刘博谈验证 | 如何用测试后患病概率解释测试结果之二

贝叶斯定理在解释测试时的重要性在于它定义了测试前患病概率和测试后患病概率之间的关系，如图2.1所示。这两个概率之间的关系有几个含义。

图2.1a | 用贝叶斯定理计算与测试前患病概率的所有数值相对应的测试结果为阳性时，测试后患病概率，假设该测试的敏感性和特异性都是90%。

图2.1b | 用贝叶斯定理计算了与测试前患病概率的所有数值相对应的测试结果为阴性时，测试后患病概率，假设该测试的敏感性和特异性都是90%。

对一个测试结果的解释取决于测试前的患病概率。

如果测试结果是阳性的，测试后患病概率随着测试前患病概率的增加而增加（图2.1a），如果测试结果为阴性，则测试后患病概率随着测试前患病概率的降低而降低（图2.1b）。

这种关系的后果是，如果不考虑做试验前对患者的了解，就无法正确解释试验结果的意义。这句话是不可避免的，因为它是基于概率论的第一原理。

一个测试结果的影响取决于测试前患病概率。图2.1中45度线与曲线之间的垂直距离就是测试前和测试后概率之间的差异。

当临床医生已经相当确定患者的真实状态时，疾病的概率要么非常高，要么非常低。

当测试前患病概率非常低时，阴性测试的影响很小，而阳性测试的影响很大；当测试前患病概率非常高时，阴性测试有相当大的影响，而阳性测试的影响很小。

这个例子表明，证实自己先前判断的测试结果对患者是否患有疾病的概率没有什么影响。

而当疾病的概率处于中间状态时，测试就会有很大的影响，这与医生相当不确定的临床情况相一致。

当测试的结果不能证实先前的临床印象时，测试也是有用的，例如，在一个被认为很可能患有某种疾病的患者身上出现阴性结果。

测试前患病概率影响测试结果为阳性或阴性的概率。测试前患病概率越高，就越有可能出现阳性测试，反之，随着测试前患病概率的增加，出现阴性测试的可能性就越小。

测试后患病概率取决于诊断性测试的灵敏度和假阳性率。这种关系是关注准确测量测试性能的一个原因。