已知某诊断方法的病例组例数、非病例组例数、试验结果以及结果区间，可计算该诊断试验的区间似然比。本文实例演示在MedCalc软件中计算原始资料的区间似然比的操作步骤。
关键词：MedCalc; 诊断试验; 区间似然比
在诊断试验中，灵敏度和特异度等指标均可视为条件概率(某条件下发生某一事件的概率)，而条件概率在Bayes公式中又被称为似然度，两个似然度之比则为似然比(likelihood ratio, LR)。
似然比是两个概率之比：在诊断试验中，患者出现某种检测结果的概率(阳性或阴性)与非患者出现相同结果的概率之比，反映了某种检验结果相对于未患病者组更倾向于患病者组的证据力度。似然比可分为阳性似然比(positive likelihood ratio, LR+)和阴性似然比(negative likelihood ratio, LR-)。阳性似然比是真阳性率与假阳性率之比，表明正确判断阳性的可能性是错误判断阳性可能性的倍数；阴性似然比是假阴性率与真阴性率之比，表明错误判断阴性的可能性是正确判断阴性可能性的倍数。阳性似然比和阴性似然比的计算公式如下：
当试验测量结果为二分类变量时(阳性或阴性)，诊断试验特征可以用灵敏度、特异度或似然比表示；而当试验测量结果为连续性变量时，诊断试验特征的最好表达方式是区间似然比。例如，试验结果范围是0~1000，则可分别计算LR(0～100)、LR(101～200)、…、LR(901～1000)时的似然比。区间内预测值的计算公式如下：
一、案例介绍
采用某诊断方法对病例组50例、非病例组100例样本进行试验，产生了150份试验结果。试验结果为连续性变量，最小值为0，最大值为500。将150份试验结果按照“0~100”“101~200”“201~300”“301~400”“401~500”进行分类(见表 1)，试计算不同诊断分类的区间似然比。
二、案例分析
本案例已知某诊断方法的病例组例数、非病例组例数、试验结果以及结果区间，计算该诊断试验的区间似然比。因此，可用MedCalc计算原始资料及汇总资料的区间似然比。
三、软件操作及结果解读
(一) 软件介绍
- 打开数据文件“案例数据.mcl”。class表示患病与否，0为非病例组，1为病例组；value为检测结果(图1)。
- 选择“统计”—“ROC曲线”—“区间概率比”菜单，打开“区间概率比”对话框(图2)。
- 在“区间概率比”对话框中，将value(连续性的试验结果)选入“变量”；将class(患病与否诊断试验)选入“分类变量”框，定义状态默认为1(阳性或患病)，并点击“确定”，见图3。
- 在“定义数据区间”对话框中，输入每个区间的下界“从”和上界“至”，最多可以定义12个“区间”。本案例共设5个分类(图4)，即“0~100”“101~200”“201~300”“301~400”“401~500”。设置完毕后，点击“确定”，并得到计算结果。
(二) 结果解读
区间似然比分析结果见图5。区间为“0~100”“101~200”和“201~300”时，LR<1，说明非患者在这3个区间的可能性更大，以“0~100”区间为例，在该区间内为患者的可能性是为非患者的0.0952倍。区间为“301~400”和“401~500”时，LR>1，说明患者在这两个区间中出现的可能性更大，以区间“301~400”为例，在该区间内为患者的可能性是非患者的2.500倍。同时，可观察到区间越大，似然比越大，说明随着区间越来越高，结果为患者的可能性越大。
四、结论
本研究中，某诊断方法的病例组例数为50、非病例组例数为100、试验结果按照“0~100”“101~200”“201~300”“301~400”“401~500”分为5个区间。通过MedCalc软件可计算出区间为“0~100”“101~200”和“201~300”时，LR<1，说明非患者在这3个区间的可能性更大，以“0~100”区间为例，在该区间内为患者的可能性是为非患者的0.0952倍。区间为“301~400”和“401~500”时，LR>1，说明患者在这两个区间中出现的可能性更大，以区间“301~400”为例，在该区间内为患者的可能性是非患者的2.500倍。同时，可观察到区间越大，似然比越大，说明随着区间越来越高，结果为患者的可能性越大。