診斷準確性在臨床推理中的意義
Sensitivity, specificity, 還有一些貝氏定理
之前畫了下面這張圖後，其實自己還不是很理解，它真正的臨床意義，直到唸了《臨床推理》(楊義明,2017)這本書後，才知道要加入貝氏定理，這些統計才會真的活過來。之前才和信時，陳呈峰醫師一直強調的貝氏定理，那個時候只是把高中數學P(A|B)之類的看了看，以為自己了解，但其實只是一知半解。所以這篇就要稍微弄清楚自己的盲點。
如何理解Likelihood Ratio？
經過一連串的計算後，我們知道了這項檢驗的LR(+)，我們可以把這個值理解成：這個檢查在有病的人呈陽性的機率，是在沒病的人上做呈陽性的機率的LR(+)倍！例如某檢查的LR(+)=4，則可理解成：在一個有病的人做某檢查中獎的機率，是在沒病的人身上做的4倍，有了這一層的理解，我們做各種檢查時，只要知道這個檢查的LR，就可以知道我們對於這個結果能有多少的把握了。
特別需要注意的點，根據定義：Likelihood跟疾病的盛行率是沒什麼關係的，只是單看這個檢查「強不強」而已。所以當要考慮盛行率時，就要引入貝氏定理。
貝氏定理
高中學過的P(A|B)=P(A∩B)/P(B)，該如何把它活用在臨床推理中呢？
再把貝氏定理的公式套進來，來計算1~4的各種條件機率，會不會發現這個算式有點眼熟？沒錯，就是在算PPV和NPV
PPV(Positive Predictive Value) = TP / TP +FN = ① / ① + ③
但要記得，要乘上我們的盛行率，所以全式要列成
盛行率*Sensitivity/[(盛行率*Sensitivity)+(1-盛行率)(1-Specificity)]
NPV(Negative Predictive Value) = TN / TN +FP = ④/ ④ + ②
(1-盛行率)*Specificity/[(1-盛行率)*Specificity+(盛行率)(1-Sensitivity)]
這個時候就要問一句：所以呢？來看看實例，了解盛行率扮演了一個怎麼樣的角色
某個檢查的Sensitivity = 60%; Specificity = 85%
在盛行率80%的族群中，PPV = 0.94, NPV = 0.35
在盛行率15%的族群中，PPV = 0.41, NPV = 0.92
可以觀察到；在一個疾病盛行率很高的狀態下，PPV會變高，NPV降低；反過來，盛行率低時，則偏向高NPV，也就是說，光是知道某項檢查的Sensitivity, Specificity是不夠的，我們還要知道這個疾病的盛行率。當看見某陽性的結果時，才能確定自己有幾成的把握下診斷喔。
[參考]其他人做的圖:
