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 可以生成 ROC 曲线。该曲线展示了在定义“正常”与“异常”检测结果边界时，不同阈值下灵敏度和特异性之间的权衡关系。

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）。

•如果结果是“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）。

虽然可以从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”的界限。在此检验值下，敏感度为90%，特异度为95%。在受检人群中，该疾病的患病率为10%。请问PPV和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。最终所有结果都是比率，因此这个数值并不重要。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（总数行）。

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0.95×9000=8550名未患病者进行阴性试验。这意味着有450名未患病者进行阳性试验。这些数值填入第二列（未患病）。

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病的人群比例：900/1350 = 66.7%

7.阴性预测值是指阴性试验且未患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）提供了所需的公式。