了解医学检查和检查结果

大部分的检查结果可以提供一个连续性的数字化的值（例如血糖、白细胞计数）。这种检查结果可以为临床提供有用的信息，但是临床医生常常仅根据已有的标准或截点来判断是阳性结果或阴性结果来诊断疾病（如疾病是否存在）。这些截点常常是基于统计或者理论分析来权衡假阳性（造成不必要的、昂贵的甚至有危险性的检查或治疗）及假阴性（造成可治疗疾病漏诊）结果的发生率。确定截点也可以依赖诊断疾病的金标准。

一般来说，这些定量检查结果（例如疑似细菌性肺炎患者的白细胞计数）遵循某种类型的分布曲线（不一定是一个正常的曲线，虽然通常被描绘成这样）。特定疾病患者的检查结果分布情况与未罹患该疾病的病人不同。一些病人的检查结果可能很高或很低，但大部分检查结果集中在平均值。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。对于大部分检查来说，罹患疾病患者检查结果分布曲线和未罹患该疾病的人有重叠，这样的结果如果在同一张图表中呈现会更容易阐明（见图 检验结果分布 检查结果的分布 ）。一些病人高于或低于选择的截点并不能决定诊断。调整截点，可以定义更多的病人患有该疾病（增加检查的敏感性）同时也增加了疾病的假阳性率（特异性差），然而向另外一个方向调整截点，可以避免误诊但增加了假阴性。每个截点都与真阳性及假阳性结果的特定概率有关。

一些临床变量只有两种情况（如存活/死亡，怀孕/未孕），这种变量为分类变量或二分类变量。 其他分类结果可能有很多离散值（如血型、Glasgow昏迷指数），定义为名词变量或等级变量。名词变量如血型，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，结果为一个数值（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（如快速血糖检查>126mg/dL （7.0 mmol/L）诊断为糖尿病）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。

如果检查结果可以确定阳性、阴性，那么所有可能的预后都可以使用简单的2×2表格（见表 假设检验结果的分布 检查结果分布 ），2×2表格能很好地展示检查的特征，包括敏感性、特异性，阳性、阴性预测值，似然比都可以计算出来（见表 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 1000个妇女行尿白细胞酯酶试纸检查，假设UTI发病率为30％，检查结果的分布 ）。

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 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 1000个妇女行尿白细胞酯酶试纸检查，假设UTI发病率为30％，检查结果的分布 )。结果显示该试纸检查的敏感性为71％，特异性为85％。

敏感性71％意味着300个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个是准确的（213/318=67％PPV）；阳性检查结果说明UTI的可能性更大，但不能确诊。 在87 + 595 =682个阴性检查结果中595个是准确的（595/682=87％NPV），阴性结果说明UTI的可能性不大但是仍然有可能；13％检测结果阴性的患者事实上患有UTI。

但是，当疾病发生率（验前概率）不同时PPV和NPV不能用于解释相同检查的结果。注意疾病发生率改变到5%的影响(见表 假设UTI患病率为5%的1000名女性队列中白细胞酯酶测试结果的分布 1000个妇女行尿白细胞酯酶试纸检查，假设UTI发病率为5％，检查结果的分布 )。那么所有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。

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。

检查结果并不能确定诊断，但是能估计疾病存在与不存在的概率。验后概率随疾病的验前概率及检查的敏感性和特异性（也就是检查的LR）发生改变。

许多检测结果都是连续性的，可以提供更多有用的临床信息。医生常常选择一定的截点最大化检测的效用。例如，白细胞计数>15,000被认为阳性；<15,000为阴性。当连续性数字结果确定了截点以后，这个检查结果就类似二分检查。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 可疑阑尾炎患者改变白细胞计数截断值 改变疑似阑尾炎病人白细胞计数的截点的效果 说明了改变白细胞计数截断值对疑诊阑尾炎患者的影响。

另外，对连续性数字结果分级也是很有用的。在这个病例中，结果没有被标注为阳性或阴性，因为有多种可能的结果，所以虽然LR可以在不同级别的结果确定，但是LR+或LR-就不再有显著区别。例如，表 使用WBC分类来确定发热儿童菌血症的似然比 运用白细胞计数结果分组确定发热儿童菌血症的似然比* 显示的是发热儿童白细胞计数与菌血症的关系。因为LR是患有疾病的病人某个检测结果的概率除以这个检测结果但是未患有疾病的概率。对于每个白细胞计数结果组来说，LR为某个结果组菌血症概率除以没有菌血症的概率。

给连续性数字结果分组比仅仅设立单一的截点更有用。使用贝叶斯分析，表中的LR 使用WBC计数组确定高热儿童细菌血症的似然比 运用白细胞计数结果分组确定发热儿童菌血症的似然比* 可用于计算测试后的概率。

对于连续性检查结果，如果已知ROC曲线， 表 运用白细胞计数结果分组确定发热儿童菌血症的似然比* 中的算式就没有必要做了；LRs可以用ROC曲线某个点的斜率来表示。

运用Bayes定理或Bayesian修订版，通过疾病的验前概率及检查的特征可以计算验后概率。在日常临床运用中，Bayesian方法分为以下几种形式：

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首先假设每个检查是完全独立的。

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疾病可以改善有临床意义的结局，并且筛查假阳性结果不会给病人带来的负担（如确诊检查的费用及其副作用、检查引发的焦虑、不必要的治疗）不能超过其好处。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。如果对于该疾病治疗或预防措施没什么效果，或者该疾病非常罕见（除非在个别人群中的发病率很高），那么就没有必要进行筛查。

理论上来说，对于筛查性试验和诊断性试验，检查方法的敏感性及特异性都越高越好。 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。因此在选择筛查试验方法是需要权衡敏感性及特异性。

临床医生选择的检查是否敏感性及特异性最佳，依靠检查结果假阳性及假阴性的结局，还有疾病的验前概率。一个理想的筛查结果是，几乎所有阳性结果都是患病病人，阴性结果都排除疾病的健康人群。 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，在筛查高发病率人群的时候，高敏感性的检查比高特异性的检查更好，因为能更好地消除疾病（减少假阴性）。相反，对于治疗效果不佳、治疗风险高，发病率低或罕见疾病筛查，高特异性检查更合适。

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。临床医生通过验前概率和验后概率估计一定的阈值来决定什么时候该做检查。超过一定的概率阈值，并且治疗的利大于弊（包括误诊病人的风险），那么可以进行治疗。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 概率估计及治疗阈值 一种最常用的临床决策策略是运用科学的方法提出假设并通过检依据检验来判断假设诊断是否成立。 提出假设是根据病人的临床表现提出主要诊断的可能性（鉴别诊断）。 病人的主诉（例如胸痛）以及基本信息（年龄、性别、人种）是鉴别诊断的起点，通常运用模式识别疾病的方法。每个罗列的因素理论上都存在可能性 ，都可能是最终的正确诊断（验前概率—例如，参见表 假设的鉴别诊断和测试前和测试后的概率）。... Common.TooltipReadMore 所述。 当验前概率超过治疗阈值的时候就不需要检查。如果验前概率低于治疗阈值那么检查是需要的，如果检测结果为阳性，那么验后概率就会超过治疗阈值。 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，那么对于很低的验前概率（如10％或20％），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） 概率估计及治疗阈值 一种最常用的临床决策策略是运用科学的方法提出假设并通过检依据检验来判断假设诊断是否成立。 提出假设是根据病人的临床表现提出主要诊断的可能性（鉴别诊断）。 病人的主诉（例如胸痛）以及基本信息（年龄、性别、人种）是鉴别诊断的起点，通常运用模式识别疾病的方法。每个罗列的因素理论上都存在可能性 ，都可能是最终的正确诊断（验前概率—例如，参见表 假设的鉴别诊断和测试前和测试后的概率）。... Common.TooltipReadMore 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 Fagan列线图 Fagan列线图用于判断是否需要检测 。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，心超检查没有必要，因为即使检查结果为阳性也不能决定治疗，因此验前概率14％是这个特定检查的检测阈值（见图 测试和治疗阈值的描述 描述检测阈值及治疗阈值 )。其他检测方法LR+值不同，那么检测阈值也不同。

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%）也不意味着能够排除诊断，仅仅说明这个检查不能改变治疗方案，因此该检查不需要做。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，因为医生常常做多种检查，因此可以使用 序贯试 序贯试验 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）。如果根据临床表现适当地安排了测试，则任何结果都应有助于排除或排除可能的诊断。 如果检测无法区分疑似疾病患者和非疑似疾病患者，或者检测结果未正确整合到临床环境中，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）。... Common.TooltipReadMore 。

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，或者增加检查风险缩小疾病的概率范围是最好的策略。提高检查方法的分辨力，或降低风险，是扩大疾病概率范围的最好策略。

另外一种情况是，如果验前概率低于检测阈值（但是依然令人担忧），如果检测结果阴性，可以降低验后概率，帮助排除诊断。这时是否需要进行检查取决于主观判断是否一定要排除这个概率很低的疾病，尤其是当检查存在一定风险时。