阳性预测值与阴性预测值

如果您输入患者和对照组的检验值，Prism 可以绘制 ROC 曲线。该曲线展示了在不同阈值下，灵敏度和特异性之间的权衡关系，这些阈值用于界定“正常”与“异常”检测结果的边界。

敏感度是指检测结果为异常的患者所占的比例。

特异性是指对照组中阴性试验结果的比例。

但这两个数值可能无法解答您真正关心的问题：

•如果结果为“异常”，该人真正患有该疾病的概率是多少？这就是阳性预测值（PPV）。

•如果结果为“正常”，该人真正未患该疾病的概率是多少？这就是阴性预测值（NPV）。

虽然可以根据灵敏度和特异性计算出阳性预测值和阴性预测值，但这仅在您了解受检人群中该疾病的患病率时才成立。

示例

您分析了ROC曲线，并选定了一个检验值作为“正常”与“异常”之间的阈值。对于该阈值，敏感度为90%，特异度为95%。在所检测的人群中，该疾病的患病率为10%。 阳性预测值（PPV）和阴性预测值（NPV）分别是多少？您可以通过填写下表来计算。

1.假设一个受检患者总数。最终所有结果都将以比率形式呈现，因此该数值并不重要。我选择了10,000，并将其填入表格的右下角。

2.患病率为10%，因此1,000名患者患有该疾病，9,000名患者未患病。这些数值构成表格的底行（总行）。

3.敏感度为90%，因此0.9×1,000=900名患病者（左列）进行阳性试验，另有100名患病者进行阴性试验。这些数值填入左列。

4.特异性为95%，因此0.95×9,000=8,550名非患者进行阴性试验。剩余450名非患者进行阳性试验。这些数值填入第二列（无病列）。

5.填写最后一列（总计）。

6.阳性预测值是指检测结果为阳性且确实患有该疾病的人所占的比例：900/1350 = 66.7%

7.阴性预测值是指阴性试验且未患该疾病的人群所占的比例：8550/8650 = 98.8%

如果您想将这些计算自动化（例如在Excel中），本页底部（来自MedCalc）提供了必要的计算公式。