臨床摘要
診斷是一條 0% 到 100% 的機率光譜:把大部分診斷合理往左排除,把最可能的一個往右確立。
「要多確定才算合理」取決於疾病嚴重度、可治療程度、檢查風險、治療風險四件事。
Pretest probability 來自臨床資訊與盛行率;同一個 atypical chest pain,45 歲男性約 50%、30 歲女性約 5%,60 歲男性 typical angina 約 95%。
LR+ = sensitivity / (1 − specificity);LR− = (1 − sensitivity) / specificity。多數檢查 LR+ 為 2–5、LR− 為 0.5–0.2。
由 pretest probability 算 posttest probability:先換 odds → 乘 LR → 再換回機率;多個 independent tests 可串接,前一個 posttest 就是下一個 pretest。
診斷機率是一條連續光譜 The continuum of disease probability p. 26
本書把診斷想成一條從 0% 到 100% 的線:左端是 disease absent,右端是 disease present。任何一個 differential diagnosis 裡的診斷,都落在線上的某個位置,而不是單純「有」或「沒有」。
醫師的目標有兩個方向:把大部分診斷盡量往左推(以合理的方式排除),同時把其中一個診斷盡量往右推(確立)。
若診斷檢查使用不當,常見的結果是一堆診斷卡在光譜中點附近:既沒有被排除,也沒有被確立,病人卻已經承受了檢查的成本與風險。
因此判讀任何檢查結果前,先問:這個結果真的讓某個診斷在線上移動了嗎?
質性評估:需要多確定才叫「合理」? Qualitative assessment p. 26
「合理」不是固定的機率門檻。本書列出四個會改變所需確定程度的因素:
- 疾病本身的嚴重度:漏掉這個診斷的後果有多重。
- 疾病可治療的程度:若真是這個病,有沒有有效的處置。
- 診斷檢查的風險:檢查本身可能造成的傷害。
- 治療的風險:一旦開始治療,病人要承擔多少不良反應。
同樣的檢驗後機率,放在不同嚴重度、不同治療風險的病人身上,可能導向不同的決定;這也是為什麼數字不能取代臨床判斷。
檢驗前機率 Pretest probability p. 26
Pretest probability 是做正式檢查之前的罹病機率,靠臨床資訊與疾病盛行率估計。書中用冠心症的三個情境,說明同一個「胸痛」在不同人身上可以有完全不同的起點:
- 45 歲男性,paroxysmal、sharp、左側胸痛,休息與運動都可能出現,但沒有運動時胸口壓迫感,症狀已 2 個月(atypical chest pain)→ pretest probability 50%。
- 同樣是 atypical chest pain,若為 30 歲女性 → pretest probability 5%。
- 60 歲男性,運動時胸口緊縮感(typical angina)→ pretest probability 95%。
三個人若都做 exercise treadmill test,解讀陽性與陰性結果的方式不會一樣,因為起點機率差很多。胸痛與鑑別診斷的橫向連結可看 CARD-CP 與 GEN-DDX。
敏感度、特異度與 likelihood ratio Sensitivity, specificity, and likelihood ratios p. 26-28
Sensitivity 回答的是:「在有病的人之中,檢查陽性的機會有多大?」Specificity 回答的是:「在沒病的人之中,檢查陰性的機會有多大?」兩者描述檢查的特性,卻沒有直接回答臨床上更常問的問題:
- 看到陽性結果時,疾病真的存在的機會有多大?
- 看到陰性結果時,疾病真的不存在的機會有多大?
Likelihood ratio(LR) 就是處理這個問題的工具:它表示某個檢查結果在「有病」與「沒病」兩組中出現的相對強度。
公式:
- LR of a positive test = true positive rate / false positive rate =
sensitivity / (1 − specificity)。 - LR of a negative test = false negative rate / true negative rate =
(1 − sensitivity) / specificity。
書中多數診斷檢查的 LR+ 落在 2–5,LR− 落在 0.5–0.2。這類檢查只有在 pretest probability 位於中間(例如 30%–70%)時最有用,因為此時結果才能把機率明顯地往上或往下推;在光譜的兩端,即使做了檢查,機率也改變不多。
較好的檢查 LR+ 可達 ≥10,能在較廣的 pretest 範圍協助 rule in;但要在整個 pretest 範圍都能 rule in,LR 必須 ≥100。達到這個等級的檢查很少,例如某些 biopsy、exploratory laparotomy、cardiac catheterization,而且多半是具風險的侵入性處置。
Figure 2.1 用示意圖表達同樣概念:把「陽性檢查且有病」的人數,除以「陽性檢查但沒病」的人數;若比值是 3/1,則該結果的 LR 為 3。
從檢驗前機率算檢驗後機率 Posttest probability p. 28-29
Posttest probability 是做完某項檢查後,特定疾病存在的機率。計算前需要兩個輸入:pretest probability 與該檢查結果的 LR。
因為 LR 是以 odds 表示,所以必須先把機率換成 odds,計算完再換回機率。三個步驟:
- 把 pretest probability 換成 pretest odds:
odds = probability / (1 − probability)。例如 75% 等於 3:1。 - pretest odds 乘以 LR,得到 posttest odds。
- 把 posttest odds 換回機率:
probability = odds / (odds + 1)。
書中三個例子都使用 positive treadmill test、LR+ = 3.5:
- 45 歲男性,pretest 50% → odds 1:1 → 3.5:1 → posttest 78%。
- 30 歲女性,pretest 5% → odds 1:19 → 3.5:19 → posttest 16%。
- 60 歲男性,pretest 95% → odds 19:1 → 66.5:1 → posttest 98.5%。
關鍵訊息:同一個 LR 作用在不同 pretest probability 上,posttest 可以從 16% 到 98.5%。因此不能只看檢查陽性或陰性,必須先知道病人的檢驗前機率。
合併多個檢查 Combining tests p. 29
要增加診斷強度,可以合併多個檢查,但前提是這些檢查彼此 independent。做法是把第一個檢查的 posttest probability 當作第二個檢查的 pretest probability,再重複同一套 odds × LR 的計算。
若兩個檢查不獨立(例如受同一個病理機轉或同一份資訊影響),就不能假設接連做一定能提供等量的額外診斷價值。摘錄中沒有提供其他合併公式,重點只有「independent tests」這個條件。
數值與切點
| 指標 | 數值 | 頁碼 | 備註 |
|---|---|---|---|
| 疾病機率光譜範圍 | 0-100 % | 26 | 左端 disease absent,右端 disease present。 |
| 45 歲男性 atypical chest pain 的 CAD pretest probability | 50 % | 26 | |
| 30 歲女性 atypical chest pain 的 CAD pretest probability | 5 % | 26 | |
| 60 歲男性 typical angina 的 CAD pretest probability | 95 % | 26 | |
| LR 2–5 檢查最能改變機率的 pretest 範圍 | 30-70 % | 28 | 書中稱 middle;光譜兩端則改變有限。 |
| 多數檢查的陽性 likelihood ratio | 2-5 | 28 | |
| 多數檢查的陰性 likelihood ratio | 0.5-0.2 | 28 | |
| 較好檢查的陽性 likelihood ratio 切點 | ≥10 | 28 | 可在較廣的 pretest 範圍 rule in;常較昂貴或具風險。 |
| 能在全 pretest 範圍 rule in 的 LR 切點 | ≥100 | 28 | 只有少數侵入性檢查達到。 |
| Positive treadmill test 的 LR | 3.5 | 27-28 | |
| 45 歲男性 atypical chest pain、treadmill 陽性後的 posttest probability | 78 % | 28-29 | |
| 30 歲女性 atypical chest pain、treadmill 陽性後的 posttest probability | 16 % | 29 | |
| 60 歲男性 typical angina、treadmill 陽性後的 posttest probability | 98.5 % | 29 | |
| 機率換算 odds 的例子 | 75% = 3:1 | 28 |
表格
| 指標 | 公式 | 典型或理想數值 | 臨床意義與代價 |
|---|---|---|---|
| LR of a positive test(LR+) | sensitivity / (1 − specificity) | 多數檢查 2–5 | 只在 pretest probability 位於中間(約 30%–70%)時較能改變機率。 |
| LR+:較好的檢查 | 同上 | ≥10 | 可在較廣的 pretest 範圍 rule in;常較昂貴或具風險,例如 CT 的 contrast nephropathy。 |
| LR+:能全範圍 rule in | 同上 | ≥100 | 很少見,例如某些 biopsy、exploratory laparotomy、cardiac catheterization;多為侵入性處置。 |
| LR of a negative test(LR−) | (1 − sensitivity) / specificity | 多數檢查 0.5–0.2 | 數值越小,陰性結果越能把機率壓低;接近 1 時幾乎不改變判斷。 |
| 情境 | Pretest probability | Pretest odds | LR+ | Posttest odds | Posttest probability |
|---|---|---|---|---|---|
| 45 歲男性,atypical chest pain | 50% | 1:1 | 3.5 | 3.5:1 | 78% |
| 30 歲女性,atypical chest pain | 5% | 1:19 | 3.5 | 3.5:19 | 16% |
| 60 歲男性,typical angina | 95% | 19:1 | 3.5 | 66.5:1 | 98.5% |
| 因素 | 具體要考慮什麼 | 對決策的意義 |
|---|---|---|
| 疾病嚴重度 | 若漏診這個疾病,後果有多嚴重? | 會改變可接受的不確定程度。 |
| 可治療程度 | 若確診,是否已有有效的治療? | 影響及早確診的價值。 |
| 診斷檢查的風險 | 檢查本身可能造成什麼傷害? | 檢查風險是設定確定門檻時要權衡的一部分。 |
| 治療的風險 | 開始治療後可能帶來什麼不良反應? | 治療風險是設定確定門檻時要權衡的一部分。 |
流程
臨床診斷決策的整體流程 Overall approach to diagnostic decision-making
先建立鑑別診斷並依風險設定確定門檻,再估 pretest probability,依其位置選擇有意義的檢查,最後用 LR 算出 posttest probability。
-
起點病人出現一個臨床表現,建立 differential diagnosis p. 26
- 為何這樣做
- 診斷不是二分法,而是每個可能疾病在 0%–100% 光譜上的位置。
- 需要哪些資料
- 病史、身體檢查、基本實驗室資料;先列出所有合理可能。
- 判讀
- 目標是把大部分診斷往左排除,並把最可能者往右確立。
- 常見陷阱
- 太早只鎖定一個診斷,會讓其他可能留在光譜中點未被處理。
-
處置依嚴重度、可治療性、檢查風險、治療風險設定「合理確定」的門檻 p. 26門檻與條件
- 疾病嚴重度
- 疾病可治療程度
- 診斷檢查的風險
- 治療的風險
- 為何這樣做
- 所需確定程度不是固定值,會隨這四個因素改變。
- 需要哪些資料
- 評估漏診後果、是否已有有效治療、檢查與治療各自的不良反應。
- 判讀
- 同樣的 posttest probability,在不同情境下可能有不同的處置決定。
- 常見陷阱
- 只看機率數字而忽略嚴重度與風險,會做出不合臨床情境的判斷。
-
處置用臨床資訊與疾病盛行率估計 pretest probability p. 26門檻與條件
- 45 歲男性 atypical chest pain:50%
- 30 歲女性 atypical chest pain:5%
- 60 歲男性 typical angina:95%
- 為何這樣做
- 後續檢查的價值完全取決於起點機率。
- 需要哪些資料
- 年齡、性別、症狀型態、危險因子、流行病學資料。
- 判讀
- 同一症狀在不同族群可有截然不同的 pretest probability。
- 常見陷阱
- 把盛行率當成每個病人的機率,忽略個別臨床特徵,會估錯起點。
-
決策pretest probability 是否落在中間(約 30%–70%)? p. 28
判準:中間:LR 2–5 的檢查最能改變機率;偏低或偏高(<30% 或 >70%):需要更大的 LR 才有意義。
- 為何這樣做
- LR 2–5 的檢查只在機率中段能有效推動診斷;在兩端效果有限。
- 需要哪些資料
- 先完成 pretest probability 估計,再檢視候選檢查的 LR。
- 判讀
- 中段適合用一般強度的檢查;兩端要考慮 LR 更大的檢查或暫緩檢查。
- 常見陷阱
- 在極低或極高機率時安排低 LR 的檢查,常得到無法改變處置的結果。
-
檢查選擇合適檢查,依陽性或陰性結果用 LR+ 或 LR− 計算 posttest probability p. 27-29
- 為何這樣做
- 檢查的目的是把機率推過處置門檻,而不是單純增加資料量。
- 需要哪些資料
- 該檢查的 sensitivity、specificity,據此得到 LR+ 與 LR−。
- 判讀
- 把 pretest probability 換成 odds,乘上對應 LR,再換回機率。
- 常見陷阱
- 用錯方向的 LR(陽性卻用 LR−)會得到完全相反的結論。
-
檢查考慮 LR ≥10(甚至 ≥100)的檢查,或先不做低效益檢查 p. 28門檻與條件
- LR+ ≥10:較廣範圍 rule in
- LR ≥100:全 pretest 範圍 rule in,但少見且多具侵入性
- 為何這樣做
- 當 pretest probability 在兩端時,只有很強的檢查才可能改變機率。
- 需要哪些資料
- 確認候選檢查的 LR 是否達到 10 或 100,並衡量其風險。
- 判讀
- 高 LR 的檢查可跨越較大範圍;但常昂貴或危險,例如 CT 的 contrast nephropathy。
- 常見陷阱
- 為了追求確定而安排高風險檢查,可能讓病人承受比疾病本身更大的傷害。
-
處置需要時合併 independent tests:前一個 posttest probability 當下一個 pretest probability p. 29
- 為何這樣做
- 單一檢查不足時,多個獨立檢查可逐步增加診斷強度。
- 需要哪些資料
- 確認檢查之間是否 independent,並取得各自的 LR。
- 判讀
- 串接計算時,每一步都重複 odds × LR → probability。
- 常見陷阱
- 不獨立的檢查不能假設可等量疊加。
-
終點得到 posttest probability,對照處置門檻做出臨床決定 p. 29
- 為何這樣做
- 決策的終點是可執行的處置,而不是一個漂亮的數字。
- 需要哪些資料
- posttest probability、疾病嚴重度、治療與檢查風險。
- 判讀
- 機率超過可接受的不確定範圍時,考慮治療或進一步檢查;低到可安全排除時可停止。
- 常見陷阱
- 把 posttest probability 當成絕對答案,忽略病人價值觀與臨床背景。
陽性檢查與疾病的機率示意(Figure 2.1) Test/disease probability schematic
把所有陽性檢查的人分成「真的有病」與「其實沒病」兩部分,兩者人數比值就是該陽性結果的 likelihood ratio。
-
起點一群接受檢查且結果為陽性的人 p. 27
- 為何這樣做
- LR 是從「已知檢查結果」反推疾病可能性的工具,因此先固定陽性結果這一組人。
- 需要哪些資料
- 確認這些人都是同一種檢查的陽性結果。
- 判讀
- 陽性結果只是起點,還要看其中有多少人真正有病。
- 常見陷阱
- 把陽性結果直接等同於疾病,會忽略假陽性。
-
決策陽性者之中,實際上誰有疾病? p. 27
判準:陽性且有病 = true positive;陽性但沒病 = false positive。
- 為何這樣做
- 同一個陽性結果,可能來自真病或假陽性;兩者比例決定 LR。
- 需要哪些資料
- 以可靠的 reference standard 確認最終是否罹病。
- 判讀
- 真陽性與假陽性的人數比,就是陽性結果的相對強度。
- 常見陷阱
- 沒有獨立確認疾病狀態時,無法計算真正的 LR。
-
處置真陽性(true positive):陽性且確實有病的人 p. 27
- 為何這樣做
- 這部分代表檢查正確抓到疾病的能力。
- 需要哪些資料
- 陽性結果加上最終確診。
- 判讀
- 真陽性人數是 LR 公式的分子。
- 常見陷阱
- 不要把真陽性人數與 sensitivity 混淆;sensitivity 的分母是所有有病者。
-
處置假陽性(false positive):陽性但其實沒病的人 p. 27
- 為何這樣做
- 這部分代表檢查在沒病者身上誤報的程度。
- 需要哪些資料
- 陽性結果加上最終排除疾病。
- 判讀
- 假陽性人數是 LR 公式的分母。
- 常見陷阱
- 假陽性越多,同一個陽性結果的 LR 越小、越不能 rule in。
-
終點以兩組人數比值表示檢查強度:LR = 真陽性 / 假陽性 p. 27門檻與條件
- Figure 2.1 示意:3/1 = 3
- positive treadmill test 的 LR = 3.5
- 若陽性者中每 7 個有病、2 個沒病,odds = 7:2 = 3.5:1
- 為何這樣做
- LR 把「陽性結果」轉換成一個可乘上 pretest odds 的倍數。
- 需要哪些資料
- 以 2×2 表計算 true positive rate 與 false positive rate。
- 判讀
- LR = (陽性且有病)/(陽性但沒病) = sensitivity/(1 − specificity)。
- 常見陷阱
- 比值方向顛倒會得到倒數,意義完全不同。
由檢驗前機率計算檢驗後機率 Calculating posttest probability
先依結果陽性或陰性選 LR+ 或 LR−,再把 pretest probability 換成 odds、乘 LR、換回機率。
-
起點已有 pretest probability 與某檢查結果的 LR p. 28
- 為何這樣做
- 這兩個輸入是計算 posttest probability 的必要條件。
- 需要哪些資料
- 臨床估計或盛行率資料、該檢查的 sensitivity 與 specificity。
- 判讀
- 缺少其中一項就無法把機率正確更新。
- 常見陷阱
- 直接把 pretest probability 加上或減去 LR 是錯誤算法。
-
決策檢查結果是陽性還是陰性? p. 28
判準:陽性 → 使用 LR of a positive test;陰性 → 使用 LR of a negative test。
- 為何這樣做
- 陽性與陰性結果各自有不同公式,不能混用。
- 需要哪些資料
- 確認檢查結果的方向,以及該方向對應的 LR。
- 判讀
- 陽性結果使用 LR+,陰性結果使用 LR−;方向不能互換。
- 常見陷阱
- 把 LR+ 用在陰性結果,會把機率錯誤地往上推。
-
處置陽性:LR+ = sensitivity / (1 − specificity) p. 28門檻與條件
- 多數檢查 LR+ 2–5
- 較好的檢查 LR+ ≥10
- 全 pretest 範圍 rule in 需 LR ≥100
- 為何這樣做
- LR+ 表示陽性結果在病人與非病人之間出現的倍數。
- 需要哪些資料
- Sensitivity、specificity,或 2×2 表的 true positive rate 與 false positive rate。
- 判讀
- LR+ 越大,陽性結果越能把疾病機率推高。
- 常見陷阱
- Specificity 接近 100% 時分母很小,LR+ 可能非常大,要確認研究品質與信賴區間。
-
處置陰性:LR− = (1 − sensitivity) / specificity p. 28門檻與條件
- 多數檢查 LR− 0.5–0.2
- 為何這樣做
- LR− 表示陰性結果在病人與非病人之間出現的倍數。
- 需要哪些資料
- Sensitivity、specificity,或 false negative rate 與 true negative rate。
- 判讀
- 多數檢查 LR− 為 0.5–0.2;數值越小,陰性結果越能把機率壓低。
- 常見陷阱
- 若 LR− 未明顯小於 1,陰性結果對機率的改變有限,不能用來排除疾病。
-
處置把 pretest probability 換成 pretest odds p. 28門檻與條件
- odds = probability / (1 − probability)
- 75% → 3:1
- 50% → 1:1
- 5% → 1:19
- 95% → 19:1
- 為何這樣做
- LR 是以 odds 表示,機率必須先轉成同一尺度才能相乘。
- 需要哪些資料
- 把 pretest probability 以小數代入公式。
- 判讀
- 機率 50% 的 odds 為 1:1,是上下對稱的中點。
- 常見陷阱
- 把百分比直接當成 odds 相乘,會得到嚴重錯誤的結果。
-
處置posttest odds = pretest odds × LR p. 28-29門檻與條件
- 50% 的 1:1 × 3.5 = 3.5:1
- 5% 的 1:19 × 3.5 = 3.5:19
- 95% 的 19:1 × 3.5 = 66.5:1
- 為何這樣做
- 這一步把檢查結果的強度套用到病人的起始機率上。
- 需要哪些資料
- 確認使用的是正確方向的 LR。
- 判讀
- 同一個 LR 對不同 pretest odds 的放大效果不同。
- 常見陷阱
- 把 odds 的分子分母寫反,會讓結論反向。
-
處置把 posttest odds 換回 posttest probability p. 28門檻與條件
- probability = odds / (odds + 1)
- 3.5:1 → 3.5/4.5 = 0.78(78%)
- 3.5:19 → 3.5/22.5 = 0.16(16%)
- 66.5:1 → 66.5/67.5 = 0.985(98.5%)
- 為何這樣做
- 臨床溝通與處置門檻通常以機率而非 odds 表示。
- 需要哪些資料
- 把 posttest odds 代入公式。
- 判讀
- odds 越大,換算後的機率越接近 100%。
- 常見陷阱
- 忘記加 1 會高估機率。
-
終點得到 posttest probability,與處置門檻比較 p. 29
- 為何這樣做
- 計算的目的在於決定下一步,而不是停在數字。
- 需要哪些資料
- posttest probability、疾病嚴重度、治療與檢查風險。
- 判讀
- 超過門檻可考慮治療或進一步確認;低於門檻可考慮停止檢查。
- 常見陷阱
- 同一個 posttest probability 在高低風險情境下,處置可能不同。
串接多個檢查:independent tests 的條件 Combining independent tests
只有在檢查彼此 independent 時,才能把第一個檢查的 posttest probability 當成下一個檢查的 pretest probability 繼續計算。
-
起點想用第二個檢查進一步增加診斷強度 p. 29
- 為何這樣做
- 單一檢查的 posttest probability 仍可能不足,需要更多資訊。
- 需要哪些資料
- 目前 posttest probability 與剩餘的不確定性。
- 判讀
- 先確認是否真的需要第二個檢查,以及它能否改變處置。
- 常見陷阱
- 只為了安心而重複檢查,常無法改善決策。
-
決策這兩個檢查彼此 independent 嗎? p. 29
判準:Independent:兩檢查的結果不共享同一個病理機轉或資訊來源;不 independent:結果會互相牽連。
- 為何這樣做
- 只有獨立檢查才能把各自的 LR 依序相乘。
- 需要哪些資料
- 檢視兩個檢查測量的生理或病理面向是否重疊。
- 判讀
- 獨立 → 可串接計算;不獨立 → 額外診斷價值有限。
- 常見陷阱
- 把高度相關的兩個檢查當成獨立,會高估合併後的確定程度。
-
處置把第一個檢查的 posttest probability 設為第二個檢查的 pretest probability p. 29
- 為何這樣做
- 這是串接獨立檢查的核心規則。
- 需要哪些資料
- 第一個檢查的 posttest probability。
- 判讀
- 更新後的機率成為下一次計算的起點。
- 常見陷阱
- 若仍用最初的 pretest probability,會重複計算而高估確定度。
-
註記不獨立時,不要假設兩個檢查的資訊可以線性疊加 p. 29
- 為何這樣做
- 重疊的檢查可能只是在重複同一個訊號。
- 需要哪些資料
- 找出能提供不同病理資訊的替代檢查。
- 判讀
- 需要重新評估檢查組合,而不是直接相乘。
- 常見陷阱
- 摘錄未提供不獨立檢查的合併公式,不要自行套用其他模型。
-
處置對第二個檢查重複 odds × LR → probability 的計算 p. 29
- 為何這樣做
- 每個檢查都使用同一套貝氏更新步驟。
- 需要哪些資料
- 新檢查結果對應的 LR。
- 判讀
- 逐步得到新的 posttest probability。
- 常見陷阱
- 不同檢查的 LR 方向要各自對應其陽性或陰性結果。
-
終點得到合併後的 posttest probability,或重新評估檢查組合 p. 29
- 為何這樣做
- 合併檢查後仍需回到臨床處置門檻。
- 需要哪些資料
- 最終 posttest probability、疾病嚴重度與治療風險。
- 判讀
- 若確定度已足夠,進入處置;若仍不足,重新考慮診斷策略。
- 常見陷阱
- 無限制地追加檢查,可能延誤治療並增加傷害。
名詞
-
Differential diagnosis 鑑別診斷
把可能造成病人表現的疾病並列成清單,再逐一以資料排除或支持。
別名:DDx
-
Pretest probability 檢驗前機率
尚未做正式檢查前,依臨床資訊與疾病盛行率估計的罹病機率。
別名:pretest probability
-
Posttest probability 檢驗後機率
已知檢驗前機率與該結果的 likelihood ratio 後,算出的罹病機率。
別名:posttest probability
-
Likelihood ratio 似然比
某檢查結果在「有病」與「沒病」者中出現的相對可能性,用來把檢驗前機率更新為檢驗後機率。
別名:LR
-
Sensitivity 敏感度
有病者中,檢查呈陽性的比例,也就是真陽性率。
別名:true positive rate
-
Specificity 特異度
沒病者中,檢查呈陰性的比例,也就是真陰性率。
別名:true negative rate
-
Odds 勝算
事件發生的機率除以不發生的機率;例如機率 75% 等於 odds 3:1。
別名:odds
-
True positive rate 真陽性率
有病且檢查陽性者占所有有病者的比例,數值等於敏感度。
別名:TPR
-
False positive rate 假陽性率
沒病但檢查陽性者占所有沒病者的比例,數值等於 1 − 特異度。
別名:FPR
-
Rule in 確診(rule in)
用足夠大的陽性 likelihood ratio,把檢驗後機率提高到可以據以處置的程度。
-
Rule out 排除(rule out)
用足夠小的陰性 likelihood ratio,把檢驗後機率降到可以安全排除的程度。
閃卡
點卡面翻面;鍵盤可用 Tab 移到卡片後按空白鍵。
LR+ = sensitivity / (1 − specificity),也就是 true positive rate / false positive rate。LR− = (1 − sensitivity) / specificity,也就是 false negative rate / true negative rate。odds = p / (1 − p) = 0.75 / 0.25 = 3,即 3:1。選擇題
先選一個選項,才會顯示對錯與每個選項的解說。
正確答案:A
正確答案:A
正確答案:A
正確答案:A
正確答案:E
正確答案:A