aiwiki.page
中文
健康 / 诊疗与医学 / diagnostic-sensitivity-and-specificity

诊断灵敏度与特异度

诊断灵敏度与特异度衡量检测识别有无特定目标病况者的准确程度。

30 个关键词29 个词条链接到这里8 个尚未撰写AI 撰写
诊断医学筛查概率生物标志物第二次世界大战患病率贝叶斯定理病史诊断灵敏度…

诊断灵敏度与特异度是一对指标,用于衡量检测区分存在特定目标病况者与不存在该病况者的能力。灵敏度是存在该病况的人中检测结果为阳性的比例;特异度是不存在该病况的人中检测结果为阴性的比例。两者是诊断、医学筛查以及评价实验室检测、影像学检查、临床体征和诊断算法的基础指标。

这两个指标描述的都是在已知受检者是否存在目标病况的条件下,检测结果的分布;目标病况是否存在,通常由独立的参考标准确定。它们并不直接给出检测结果为阳性的个体确实存在该病况的概率,也不直接给出检测结果为阴性者确实不存在该病况的概率。这些概率还取决于该病况在相关人群中的常见程度,以及检测前已掌握的临床信息。

灵敏度与特异度并非某项检测所固有、普遍适用的常数。它们对应的是特定的目标病况、阳性判定阈值、检测流程、患者人群和参考标准。因此,解读这两个指标时,需要关注研究设计、不确定性、诊断错误的后果,以及该检测在临床诊疗路径中所起的作用。

定义与诊断分类表

基本框架是将待评价检测(即正在接受评价的检测)与用于判定目标状况是否存在的参考标准进行比较。目标状况可以是某种疾病、某个疾病阶段、某种感染、某种解剖异常,或其他明确定义的临床状态。例如,检出任何程度的冠状动脉粥样硬化,与检出明显限制血流的冠状动脉狭窄,是两项不同的任务。同一种检测对这两个目标的准确性可能不同。

当检测结果和目标状况均为二分类时,每名参与者都归入以下四类之一:

待评价检测结果 存在目标状况 不存在目标状况
阳性 真阳性,TPTP 假阳性,FPFP
阴性 假阴性,FNFN 真阴性,TNTN

灵敏度与特异度分别根据表中不同的列计算:

Sensitivity⁡=TPTP+FN=P(T+∣D+),\operatorname{Sensitivity} =\frac{TP}{TP+FN} =P(T+\mid D+),
Specificity⁡=TNTN+FP=P(T−∣D−).\operatorname{Specificity} =\frac{TN}{TN+FP} =P(T-\mid D-).

其中,T+T+ 和 T−T- 分别表示检测结果为阳性和阴性,D+D+ 和 D−D- 分别表示存在和不存在目标状况。这种条件概率记法明确了各自的分母。灵敏度关注的是,在存在目标状况的人群中,检测呈阳性的比例有多高;特异度关注的是,在不存在目标状况的人群中,检测呈阴性的比例有多高。

相应的错误率是假阴性率 1−Sensitivity⁡1-\operatorname{Sensitivity} 和假阳性率 1−Specificity⁡1-\operatorname{Specificity}。假设一项研究纳入了100名存在目标状况者和200名不存在目标状况者,结果可能得到90例真阳性、10例假阴性、180例真阴性和20例假阳性。此时,灵敏度与特异度均为90%,但两类错误的绝对数量不同。假阳性率为10%,并不意味着阳性结果中有10%是错误的:后者以阳性结果数为分母,而不是以不存在目标状况的参与者人数为分母。

这些临床含义还必须与分析化学中的术语区分开来。分析灵敏度可以指检测方法对被分析物浓度变化的响应程度,在某些用法中也可指其检出能力。分析特异度则关注能否将目标被分析物与干扰物质区分开来。一种检测方法即使能够检出极微量的某种分子,其临床灵敏度仍可能有限,因为该分子在某些疾病阶段并不存在。反过来,即使能够高度选择性地测量某种生物标志物,也不能据此认定该生物标志物仅见于某一种疾病。临床准确性关注的是对人的分类,而不只是对物质的测量。

阈值、分布重叠与 ROC 分析

许多检测得出的是连续型或有序的测量值,而非天然分为阳性或阴性的结果,例如血液中某种物质的浓度、病灶大小、问卷评分,以及诊断模型生成的概率。判定阈值可将这类测量值转化为二元分类结果。如果数值越高越提示患病,那么降低阈值就会使更多人被判为阳性。因此,敏感度会上升或保持不变,而特异度会下降或保持不变。提高阈值则会产生相反的变化。

这种权衡之所以存在,是因为患有与未患有目标疾病者的测量值分布通常存在重叠。生物学变异、疾病阶段、合并疾病、标本处理及测量误差都会造成这种重叠。例如,肌钙蛋白浓度有助于评估心肌损伤,但仅凭浓度升高并不能确诊心肌梗死。这一目标疾病的诊断还取决于缺血证据和临床情境。改变浓度阈值会改变分类性能,但不会消除所测标志物与所诊断疾病之间的区别。

受试者工作特征曲线(简称 ROC 曲线)以敏感度为纵轴,以假阳性率 1−Specificity⁡1-\operatorname{Specificity} 为横轴,描绘不同阈值下二者的关系。ROC 方法起源于信号检测工作,包括第二次世界大战期间的雷达研究,随后逐渐成为诊断评价中的常用方法。在通常的坐标方向下,沿对角线的曲线表示区分能力相当于随机猜测;曲线越接近左上角,区分能力越强。

ROC 曲线下面积(简称 AUC)概括了检测的排序能力。按照标准约定,它等于以下概率:随机选取一名患有目标疾病的人和一名未患该病的人,前者的检测评分高于后者;若评分相同,则计为二分之一。AUC 为 0.5 表示排序能力相当于随机猜测,AUC 为 1 则表示在所评价的数据中,两组能够被完全区分。AUC 并不是某一特定阈值下得到正确诊断的患者百分比,也不能确定哪个阈值在临床上适用。两项检测的总体 AUC 可能相近,但在对排除疾病尤为重要的高敏感度区域,其表现可能存在显著差异。

选择阈值的一项准则是约登指数:

J=Sensitivity⁡+Specificity⁡−1.J=\operatorname{Sensitivity}+\operatorname{Specificity}-1.

使 JJ 最大,即使 ROC 曲线与对角线之间的垂直距离最大。这在数学上赋予敏感度和特异度相同的权重,却未直接考虑患病率、治疗后果、资源限制,以及漏诊与误报的相对危害。临床阈值也可以根据达到某一指定敏感度或特异度的要求来选择,或通过明确的决策分析来确定。如果先查看数据,再选择阈值,并用同一数据集报告性能,所得估计往往偏于乐观;使用独立数据进行评价,可以将阈值制定与验证分开。

预测值与患病率的影响

检测结果正确反映受检者病况的概率,用预测值来表示。阳性预测值(PPV)是所有阳性结果中,确实存在目标病况者所占的比例。阴性预测值(NPV)是所有阴性结果中,确实不存在目标病况者所占的比例:

PPV=TPTP+FP,NPV=TNTN+FN.PPV=\frac{TP}{TP+FP}, \qquad NPV=\frac{TN}{TN+FN}.

预测值与敏感度和特异度所采用的条件概率方向相反。敏感度为 P(T+∣D+)P(T+\mid D+),而阳性预测值为 P(D+∣T+)P(D+\mid T+)。混淆这些概率属于逆概率谬误,在检测罕见病况时尤其可能造成严重影响。

若敏感度为 SeSe,特异度为 SpSp,受检人群的患病率为 pp,则根据贝叶斯定理可得:

PPV=Se pSe p+(1−Sp)(1−p),PPV=\frac{Se\,p}{Se\,p+(1-Sp)(1-p)},
NPV=Sp(1−p)(1−Se)p+Sp(1−p).NPV=\frac{Sp(1-p)}{(1-Se)p+Sp(1-p)}.

在敏感度和特异度不变的情况下,患病率升高会使阳性预测值升高、阴性预测值降低;患病率降低则产生相反的影响。因此,同一种检测方法在低患病率的筛查人群中,阳性结果里可能有很高比例是假阳性;而在转诊至专科的人群中,阳性结果里真阳性所占的比例则可能高得多。

假设有一个包含10,000人的人群,患病率为1%,检测的敏感度为90%,特异度为95%。在存在该病况的100人中,90人的检测结果为阳性,10人为阴性。在不存在该病况的9,900人中,495人的检测结果为阳性,9,405人为阴性。因此,阳性预测值为 90/58590/585,约为15.4%;阴性预测值为 9,405/9,4159,405/9,415,约为99.9%。如此高的阴性预测值,部分反映了该病况的罕见程度;仅凭这一点,并不能证明该检测具有出色的鉴别能力。即使尚未接受检测,这一人群中的大多数人也不存在该病况。

如果患病率改为10%,而敏感度和特异度保持不变,那么在10,000人的人群中,将有900例真阳性、100例假阴性、450例假阳性和8,550例真阴性。阳性预测值升至约66.7%,阴性预测值则降至约98.8%。这些计算假定,检测应用于这两个人群时,敏感度和特异度保持不变。当人群在疾病严重程度或其他可能的诊断方面存在差异时,这一假定可能不成立。数学公式将患病率与检测准确性区分开来,但在真实的临床人群中,两者往往会同时变化。同样,若病例数和对照数是人为选定的,由此算出的预测值也不能代表人群的预测值,除非计算时纳入相关人群的患病率。

似然比与诊断概率的变化

似然比表示,与无目标病症者相比,有目标病症者出现某一检测结果的可能性高出或低了多少。对于二分类检测,阳性似然比和阴性似然比分别为:

LR+=Sensitivity⁡1−Specificity⁡,LR+=\frac{\operatorname{Sensitivity}} {1-\operatorname{Specificity}},
LR−=1−Sensitivity⁡Specificity⁡.LR-=\frac{1-\operatorname{Sensitivity}} {\operatorname{Specificity}}.

当 LR+LR+ 大于 1 时,阳性结果会提高患有该病症的优势(odds,即发生概率与不发生概率之比)。当 LR−LR- 小于 1 时,阴性结果会降低这一优势。似然比为 1 时,优势保持不变。一般而言,阳性似然比越大、阴性似然比越小,带来的概率变化就越大;但这种变化的实际意义取决于初始概率,以及概率跨越某个决策阈值所产生的临床后果。

计算时使用的是优势,而非概率:

Pretest odds=p1−p,\text{Pretest odds}=\frac{p}{1-p},
Post-test odds=Pretest odds×LR,\text{Post-test odds} =\text{Pretest odds}\times LR,
Post-test probability=Post-test odds1+Post-test odds.\text{Post-test probability} =\frac{\text{Post-test odds}}{1+\text{Post-test odds}}.

假设某项检测的敏感度为 90%、特异度为 95%,则 LR+=18LR+=18,LR−≈0.105LR-\approx0.105。当验前概率为 10% 时,阳性结果会将概率提高至约 66.7%,而阴性结果会将其降至约 1.16%。当验前概率为 50% 时,同样的阴性结果仍会留下约 9.5% 的患病概率。因此,即便阴性结果具有较高的信息价值,也未必能将患病概率降至可忽略的水平。

验前概率所考虑的不仅是人群患病率。症状、危险因素、病史、既往检查以及诊疗场景,都可能改变个体就诊时的患病概率。针对无症状筛查人群估计的概率,不能直接用于已因提示性临床发现而筛选出来的患者。似然比为更新这些概率提供了一个框架,但其应用仍取决于检测性能在相关患者群体之间如何变化。

似然比也可以针对连续测量值的不同区间来确定,而不必仅针对阳性和阴性两类结果。这样可以保留那些在将轻度异常值与极端值同等处理时会丢失的信息。有时可以通过将似然比相乘来综合先后获得的检测结果,但简单相乘的前提是满足适当的条件独立性。两项密切相关的生物标志物测量,或受到同一种持续性干扰影响的重复测量,所提供的信息可能存在重叠。将这些结果视为相互独立,可能会夸大证据的强度。因此,常见的“高敏感度检测用于排除疾病”和“高特异度检测用于确诊疾病”等说法并不完整:实际的概率变化取决于敏感度、特异度、验前概率以及所获得的检测结果。

参考标准与诊断准确性研究设计

诊断准确性研究的结果取决于如何确定目标病症。参考标准可涉及组织病理学、微生物学检测、影像学检查、长期随访,或预先规定的多项结果组合。有时也使用金标准这一术语,但许多参考方法并不完美。活组织检查可能因取样误差而漏掉病灶;培养则可能在微生物数量较少,或既往治疗降低培养检出率时呈阴性。以这些方法为参照测得的敏感度和特异度,反映的是与参考分类的一致程度,可能不同于以真实生物学状态为依据的准确性。

设计明确的研究会说明待评价检测的预期临床用途及其适用人群。一种常见设计是连续纳入或随机抽取因同一临床问题接受评估的一组受试者,并对其同时实施待评价检测和参考标准检查。当两项测量针对同一当前病症时,横断面研究设计通常适用。如果只有随着时间推移才能明确诊断,则可能需要随访,但必须区分后来发生的疾病与检测时已经存在的疾病。

检查时机很重要,因为病症状态可能在两项检查之间发生变化。待评价检测后开始的治疗可能改变参考标准的结果,而间隔过长则可能使病情进展。知晓其他检查结果也可能影响判读。对待评价检测和参考标准进行独立、设盲的评估,可降低预期判断影响主观判读的风险。这一点对影像判读、体格检查所见和临床判定尤为重要,因为这些分类过程并非完全机械客观。

另一种设计是分别选取已确诊病例和明确未患目标病症的对照,类似于病例对照研究。这种“双门”设计在检测方法开发早期可能有用,但如果病例均为晚期患者,而对照均为健康志愿者,就可能高估检测性能。临床上的难点往往不是区分重症患者与健康人,而是区分早期疾病与其他表现相似的病症。具有代表性的临床受试者队列能更好地体现这一诊断难度。如果选定的组别能够代表预期的目标病症阳性和阴性人群,有目的的抽样仍可支持有效的敏感度和特异度估计;关键在于各组的临床构成,而不只是其人数比例。

《诊断准确性研究报告规范》,简称STARD,于2003年首次发布,并于2015年更新。该规范强调,应透明报告受试者选择、待评价检测与参考标准的实施方法、阈值、缺失结果、受试者流程以及不确定性。报告规范本身并不能保证研究不存在偏倚,但能使评估研究适用性和可信度所需的信息得以呈现。预期的目标病症也需要有精确的病例定义:针对活动性感染进行评价的检测,不能直接认定其在判断既往暴露、传染性或未来疾病进展方面也具有相同的准确性。

偏倚、疾病谱效应与不完全准确的分类

敏感度和特异度常被认为与患病率无关。它们的计算公式中不包含患病率,但实际观测值仍可能因人群而异。一个主要原因是疾病谱效应:目标疾病或状态阳性组和阴性组各自都包含临床特征不同的亚组。晚期肿瘤产生的可检测信号可能比小肿瘤更强;病原体载量高的感染可能比载量低的感染更容易检出。在没有目标疾病或状态的人群中,相关疾病可能比无关疾病导致更多假阳性。这些亚组的构成比例发生变化,整体准确性也会随之改变。

当受试者是否接受参考标准检查取决于待评价检测的结果,或其他与疾病相关的因素时,就会产生验证偏倚。例如,如果只有筛查结果阳性者才接受侵入性确诊检查,假阴性病例就无法得到充分识别。由此造成的偏差取决于分析方法和选择过程。差异验证是指不同受试者接受不同的参考检查,例如阳性者接受活检,阴性者接受临床随访。这些检查确认目标疾病或状态的能力可能不同。

当待评价检测被纳入用于评价该检测的参考标准定义时,就会产生纳入偏倚。这会形成循环论证,并可能夸大表面上的准确性。如果知晓一项检测的结果影响了对另一项检测结果的判读,就可能产生判读偏倚。排除无效或无法判定的结果,也可能使检测性能显得优于其在常规使用中的实际表现,尤其是在测量失败与病情严重、标本难以检测或疾病处于临界状态有关时。因此,能够获得可用结果的受试者比例,是一项独立且重要的特征。

不完全准确的参考标准会引入更复杂的误差。待评价检测可能检出了参考检查漏掉的真实疾病或状态,却因此被判为假阳性。反过来,共同的误差也可能使两项检测即使都出错,结果仍然一致。只有在额外检测得到有利结果后,才对结果不一致的病例重新分类——这种做法有时称为不一致结果分析——可能导致估计偏倚,因为重新评价是选择性触发的。复合参考标准可以减轻某些局限,但需要预先制定规则,并仔细考虑各组成部分之间的依赖关系。

在缺乏适当参考标准时,潜在类别分析提供了一种解决途径。它根据多项检测结果的组合模式,估计无法直接观测的疾病或状态。此类模型依赖于对潜在类别数量、检测之间的关系,以及检测性能稳定性的假设。条件独立性是一项影响尤为显著的假设:基于相同生物学机制的检测,即使在真正的目标疾病或状态阳性组或阴性组内部,也可能仍然相关。统计模型可以明确列出这些假设,却无法消除缺乏参考标准这一事实。

统计不确定性、比较与证据合成

根据样本估计的敏感度和特异度会受到抽样变异的影响。敏感度估计的精确度主要取决于患有目标病症的受试者人数;特异度估计的精确度则取决于未患该病症的受试者人数。即使一项研究纳入了数千名受试者,如果其中只有少数人患有该病症,对敏感度的估计仍可能不够精确。反之,以确诊病例为主的研究可能无法提供多少有关特异度的信息。因此,研究设计需要考虑有病症组和无病症组各自所需的人数,而不只是总样本量。

置信区间用于表达在指定方法下估计值的统计不确定性。对于二项分布比例,Wilson 法或精确法通常优于简单的对称正态近似法,尤其是在比例接近 0 或 1,或样本量较小时。如果 20 名患病受试者的检测结果均为阳性,观测到的敏感度就是 100%,但其精确双侧 95% 置信区间的下限约为 83%。该样本中未观察到假阴性,并不能证明总体中的敏感度为 100%。置信区间也不会自动涵盖系统性偏倚、参考标准不完善,或研究人群与未来患者之间的差异所带来的影响。

比较不同检测时,需要注意研究结构。当两种检测用于同一批受试者时,其结果是配对的。统计方法应考虑这种依赖关系,而不能将这些估计值视为来自互不相关的人群。McNemar 类比较方法可用于评估患病受试者中敏感度的配对差异,以及未患病受试者中特异度的配对差异。对于结果为连续变量的检测,配对 ROC 方法可用于比较区分能力,但 AUC 的差异未必意味着在拟用于临床的阈值处也存在有实际价值的差异。对同一患者的重复观测、多个病灶或多名阅片者的数据,也需要采用能够考虑聚类效应的方法。

诊断准确性研究的元分析通常不能将敏感度和特异度视为彼此无关的结局指标。不同阈值可能使两者呈负相关,而且各研究在人群、参考标准和检测实施方式上也可能存在差异。双变量随机效应模型对敏感度和特异度进行联合建模;分层汇总 ROC 模型则描述各研究的准确性及与阈值有关的变异。当纳入研究所针对的目标病症和临床用途具有可比性时,汇总估计值才最具解释意义。将采用实质不同阈值或纳入不同患者群体的研究合并为一对百分比,可能掩盖重要差异。

2011 年发布的 QUADAS-2 等工具,为从患者选择、待评价检测、参考标准,以及受试者流程与时间安排等方面评估偏倚和适用性提供了结构化框架。这些评估是对定量合成的补充,而非替代。小样本研究效应和选择性报告仍然难以评估,因为诊断研究可以报告多种阈值、亚组和结局定义。预先明确研究方案、完整记录所有受试者的去向,以及透明报告所有相关阈值,均有助于减少选择性呈现有利准确性估计结果的机会。

临床路径、筛查与决策后果

敏感度与特异度的实际意义取决于检测结果出来后采取的措施。用于初步分流的检测,与在侵入性治疗前用于确诊的检测,作用并不相同。假阴性可能延误病症的识别或治疗;假阳性则可能导致焦虑、进一步检查、医疗操作或不必要的治疗。这些后果因病症而异,差别可能很大。仅凭准确性指标,无法确定哪些错误最为重要,也无法判断某种检测策略能否改善患者安全或健康结局。

联合使用多项检测会改变整个诊疗路径的表现。如果一种策略规定,两项检测中任一项为阳性就将受检者判定为阳性,那么在两项检测均于相同条件下实施和判读的前提下,与单独使用其中任何一项相比,敏感度通常会提高,特异度则会降低。如果规定两项检测均为阳性才判定为阳性,特异度通常会提高,敏感度则会降低。在条件独立的假设下:

Seeither=1−(1−Se1)(1−Se2),Speither=Sp1Sp2,Se_{\mathrm{either}}=1-(1-Se_1)(1-Se_2), \qquad Sp_{\mathrm{either}}=Sp_1Sp_2,
Seboth=Se1Se2,Spboth=1−(1−Sp1)(1−Sp2).Se_{\mathrm{both}}=Se_1Se_2, \qquad Sp_{\mathrm{both}}=1-(1-Sp_1)(1-Sp_2).

当两项检测的错误相互关联时,这些公式便不能直接套用。实际诊疗路径中还会出现未完成后续检查、各阶段之间存在延误,以及结果不确定等情况。因此,实验室检测的表现并不等同于整个诊断服务的表现。

筛查说明,高准确性是带来获益的必要条件,却不是充分条件。在低患病率人群中,即使特异度较高的检测也可能产生大量假阳性。此外,过度诊断不同于假阳性结果:被过度诊断的异常,按照疾病定义确实存在,但在当事人的一生中原本不会引起症状或导致死亡。敏感度与特异度无法衡量这一问题。评估筛查项目可能需要考察特定疾病死亡率、并发症和生活质量等结局,通常通过随机对照试验或其他比较性研究设计加以研究。

利用机器学习开发的诊断模型,还涉及其他需要区分的概念。区分度关注模型能否区分存在与不存在目标病症的人;概率校准则关注预测概率与实际观察频率的一致程度。一个模型可能具有良好的风险排序能力,却系统性地高估风险。要了解模型在不同机构、时期和患者群体中的表现,需要开展外部验证,因为这些环境中的标本处理流程、疾病分布或临床工作流程可能有所不同。总体敏感度也可能掩盖模型在某一亚组中表现较差的情况,因此,亚组样本量及估计的不确定性十分重要。

决策曲线分析将真阳性和假阳性分类结果综合为净获益指标,用于评估模型或检测策略在不同风险阈值下的表现。成本效果分析还可以纳入费用、后续治疗效果,以及质量调整生命年等指标。这些方法需要作出超出诊断准确性范围的假设。在日常质量评估中,检测失败情况、结果周转时间、确证检测完成情况和开始治疗所需时间等指标,反映了敏感度与特异度无法涵盖的诊疗路径特征。