数结果分组确定发热儿童菌血症的似然比*
白细胞计数 | 患有菌血症的儿童数，n = 127 (%) | 没有菌血症的儿童数，N = 8629 (%) | LR（% 菌血症/% 无菌血症） |
|---|---|---|---|
0–5000 | 0（0.0％） | 543（6.3％） | 0.00 |
5,001～10,000 | 3（2.4％） | 3291 (38.1%) | 0.06 |
10,001～15,000 | 15（11.8％） | 2767 (32.1%) | 0.37 |
15,001～20,000 | 48（37.8％） | 1337 (15.5%) | 2.4 |
20,001～25,000 | 34（26.8％） | 469（5.4％） | 4.9 |
25,001～30,000 | 12（9.4％） | 155（1.8％） | 5.3 |
> 30,001 | 15（11.8％） | 67（0.8％） | 15.2 |
* 8756名发热儿童的菌血症发病率按白细胞计数分组（列出的数值为每微升血液中的数值）。每组的LR=菌血症概率/没有菌血症概率。 | |||
LR=似然比；WBC=白细胞。 | |||
Adapted from Lee GM, Harper MB.Risk of bacteremia for febrile young children in the post-Haemophilus influenzae type b era.Archives of Pediatric and Adolescent Medicine.152:624–628, 1998. | |||
将连续变量分组比仅仅设定单一截点能够更好地利用检查结果。使用贝叶斯分析，表中的LR可用于计算验后概率。
对于连续性检查结果，如果已知ROC曲线，就不必进行如中所示的计算；利用所需点处ROC曲线的斜率，可以求得结果范围内各个点的LR。
Bayes定理
使用疾病的验前概率和检查特征来计算验后概率的过程被称为贝叶斯定理或贝叶斯修正。在日常临床运用中，Bayesian方法分为以下几种形式：
比数－似然比公式（Odds-likelihood formulation，算式或列线图）
表格方法（Tabular approach）
比数-似然比算式
如果疾病的验前概率用比数表示，并且由于检查的LR代表比数，那么两者的乘积就代表了疾病的验后比数（类似于将两个概率相乘来计算两个事件同时发生的概率）：
验前比数×LR=验后比数
由于临床医生通常习惯用概率而不是比数来思考，因此可以使用以下公式将概率转换为比数（反之亦然）：
比数=概率/1−概率
概率=比数/比数+1
以表中给出的尿路感染（UTI）为例，其中UTI的验前概率为0.3，所使用的检查的LR+为4.73，LR-为0.34。验前概率为0.3，因此比数为0.3/（1−0.3）=0.43。因此，检查结果为阳性的患者存在UTI的验后比数等于验前比数与LR+的乘积，即4.73 × 0.43 = 2.03，这表示验后概率为2.03/(1 + 2.03) = 0.67。根据Bayesian算式，阳性检查结果将验前概率从30％增加到67％。在表中PPV的计算也得到相同的结果。
阴性检查结果计算方法与此类似；验后比数=0.34×0.43=0.15，概率为0.15/（1+0.15）=0.13。因此，阴性检查结果将验前概率从30%降低至13%，这同样与表中NPV计算所得的结果一致。
许多在移动电子设备上运行的医学计算程序可用于通过验前概率及LRs计算验后概率。
比数-似然比列线图
运用列线图特别方便，因为它避免了在比数和概率间做转换或制作2×2表格的需要。
使用时，需要画一条从验前概率开始并穿过LR的连线。验后概率就是连线和验后概率线相交的点。图中的样本线是使用表 中UTI试验的数据绘制的。连线A代表阳性检查结果；它从0.3的验前概率开始穿过4.73的LR+，得到略微< 0.7的验后值，与计算得出的概率0.67相似。连线B代表阴性检查结果；它从0.3的验前概率开始穿过0.34的LR-值，得到略微> 0.1的验后值，与计算得出的概率13%相似。
尽管列线图似乎不如计算精确，但验前概率的典型值通常是估计值，因此计算的表面精确度通常具有误导性。
Fagan列线图
图中的示例线是使用表假设尿路感染患病率为30%的1000名女性队列中假设白细胞酯酶试验结果的分布中尿路感染试验的数据绘制的。连线A代表阳性检查结果，从0.3的验前概率开始穿过4.73的LR+，到达略微< 0.7的验后值，与计算得出的概率0.67相似。连线B代表阴性检查结果，从0.3的验前概率开始穿过0.34的LR-，到达略微> 0.1的验后值，与计算得出的概率13%相似。 LR+ =阳性结果似然比；LR- =阴性结果似然比。 Adapted from Fagan TJ.Letter: Nomogram for Bayes theorem.New England Journal of Medicine 293:257, 1975. |
表格方法
常常检查的LRs是未知的，但是已知敏感性及特异性，验前概率可以估计。在这种情况下，可以使用表中所示的2×2表格，并使用表中的示例来完成贝叶斯方法。我们注意到阳性检查结果增加UTI的概率至67％，阴性检查结果降低概率至13％，与运用LRs计算结果一致。
假设UTI患病率为30%（验前概率）、试验敏感性为71%和特异性为85%的1000名女性队列中假设的白细胞酯酶（LE）试验结果的解释*
结果 | 患有UTI | 未患有UTI |
|---|---|---|
300人患有UTI | 700人未患有UTI | |
LE检测阳性 | 213人（TP） | 105人（FP） |
LE检测阴性 | 87人（FN） | 595人（TN） |
*当验前概率已知，贝叶斯定理可以简化验后概率的计算：
| ||
FN = 假阴性；FP = 假阳性；TN = 真阴性；TP = 真阳性；UTI = 尿路感染。 | ||
序贯试验
在诊断评估过程中，临床医生常常进行序贯检查。如果知道序贯试验前的验前比数及每个检查的LR，那么验后比数可以按如下公式计算：
验前比数×LR1×LR2×LR3=验后比数
这个方法的局限性在于一个重要假设，即每个检查之间是条件独立的。
筛查试验
病人常常考虑是否需要筛查某个隐匿的疾病。筛查项目成功的前提是，早期发现可以改善隐匿性疾病患者具有临床意义的结局，并且筛查中可能出现的假阳性结果不会产生超过这种获益的负担（例如，确诊检查的费用及副作用、检查引发的焦虑、不必要的治疗）。为了最小化这种可能的负担，临床医生应当选择一种适当的筛查方法。当治疗或预防措施无效时，筛查可能不合适，除非诊断可能会影响患者或其家人未来的生活决定。如果疾病非常罕见，除非能够确定患病率较高的亚群，否则筛查可能不具成本效益；也有例外，例如几种可以在新生儿中诊断和治疗的遗传性疾病。
从理论上讲，同时用于筛查和诊断的最佳测试是具有最高敏感度和特异性的测试。 但是，敏感性和特异性都很高的检查方法常常是很复杂、价格昂贵，并且是侵袭性的（如冠状动脉造影），因此用于筛查大量无症状人群是不合适的。通常，在选择筛查试验时，必须在敏感性、特异性或两者之间做出权衡。
临床医生选择优化敏感性还是特异性的检查，取决于假阳性或假阴性检查结果的后果以及疾病的验前概率。一个理想的筛查检查是，在几乎每个患病病人中都是阳性，这样阴性结果就可以确信地排除健康人群中的疾病。 例如，对于一个非常严重的疾病，目前已有有效的治疗措施（如冠状动脉疾病），临床医生更倾向于多一些假阳性而不是假阴性（低特异性、高敏感性）。虽然高敏感性对于筛查试验很重要，但是特异性在一些情况下也很重要。人群中发病率很高的疾病，其筛查试验的PPV增加；发病率降低，阳性结果的验后或事后概率降低。因此，在高危人群中进行疾病筛查时，相较于特异性更高的检查，更倾向选择敏感性更高的检查，因为这类检查更有助于排除疾病（假阴性更少）。相反，在低危人群中或对于治疗获益较低或风险较高的不常见疾病，优选具有较高特异性的检查。
多重筛查
随着可以采用的筛查性检查方法越来越多，临床医生需要考虑这些检查的意义。举例来说，病人住院或者第一次到新的医生就诊时常常需要进行8、12有时候甚至20项血液检查。虽然这类检查可能有助于筛查患者的某些疾病，但使用大规模的组合检查具有潜在的负面后果。根据定义，特异性为95%的检查会在5%的健康正常患者中产生假阳性结果。如果有2个不同的筛查方法，用于筛查不同的隐藏性疾病，两个检查均呈阴性的可能性为95％×95％，或大约90％；未患这两种疾病的病人有10％的机会至少出现一次假阳性的结果。如果同时做3个这样的检查，3个检查均阴性的可能性为95% × 95% × 95%，即86%，相应地，有14%的机会至少出现1次假阳性结果。如果做了12个针对12种不同疾病的检查，至少出现1次假阳性的可能达到了46％。因此，需要十分小心开展一系列的筛查检查，且需仔细解释结果。
在评估具有长期非局部性和非特异性症状（例如疲劳和全身疼痛），且缺乏提示更具体风湿病诊断的体格检查结果或病史特征的患者时，如果开具多项敏感但非特异性的检查（例如包括抗核抗体、抗核糖核蛋白[抗RNP]、类风湿因子在内的“自身免疫血清学”），则适用相同的原则。
检测阈值
只有对诊断、治疗有价值的实验室检查才需要做；否则病人花费的金钱和承担的风险就毫无价值。临床医生有时可以通过将检测前和检测后的概率估计值与特定阈值进行比较，来决定何时进行检测。当高于某一概率阈值时，治疗的益处将大于风险（包括错误地对无病患者进行治疗的风险），此时就有指征进行治疗。这一点称为治疗阈值，其确定方法如 临床决策策略：概率估计和治疗阈值所述。 当验前概率超过治疗阈值的时候就不需要检查。但是如果检测前概率低于治疗阈值，只要阳性检测结果能使检测后概率提高到治疗阈值以上，就有指征进行检测。 出现这一情况的最低验前概率取决于测试特征（如，LR+），称为检测阈值。
理论上来说，如果一个针对严重疾病的最佳检查，LR+很低，治疗阈值很高，那么对于验前概率低但令人担忧（如10％或20％）的患者，即使是阳性的检查结果也不会使验后概率超过治疗阈值。
对于数值说明，考虑先前描述的可能急性心肌梗死（MI）的情况，其中风险和效益之间的平衡确定了25%的治疗阈值。当MI概率超过25％，溶栓治疗就需要实施。那么在溶栓治疗前，何时应该给病人行心超检查？假设心超诊断心肌梗死的敏感性为60％，特异性为70％；因此LR+为60/（100−70）=2，LR-为（100−60）/70=0.57。
可以运用数学公式（验前比数×LR=验后比数）或者使用更直观的。在列线图中我们可以看到，连线连接验后概率线上治疗阈值（25％）到LR+（2.0），与验前概率线相交在大约0.14。很明显，当病人验前概率<14％时即使检测结果阳性，验后概率仍然不会超过治疗阈值。在这个病例中，超声心动图检查没有必要，因为即使检查结果为阳性也不能决定治疗，因此14%的验前概率是这个特定检查的检测阈值（见图 ）。其他检测方法LR+值不同，那么检测阈值也不同。
Fagan列线图用于判断是否需要检测
举例中，假设一位病人急性心肌梗死的治疗阈值（TT）为25％。当心肌梗死概率超过25％，应该进行溶栓治疗。临床医生可以使用Fagan列线图来决定在进行溶栓治疗前何时应该进行快速超声心动图检查。假设超声心动图对新发MI的假设灵敏度为60%，特异性为70%，这些百分比对应的阳性检测结果似然比 (LR+) 为60/(100 − 70) = 2。连线连接验后概率线上治疗阈值（25％）到LR+（2.0）与验前概率线相交在大约0.14。当患者的验前概率<14％时，阳性的检测结果仍会导致验后概率低于治疗阈值（TT）。 Adapted from Fagan TJ.Letter: Nomogram for Bayes theorem.New England Journal of Medicine 293:257, 1975. |
描述检测阈值及治疗阈值
水平线代表验后概率。 |
由于14％对于心肌梗死来说还是很大的风险，因此疾病概率低于检测阈值（如验前概率10%）并不一定意味着能够排除疾病，仅仅说明特定检查的阳性结果不会改变治疗方案，因此该检查是没有指征的。在这种情况下，临床医生应当进一步观察病人，寻找证据提高验前概率，使其超过检测阈值。在临床操作中，因为针对某种疾病通常有多种检查可用，因此可以使用序贯测试。
在上面这个例子中，检查本身不会给病人带来风险。 那么如果检查本身有很大的风险（如心导管），检测阈值应当更高；可以定量计算但是非常复杂。因此，降低检查方法的敏感性及特异性，或者增加其风险，会缩小疾病概率范围（在此范围内进行检查是最佳策略）。提高检查方法的分辨力，或降低风险，会扩大疾病概率范围（在此范围内进行检查是最佳策略）。
对于验前概率低于检测阈值（但依然令人担忧）时禁止进行检测的规定，一个可能的例外情况是，如果阴性检测结果能够将验后概率降低至可以排除疾病的程度。这种决定需要主观判断需要多大程度的把握才能说疾病被排除，并且由于涉及低概率，需要特别注意检查的任何风险。
