本页目录

诊断 I · 诊断即推断：先验、似然比、后验

临床诊断在形式上就是贝叶斯更新：从一个先验概率出发，每一条信息（症状、体征、检验、影像）把它乘以一个似然比，得到后验。这一页把这件事完整推导出来，并说明为什么"检验结果阳性"远不等于"有病"。

1. 从贝叶斯定理到诊断

设 \(D\) 为患病、\(T^+\) 为检验阳性：

\[P(D \mid T^+) = \frac{P(T^+ \mid D)\,P(D)}{P(T^+ \mid D)P(D) + P(T^+ \mid \bar D)P(\bar D)}\]

翻译成临床术语：\(P(D)\) 是验前概率（患病率或临床印象），\(P(T^+\mid D)\) 是敏感度 Sn，\(P(T^+\mid \bar D)\) 是 1 − 特异度 Sp。

这个式子的形式不方便床边用。改写成几率（odds）形式后它变得极其好用：

\[\underbrace{\frac{P(D\mid T^+)}{P(\bar D\mid T^+)}}_{\text{验后几率}} = \underbrace{\frac{P(D)}{P(\bar D)}}_{\text{验前几率}} \times \underbrace{\frac{P(T^+\mid D)}{P(T^+\mid \bar D)}}_{\text{似然比 LR}^+}\]

验后几率 = 验前几率 × 似然比。 一句话，一次乘法。

\[LR^+ = \frac{Sn}{1-Sp},\qquad LR^- = \frac{1-Sn}{Sp}\]

几率与概率互换：\(\text{odds} = \dfrac{p}{1-p}\)，\(p = \dfrac{\text{odds}}{1+\text{odds}}\)。

2. 似然比的量级感

这张表值得记住，因为它把"这个检查有多大用"变成一个可比较的数：

\(LR^+\)	对后验的影响	\(LR^-\)	影响
> 10	大幅提高（约 +45 个百分点）	< 0.1	大幅降低
5–10	中等提高（+30）	0.1–0.2	中等降低
2–5	小幅提高（+15）	0.2–0.5	小幅降低
1–2	几乎无用	0.5–1	几乎无用
= 1	完全无信息

"LR = 1 的检查等于没做"——但它仍然收费、仍然有假阳性带来的后续检查与焦虑。这是本站反复出现的一条：无信息的检查不是中性的，它是有害的（第 03 页）。

几个真实的例子（数量级示意）：

发现	目标疾病	\(LR^+\)
第三心音奔马律	左心室功能不全	~11
颈静脉怒张	心衰	~5
D-二聚体阴性（高敏法）	肺栓塞	\(LR^- \approx\) 0.05–0.1
胸痛"向双臂放射"	急性心梗	~2.6
胸痛"位置可用一指点出"	急性心梗	~0.3
无外周水肿	心衰	~0.6（弱，不能排除）

注意最后一条的用法：许多"经典体征"的 \(LR\) 接近 1，其缺失几乎不能排除疾病。这就是"体征阴性 ≠ 没病"的定量版本。

3. 一个完整的算例

Posterior vs prior probability for different likelihood ratios — 图 1.1验后概率随验前概率的变化，每条曲线对应一个似然比。**关键观察**：同一个检验结果，在低验前概率下几乎不能确立诊断（\(LR^+=10\) 时，1% 的验前只升到 9%），而在中等验前概率下影响巨大。**这就是为什么"同一个检查在筛查场景与在有症状患者中，含义完全不同"**——这条是全站被引用最多的一张图。

例题：一位 55 岁男性因典型劳力性胸痛就诊。基于年龄、性别与症状特征，冠心病的验前概率约 60%。运动负荷心电图阳性（\(Sn \approx 0.68\)，\(Sp \approx 0.77\)，故 \(LR^+ = 0.68/0.23 \approx 3.0\)）。

验前几率 \(= 0.6/0.4 = 1.5\)
验后几率 \(= 1.5 \times 3.0 = 4.5\)
验后概率 \(= 4.5/5.5 \approx \mathbf{82\%}\)

换一个人：一位 35 岁女性，非典型胸痛，验前概率约 5%。同样阳性结果：

验前几率 \(= 0.05/0.95 = 0.053\)
验后几率 \(= 0.158\)，验后概率 ≈ 14%

同一份阳性报告，一个人 82%、另一个人 14%。 检验没有变，变的是验前概率。

这个例子的实践含义极重要：在低验前概率人群中做检查，阳性结果多半是假阳性——这是"没事查一查"造成伤害的数学原因，第 03 页会把它展开成筛查悖论。

4. 多条证据的串联

若各条证据在给定疾病状态下条件独立，似然比可以连乘：

\[\text{验后几率} = \text{验前几率} \times LR_1 \times LR_2 \times \cdots\]

但"条件独立"这个前提在临床上经常不成立——发热与白细胞升高、呼吸困难与低氧、D-二聚体与临床评分之间都相关。连乘会高估证据强度。

这就是临床决策规则（clinical decision rules）存在的理由：Wells 评分、PERC、HEART、CURB-65 等是在真实数据上拟合出来的多变量模型，已经吸收了变量间的相关结构，因此它们优于把单个 LR 硬乘。🔗 数学站的逻辑回归与研究生数学站的统计学习线是它们的引擎室。

5. 检验阈值与治疗阈值

这是把概率变成行动的一步，也是本页最实用的框架（Pauker & Kassirer）。

设两个阈值：检验阈值 \(P_t\)（低于它则不查、不治）与治疗阈值 \(P_{rx}\)（高于它则直接治、不必再查）。

\[P_{rx} = \frac{1}{1 + \dfrac{\text{治疗获益}}{\text{治疗危害}}}\]

直觉：治疗越安全有效、漏诊后果越严重，治疗阈值越低。

情境	治疗阈值	理由
疑似细菌性脑膜炎	极低（几个百分点即用药）	漏诊致命、抗生素相对安全
疑似肺栓塞	低	漏诊致命；但抗凝有出血风险
长期他汀预防	较高	获益小而缓慢、需终身服药
化疗	高	危害巨大

"三区间"决策：\(P < P_t\) → 不查不治；\(P_t < P < P_{rx}\) → 查（只有此时检查才可能改变行动）；\(P > P_{rx}\) → 直接治。

由此得到本站最实用的一条规则：

在做任何检查之前，先问：无论结果是阳性还是阴性，我下一步的行动会不同吗？ 若不会，这个检查就不该做。

🔗 这与你预测层"三道闸门"里"剔除已发生/不可证伪命题"的思路完全同构：不改变行动的信息不值得采集。

6. 验前概率从哪里来

这是初学者最常卡住的地方。四个来源，按可靠性排序：

流行病学数据（该年龄性别人群的患病率）——最客观，但未考虑就诊这一事实本身携带的信息；
就诊场景的患病率（同样是胸痛，在社区诊所与在急诊室的冠心病概率相差数倍）——"场景即先验"是临床最重要的一条经验；
已验证的预测模型（Diamond–Forrester 及其修订、Wells、Centor）；
临床印象——有价值但系统性偏高（第 04 页：可得性启发式）。

一个常被忽略的偏倚：教科书上的"典型表现"来自住院或转诊患者，在初级医疗中疾病谱完全不同（谱偏倚 spectrum bias，第 07 页）。在门诊用三甲医院的先验，是过度检查的一个结构性来源。

7. 本页的四条收获

验后 = 验前 × 似然比。任何关于"这个检查准不准"的讨论，如果不谈验前概率，就是不完整的；
敏感度与特异度是检验的属性，预测值是情境的属性（第 02 页展开）；
LR 在 0.5–2 之间的检查几乎没有信息量，但仍有成本与危害；
只在"检查结果会改变行动"的概率区间里做检查。

参考与更新

复审记录：最后复审 2026-08-02；按六个月规则，下一次常规复审不晚于 2027-02-02。若安全信号、指南/监管更新或动态清单变化，则提前复审；具体适用地区以各条来源与当地最新版本为准。

NICE NG158: Venous thromboembolic diseases（临床指南中的概率分层与 D-二聚体路径；2020，后续更新；英国。）
STARD 2015（诊断准确性研究报告规范；2015；国际。）
Cochrane Handbook（证据综合与效应解释；当前版本页面；国际。）

下一页：把敏感度、特异度、ROC 曲线与截断值的选择讲透——为什么"提高准确率"不是一个良定义的目标。