计算器

敏感度和特异度计算器

方法1方法1：自己动手计算

1. 1确定取样人群，如一个诊所的1000名病人。

2. 2.定义感兴趣的疾病或特征，如梅毒。

3. 3有一个完善的金标准测试来确定疾病或特征的流行，例如，从梅毒疮的刮片上用暗视野显微镜记录苍白球菌的存在，并与临床结果合作。使用金标准测试来确定谁有这种特征，谁没有。为了说明问题，我们假设有100人有此病，900人没有。

4. 4有一个你感兴趣的测试，确定它对这个人群的敏感性、特异性、阳性预测值和阴性预测值，并对所选人群样本中的每个人进行这个测试。例如，让这个测试成为筛查梅毒的快速血浆抗原（RPR）测试。用它来测试样本中的1000人。

5. 5对于具有该特征的人（由黄金标准确定），记录检测为阳性的人数和检测为阴性的人数。对于不具备该特征的人（由黄金标准确定），也做同样的记录。你最后会得到四个数字。具有该特征且检测为阳性的人是真阳性（TP）。具有该特征且检测为阴性的人是假阴性（FN）。没有该特征且检测为阳性的人是假阳性（FP）。没有该特征且检测为阴性的人是真阴性（TN）。 例如，让我们假设你对1000名病人进行RPR检测。在100名梅毒患者中，有95人检测为阳性，5人检测为阴性。在900名没有梅毒的病人中，90人检测为阳性，810人检测为阴性。在这种情况下，TP=95，FN=5，FP=90，TN=810。

6. 6为了计算敏感性，用TP除以（TP+FN）。在上面的例子中，就是95/（95+5）=95%。敏感性告诉我们，对于具有该特征的人来说，测试结果呈阳性的可能性有多大。在所有具有该特征的人中，有多大比例的人将检测出阳性？95%的灵敏度是很好的。

7. 7为了计算特异性，用TN除以（FP+TN）。在上面的例子中，这将是810/(90+810)=90%。特异性告诉我们，对于不具备该特征的人，测试结果为阴性的可能性有多大。在所有没有该特征的人中，有多大比例的人将检测为阴性？90%的特异性是很好的。

8. 8 为了计算阳性预测值（PPV），用TP除以（TP+FP）。在上面的例子中，这将是95/(95+90)=51.4%。阳性预测值告诉我们，如果测试呈阳性，某人有这种特征的可能性有多大。在所有检测为阳性的人中，真正具有该特征的比例是多少？51.4%的预测值意味着如果你测试呈阳性，你有51.4%的机会真正患有这种疾病。

9. 9为了计算阴性预测值（NPV），用TN除以（TN+FN）。在上面的例子中，这将是810/(810+5)=99.4%。阴性预测值告诉我们，如果检测结果为阴性，某人不具有该特征的可能性有多大。在所有检测为阴性的人中，真正不具备该特征的比例是多少？99.4%的阴性预测值意味着如果你检测为阴性，你有99.4%的机会不患有某种疾病。

• 准确性，或效率，是指测试结果正确识别的百分比，即（真阳性+真阴性）/测试结果总数=（TP+TN）/（TP+TN+FP+FN）。
• 试着画出一个2x2的表格，使事情变得更容易。
• 要知道敏感性和特异性是某一特定检验的内在属性，并不取决于给定的人群，也就是说，当同一检验应用于不同人群时，这两个值应该是相同的。
• 试着好好理解这些概念。
• 好的筛查试验有很高的敏感性，因为你希望能够挑出所有具有该特征的人。如果检测结果为阴性，那么灵敏度非常高的检测对于排除疾病或特征是非常有用的。("SNOUT": SeNsitivity-rule OUT)
• 好的确诊试验具有较高的特异性，因为你希望你的试验是特异的，而不是把那些没有这种特征的人误认为有这种特征。如果检测结果呈阳性，具有非常高的特异性的检测对排除疾病或特征非常有用。("SPIN": 特异性排除)
• 另一方面，阳性预测值和阴性预测值取决于该特征在特定人群中的流行程度。特征越稀少，阳性预测值就越低，阴性预测值就越高（因为对于稀少的特征，预检概率很低）。反之，特征越普遍，阳性预测值越高，阴性预测值越低（因为常见特征的检测前概率高）。