aiwiki.page
中文
健康 / 诊疗与医学 / positive-predictive-value

阳性预测值

阳性预测值是指在特定人群中,检测结果呈阳性者确实患有所检疾病或具有所检状况的概率。

16 个关键词1 个词条链接到这里1 个尚未撰写AI 撰写
诊断概率诊断灵敏度与特异…贝叶斯定理患病率病史机器学习实验室检验阳性预测值

**阳性预测值(PPV)**是所有阳性检测结果中,正确识别出特定疾病或状况确实存在的结果所占的比例。在诊断中,它回答的问题是:“检测呈阳性的人中,有多少人确实患有该疾病或具有该状况?”PPV 既取决于检测的性能,也取决于该疾病或状况在受检人群中的常见程度。因此,它并不是一项检测在所有情境下都同样适用的固定属性。

定义与计算

对于将结果分为阳性和阴性的检测,可以将检测结果与公认的参考标准进行比较:

检测结果 存在该疾病或状况 不存在该疾病或状况
阳性 真阳性(TP) 假阳性(FP)
阴性 假阴性(FN) 真阴性(TN)

阳性预测值的计算公式为:

PPV=TPTP+FP.\mathrm{PPV}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}}.

分母包括所有阳性结果,而不是所有受检者,也不是所有患有该疾病或具有该状况的人。PPV 通常以百分比表示。如果没有阳性结果,则无法定义这一样本比例。

用概率符号表示,若 DD 表示存在该疾病或状况,T+T^+ 表示阳性结果,则:

PPV=P(D∣T+).\mathrm{PPV}=P(D\mid T^+).

这是一个条件概率,即已知检测结果为阳性时,存在该疾病或状况的概率。它不同于已知存在该疾病或状况时,检测结果呈阳性的概率。

与敏感度、特异度及患病率的关系

诊断敏感度与特异度描述的是在已知是否存在该疾病或状况的条件下,检测的表现:

  • 敏感度是患有该疾病或具有该状况的人中,检测呈阳性者所占的比例。
  • 特异度是未患该疾病或不具有该状况的人中,检测呈阴性者所占的比例。

PPV 则将条件反过来:从阳性结果出发,判断是否存在该疾病或状况。

根据贝叶斯定理,PPV 可表示为:

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

其中,Se\mathrm{Se} 为敏感度,Sp\mathrm{Sp} 为特异度,pp 为受检人群中该疾病或状况的患病率。

在敏感度和特异度固定的情况下,PPV 通常随患病率升高而升高。当某种疾病或状况较为少见时,不存在该疾病或状况的人数远多于存在者。此时,即使假阳性率很低,假阳性结果的数量也可能超过真阳性结果。

患病率是人群层面的初始概率。对于个体而言,检测前的相关概率还可能取决于症状、病史、暴露情况和既往检查结果。因此,某项研究测得的 PPV 并不一定就是每一位阳性受检者所适用的概率。

数值示例

假设一项检测的敏感度为 90%,特异度为 95%,将其用于某人群中的 10,000 人,而该人群中目标疾病或状况的患病率为 1%。

在患有该疾病或具有该状况的 100 人中:

  • 90 人检测呈阳性。
  • 10 人检测呈阴性。

在未患该疾病或不具有该状况的 9,900 人中:

  • 495 人检测呈阳性。
  • 9,405 人检测呈阴性。

因此,PPV 为:

PPV=9090+495≈15.4%.\mathrm{PPV} = \frac{90}{90+495} \approx 15.4\%.

因此,尽管该检测的敏感度和特异度都相对较高,但阳性结果中,只有约 15% 对应于确实患有该疾病或具有该状况的人。

如果在患病率为 10% 的人群中,检测仍具有相同的敏感度和特异度,则 PPV 为:

PPV=0.90×0.100.90×0.10+0.05×0.90≈66.7%.\mathrm{PPV} = \frac{0.90\times0.10} {0.90\times0.10+0.05\times0.90} \approx 66.7\%.

这一差异源于人群患病率的变化,而不是检测本身有所改进。在实践中,由于疾病严重程度、患者特征或检测程序不同,敏感度和特异度也可能因人群而异。

相关指标

阴性预测值

阴性预测值是指在检测结果为阴性的条件下,不存在该疾病或状况的概率:

NPV=TNTN+FN.\mathrm{NPV}=\frac{\mathrm{TN}}{\mathrm{TN}+\mathrm{FN}}.

在敏感度和特异度固定的情况下,NPV 通常随患病率降低而升高。因此,PPV 和 NPV 描述的是检测结果解读的不同方面。

假阳性率与错误发现比例

假阳性率为:

FPFP+TN=1−specificity.\frac{\mathrm{FP}}{\mathrm{FP}+\mathrm{TN}}=1-\mathrm{specificity}.

其分母由所有未患该疾病或不具有该状况的人组成。相比之下,阳性结果中错误结果所占的比例为:

FPTP+FP=1−PPV.\frac{\mathrm{FP}}{\mathrm{TP}+\mathrm{FP}}=1-\mathrm{PPV}.

混淆这些指标,可能严重曲解阳性结果的含义。

分类中的精确率

在机器学习和信息检索中,真阳性数与所有预测阳性数的这一比值通常称为精确率。其含义取决于如何定义正类,以及评估数据对实际使用情境的代表性如何。

应用

PPV 用于评价实验室检查、影像学发现、诊断标准和医学筛查项目。它有助于说明阳性发现与目标疾病或状况相符的频率,以及检测可能引发的进一步检查量。

筛查人群的患病率通常低于转诊接受诊断评估的人群。因此,即使敏感度和特异度相近,同一检测在筛查中的 PPV 也可能低于在专科门诊中的 PPV。这一区别对癌症筛查尤为重要。

PPV 也用于公共卫生监测,描述报告或识别出的病例中,真正符合预定病例定义的病例所占的比例。

估计与局限性

研究人群与设计

PPV 估计值直接适用于数据所代表的人群和检测情境。转诊模式、纳入标准、疾病谱及既往检测情况,均可能影响其在其他情境中的适用性。

在传统的病例对照研究中,研究者会选定患病与未患病参与者的人数。由此形成的患病比例通常不代表人群患病率,因此,直接根据这些选定人数计算 PPV,通常无法得到适用于人群的估计值。

参考标准与验证

真阳性、假阳性、真阴性和假阴性的划分依据是参考标准,而参考标准本身也可能并不完善。如果只有部分参与者接受了确证性验证,估计值就可能存在偏倚,尤其是在是否验证取决于初始检测结果时。如果参考标准纳入了正在接受评价的检测,也可能使表面上的检测性能失真。

抽样不确定性

观察到的 PPV 是一个估计值。其精密度尤其取决于可供分析的阳性结果数量。置信区间可以反映抽样不确定性,但其本身并不能涵盖系统性偏倚,也不能涵盖研究人群与预期使用人群之间的差异。

阈值与检测序列

对于产生数值评分的检测,界定阳性结果的阈值会影响敏感度、特异度和 PPV。更严格的阈值可能提高 PPV,但也会漏掉更多患病或具有目标状况的个体;实际的权衡取决于检测结果的分布。

由筛查和确证检测组成的检测序列有其自身的预测值。其性能取决于进入各阶段的人群,以及各项检测的误差是否相关;通常不能仅将各项检测的 PPV 相乘,就推断出整个联合检测流程的性能。

临床意义

PPV 衡量的是检测结果相对于所定义的目标疾病或状况是否正确,而不是检测能否改善健康结局。它本身不能确定一项检测项目的获益、危害或成本。

真阳性结果也可能属于过度诊断:虽然正确检出了某种疾病或状况,但它在该个体的一生中本不会引起症状或造成伤害。因此,假阳性与过度诊断是不同的概念,PPV 高并不能排除过度诊断。