SC4 · GEN-DECISION

醫療決策的取徑

Approach to Medical Decision-Making

Saint-Chopra 臨床手冊 4e · 頁 26-29

草稿・未複核
尚未標記

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:

  1. 把 pretest probability 換成 pretest odds:odds = probability / (1 − probability)。例如 75% 等於 3:1。
  2. pretest odds 乘以 LR,得到 posttest odds。
  3. 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 probability50 %26
30 歲女性 atypical chest pain 的 CAD pretest probability5 %26
60 歲男性 typical angina 的 CAD pretest probability95 %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 ratio2-528
多數檢查的陰性 likelihood ratio0.5-0.228
較好檢查的陽性 likelihood ratio 切點≥1028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≥10028只有少數侵入性檢查達到。
Positive treadmill test 的 LR3.527-28
45 歲男性 atypical chest pain、treadmill 陽性後的 posttest probability78 %28-29
30 歲女性 atypical chest pain、treadmill 陽性後的 posttest probability16 %29
60 歲男性 typical angina、treadmill 陽性後的 posttest probability98.5 %29
機率換算 odds 的例子75% = 3:128

表格

Likelihood ratio 的公式、典型數值與臨床意義 Likelihood ratio interpretation p. 27-28
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。
本書強調:檢查的實用性同時取決於 LR 大小與病人的 pretest probability,不能只看 LR。
三個 CAD 情境:pretest probability 如何經 LR 轉成 posttest probability Worked examples with a positive treadmill test p. 26-29
情境Pretest probabilityPretest oddsLR+Posttest oddsPosttest probability
45 歲男性,atypical chest pain50%1:13.53.5:178%
30 歲女性,atypical chest pain5%1:193.53.5:1916%
60 歲男性,typical angina95%19:13.566.5:198.5%
三人都是 positive treadmill test、同一個 LR+ = 3.5,但因起點機率不同,posttest probability 差距很大。
影響「合理確定程度」的四個質性因素 Qualitative factors that set the certainty threshold p. 26
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。
本書只列出這四項會影響「reasonable certainty」;未給固定門檻。

流程

臨床診斷決策的整體流程 Overall approach to diagnostic decision-making

SC4 · p. 26-29 · Chapter 2 approach

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。

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 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。
  8. 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

SC4 · p. 27 · Figure 2.1

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。

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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

SC4 · p. 28-29 · Steps and worked examples

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。

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 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。
  8. 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

SC4 · p. 29 · Summary: combining several 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。

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。

什麼是 pretest probability?
做正式檢查之前的罹病機率,由臨床資訊與疾病盛行率估計。
點一下翻面p. 26
陽性檢查的 likelihood ratio 公式?
LR+ = sensitivity / (1 − specificity),也就是 true positive rate / false positive rate。
點一下翻面p. 28
陰性檢查的 likelihood ratio 公式?
LR− = (1 − sensitivity) / specificity,也就是 false negative rate / true negative rate。
點一下翻面p. 28
把機率 75% 換成 odds?
odds = p / (1 − p) = 0.75 / 0.25 = 3,即 3:1。
點一下翻面p. 28
由 pretest probability 算 posttest probability 的三步?
① 機率換 odds;② pretest odds × LR = posttest odds;③ odds / (odds + 1) 換回機率。
點一下翻面p. 28
合併多個檢查以增加診斷強度時,最重要的前提?
檢查必須彼此 independent;第一個檢查的 posttest probability 當下一個檢查的 pretest probability。
點一下翻面p. 29

選擇題

先選一個選項,才會顯示對錯與每個選項的解說。

第 1 題45 歲男性有 atypical chest pain,CAD 的 pretest probability 為 50%。Exercise treadmill test 陽性,LR+ = 3.5。Posttest probability 最接近下列何者?
A
78%
B
16%
C
98.5%
D
50%
E
3.5%
p. 26-29
第 2 題陽性檢查結果的 likelihood ratio(LR+)如何計算?
A
sensitivity / (1 − specificity)
B
(1 − sensitivity) / specificity
C
sensitivity × specificity
D
specificity / sensitivity
p. 28
第 3 題依本書所述,檢查要在整個 pretest probability 範圍都能 rule in,其 likelihood ratio 至少要達到多少?
A
≥100
B
≥10
C
2–5
D
0.5–0.2
p. 28
第 4 題30 歲女性有 atypical chest pain,CAD 的 pretest probability 為 5%。Treadmill test 陽性、LR+ = 3.5。Posttest probability 最接近?
A
16%
B
78%
C
98.5%
D
5%
p. 26-29
第 5 題下列何者不是本書列為影響「合理確定程度」的因素?
A
疾病的嚴重度
B
疾病可治療的程度
C
診斷檢查的風險
D
治療的風險
E
檢查的費用
p. 26
第 6 題想用第二個檢查進一步提高診斷確定度時,本書強調的必要條件是什麼?
A
兩個檢查必須彼此 independent
B
兩個檢查必須使用相同的 cut-off
C
第二個檢查的 LR 必須小於 1
D
必須先完成治療才能再做檢查
p. 29