本页目录

诊断 II · 检验特性：敏感度、ROC 与截断值

上一页把诊断写成概率更新。这一页处理更新所用的那个乘数从哪里来、可不可信、能不能调。核心信息只有一条：敏感度与特异度不是"检验的固有精度"，而是"检验 + 截断值 + 人群"三者共同决定的。

1. 2×2 表与四个比率

	病 +	病 −
检验 +	TP	FP
检验 −	FN	TN

\[Sn = \frac{TP}{TP+FN}\quad Sp = \frac{TN}{TN+FP}\quad PPV = \frac{TP}{TP+FP}\quad NPV = \frac{TN}{TN+FN}\]

必须分清的一件事：

\(Sn\)、\(Sp\) 沿"列"计算——给定疾病状态问检验怎么表现。它们相对独立于患病率；
\(PPV\)、\(NPV\) 沿"行"计算——给定检验结果问疾病概率。它们强烈依赖患病率。

记忆法（老口诀，但确实有用）： SnNout——Sn 高的检验，结果 Negative 时可 rule out； SpPin——Sp 高的检验，结果 Positive 时可 rule in。

理由一行就能看出：\(Sn \to 1 \Rightarrow LR^- = (1-Sn)/Sp \to 0\)（强力排除）；\(Sp \to 1 \Rightarrow LR^+ = Sn/(1-Sp) \to \infty\)（强力确立）。

2. 截断值：一个不可回避的权衡

Overlapping distributions, cutoff, and the resulting ROC curve — 图 2.1左：患病与未患病两个分布在检验值上**重叠**——**只要重叠存在，就不可能同时消灭假阳性与假阴性**。移动截断值只是在两类错误之间搬运。右：由所有可能截断值扫出的 **ROC 曲线**；曲线下面积 AUC 表示"随机取一个病人与一个非病人，病人检验值更高的概率"。三条曲线对应不同程度的分布分离。

这张图是本页的全部：两个分布重叠的程度决定了检验的判别能力（AUC），而截断值只决定你在这条曲线上站在哪一点。

降低截断值 → \(Sn\) ↑、\(Sp\) ↓（宁可错抓）；提高截断值 → \(Sp\) ↑、\(Sn\) ↓（宁可放过）。

该站在哪一点，由代价决定，不由统计决定：

情境	取向	例
漏诊代价 ≫ 误诊代价	高 Sn（低截断）	急诊排除主动脉夹层、脑膜炎；献血筛查
误诊代价 ≫ 漏诊代价	高 Sp（高截断）	确诊性检查、启动毒性治疗前
两步策略	先高 Sn 筛、再高 Sp 确认	HIV（初筛 → 确证）、多数癌症筛查

"两步策略"是现实中最常用的解法，且它正确地承认了：没有单个检验能同时做好两件事。

3. AUC 的意义与它的陷阱

\[AUC = P(X_{\text{病}} > X_{\text{非病}})\]

（等价于 Mann–Whitney U 统计量的标准化形式，🔗 数学站数理统计线。）

AUC 的三个常见误用：

AUC 高不等于临床有用。AUC 0.85 的模型在低患病率人群中 PPV 仍可能很低；且 AUC 完全不含代价信息——它对两类错误一视同仁，而临床上从不如此；
比较 AUC 的增量常常被夸大。加一个新标志物使 AUC 从 0.80 升到 0.82，在重分类指标（NRI、决策曲线分析）上往往几乎没有价值；
AUC 依赖研究人群的疾病谱。在"重症患者 vs 健康志愿者"上评估会给出漂亮的 AUC，在真实的鉴别诊断人群中大幅下降（谱偏倚，第 07 页）。

更贴近决策的替代：决策曲线分析（decision curve analysis）——直接问"在各种阈值偏好下，用这个模型比'全治'或'全不治'净获益多少"。它把代价显式地放进评价，是近十五年诊断研究方法学的重要改进。

4. 患病率如何摧毁 PPV

这是本站最重要的定量事实之一。设 \(Sn = 0.99\)、\(Sp = 0.99\)（已是极优秀的检验）：

患病率	PPV
50%	99%
5%	84%
1%	50%
0.1%	9%
0.01%	1%

在患病率 0.1% 的人群中，一个 99%/99% 的检验阳性时，仍有 91% 的概率是假阳性。

\[PPV = \frac{Sn \cdot p}{Sn \cdot p + (1-Sp)(1-p)}\]

这不是检验不好，而是算术。 分母中的假阳性项 \((1-Sp)(1-p)\) 在 \(p\) 很小时占据主导——罕见事件的筛查天然被假阳性淹没。第 03 页把这条展开成完整的筛查论证。

🔗 这与你在预测层遇到的问题完全同构：在一个基础发生率很低的事件上，即使模型"准确率很高"，被标记为"将发生"的那些命题里绝大多数仍会落空。医学把这条教训写进了指南体系，值得直接借用。

5. 金标准问题：所有这些数字是怎么得出来的

要算 Sn 与 Sp，必须先知道谁真的有病——这需要一个参考标准。现实中的参考标准往往不完美，由此产生一组系统性偏倚：

偏倚	机制	后果
验证偏倚（work-up bias）	只有检验阳性者才去做金标准确认	高估 Sn、低估 Sp
不完美金标准偏倚	参考标准本身有错	若两者错误相关，高估一致性
谱偏倚	研究人群病情比实际使用人群更重/更轻	高估判别能力
纳入偏倚	被评价的检验本身参与了金标准的定义	循环论证，严重高估
观察者偏倚	判读者知道其他信息	需盲法判读

读一篇诊断准确性研究时，先找 STARD 报告清单里的这几项：是否连续纳入、是否所有人都做了金标准、判读是否盲法、纳入人群是否与你的患者相似。这份检查清单是本页最实用的产物。

6. 常被误读的检验：三个例子

1. D-二聚体：\(Sn\) 极高（\(LR^- \approx 0.05\)–0.1）、\(Sp\) 低。正确用法是在低-中验前概率患者中"排除"肺栓塞/深静脉血栓；在高验前概率患者中做它是错的——阴性也不能排除（后验仍高于治疗阈值），而阳性什么也没告诉你。这是"检验的用途由验前概率决定"的最干净的例子。

2. ANA（抗核抗体）：在健康人群中低滴度阳性相当常见。在没有临床怀疑的情况下查 ANA，几乎注定产生假阳性 → 转诊、复查、焦虑。🔗 姊妹站第 10 页讲其免疫学机制。

3. 高敏肌钙蛋白：敏感度提高后，"阳性"的含义变了——它现在检出许多非心梗的心肌损伤（心衰、肾病、脓毒症、剧烈运动）。所以现代路径用"变化值（delta）"而非单次绝对值，并结合临床（第 10 页）。这是"检验变好反而使解读变难"的典型：更高的敏感度必然带来更低的特异度，除非同时改变判读框架。

7. 连续变量被二分的代价

临床检验常把连续值切成"正常/异常"。这一步丢掉信息：TSH 4.6 与 TSH 25 都是"高"，含义天差地别。

两条改进：报告并使用似然比分层（不同数值区间给不同 \(LR\)，而非只有阳/阴两档）；在决策模型中直接用连续值。

"参考范围"本身的定义也值得知道：通常取健康人群的中间 95%——这意味着按定义就有 5% 的健康人"异常"。做 20 项检查，平均会有 1 项落在参考范围外（假设独立）。这是"全套体检"产生大量无意义异常的算术原因，第 03 页继续。

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。

STARD 2015（诊断准确性研究报告规范；2015；国际。）
Cochrane Handbook（诊断研究与效应解释方法；当前版本页面；国际。）
NICE NG158: Recommendations（D-二聚体与概率路径示例；2020，后续更新；英国。）

下一页：把以上结论用到筛查上——为什么"早发现早治疗"这句正确的直觉，在数据上经常不成立。