统计学指标.pdf

阳性阴性合计有病a c a+c 无病b d b+d 合计a+b c+d 敏感度 (sensitivity ，SEN) ，又称真阳性率(true positive rate，TPR)，敏感度 =a/(a+c)，它反映筛检试验发现病人的能力。在唐筛中，各种筛查的检出率 就是敏感度特异度 (specificity ，SPE)，又称真阴性率(true negative rate，TNR) ，特异度 =d/(b+d) ，它反映筛检试验确定非病人的能力。以上的两个指标的分母都是金标准诊断有病或无病的病例，敏感度就是有病的里边能看出来多少，特异度就是没病的里边能排除多少。阳性预测值 （positive predict value ，PPV)，a/(a+b)，指筛检试验检出的全部阳性例数中，真正“有病”的例数（真阳性）所占的比例，反映筛检试验结果阳性者患目标疾病的可能性。阴性预测值 （negative predictive value ，NPV) ，d/(c+d)，指检验结果为阴性的受试者中真正未患病的比例。K=a+c/a+b+c+d 这两个指标的分母是某诊断实验诊断有病或无病的病例，通俗上说， 阳性预测值就是某诊断实验说有病的人中有多少是真的有病的，阴性预测值则反之。 诊断试验的预测值受到敏感度、特异度和受试者中患病率的影响。假阳性率 =假阳性人数金标准阴性人数, 即：假阳性率 =b/（b+d）中文名称：假阳性率英语名称： false positive rate，FPR，通俗名称： 误诊率或第类错误的：在进行假设检验时，由于检验统计量是随机变量，有一定的波动性，即使原假设H0 为真，在正常的情况下，计算的统计量仍有一定的概率(称为显著性水平)落入拒绝域内，因此也有可能会错误地拒绝原假设H0，这种当原假设H0 为真而拒绝原假设的错误，称为假设检验的第一类错误，又称为拒真错误。为犯假设检验第一类错误的概率，1-则为当原假设H0 为真而作出正确判断的概率。 越小， 作出错误判断的概率越小，因此，显著性水平是限制发生第一类错误的保证，又称为检验的损失。拒绝虚无假设(Ho)时可能犯的错误，称为第一类型错误，以来代表。解释：即实际无病或阴性，但被判为有病或阳性的百分比。假阴性率 =假阴性人数金标准阳性人数，=c/（a+c） ，指实际有病，但根据筛检试验被定为无病的百分比， 它反映的是筛检试验漏诊病人的情况。假阴性率 (false negative rate， FNR) ，又称漏诊率或第类错误：第二类错误（type error）又称型错误：不拒绝实际上不成立的，为“存伪”的错误(即接受了错误的原假设），其概率通常用表示。=P（接受H0H0 是错误的） *H0 即原假设，第二类错误的概率依赖于总体参数的假设值与其真值之间的差别。由于大的差别比小的差别更容易发现，所以当总体参数的假设值与真值相差很大时，就很小。似然比 (likelihood ratio, LR) 是反映真实性的一种指标，属于同时反映灵敏度和特异度的复合指标。 即有病者中得出某一筛检试验结果的概率与无病者得出这一概率的比值。该指标全面反映筛检试验的诊断价值，且非常稳定。 似然比的计算只涉及到灵敏度与特异度，不受患病率的影响。因检验结果有阳性与阴性之分，似然比可相应地区分为阳性似然比(positive likelihood ratio, LR)和阴性似然比(negative likelihood ratio, LR)。 阳性似然比 是筛检结果的真阳性率与假阳性率之比，即a/(a+c) b/(b+d)=Sen/(1 Spe)，其中Sen:敏感性； Spe:特异性； a:真阳性； b:假阳性； c:假阴性； d:真阴性。说明筛检试验正确判断阳性的可能性是错误判断阳性可能性的倍数。比值越大， 试验结果阳性时为真阳性的概率越大。阴性似然比是筛检结果的假阴性率与真阴性率之比，即c/（a+c）与 d/(b+d)之比， -LR=(1-Se)/Sp 。表示错误判断阴性的可能性是正确判断阴性可能性的倍数。其比值越小， 试验结果阴性时为真阴性的可能性越大。阳性似然比、阴性似然比结合了敏感性、特异性、阳性预测值和阴性预测值的优点， 既可以根据患者有无某项报警症状来做预测，同时又不受被检人群中病变发生率的影响， 可用于多种临床环境中，因此是一个相对独立的、更具临床意义的诊断性试验效果的评估指标。当阳性似然比10 或阴性似然比0.1 时，诊断或排除某种疾病的可能性就显著的增加。