预测值(Predictive Values)计算——MedCalc软件实现

发布于 2022年9月20日 星期二 19:37:52 浏览:9865
原创不易,转载请注明来源,感谢!

已知样本人群的患病率(P)、诊断试验的灵敏度(Se)和特异度(Sp),根据Bayes条件概率理论,可计算患病的概率(验后概率)。本文实例演示在MedCalc软件中计算预测值(验后概率)的操作步骤。

关键词:MedCalc; 预测值; 验后概率

预测值(Predictive values)又称诊断价值,是指在已知试验结果的条件下,表明有无疾病的概率,可分为阳性预测值(positive predictive value, PPV)和阴性预测值(negative predictive value, NPV)。阳性预测值是指试验结果阳性者中真正患此病的概率,阴性预测值是指试验结果阴性者中未患病的概率。以经典诊断试验四格表(表 1)为例,预测值的计算公式如下:

\(P P V=\left[\frac{a}{a+b}\right] \times 100 \%\)

\(N P V=\left[\frac{d}{c+d}\right] \times 100 \%\)

而已知样本人群的患病率(P)、诊断试验的灵敏度(Se)和特异度(Sp),根据Bayes条件概率理论,其预测值的计算公式如下(提高诊断试验效率——验前概率对验后概率的影响):

\(P P V=\frac{S e \times P}{S e \times P+(1-S p) \times(1-P)}\)

\(N P V=\frac{S p \times P}{(1-S e) \times P+S p \times(1-P)}\)

表 1 诊断试验真实性评价表

在MedCalc软件中,当疾病组和正常组的样本含量已知时,软件使用标准Logit法(standard logit method)计算预测值的95%CI。

一、案例介绍

已知某种疾病的患病率为67%,某机构发明了一种新型诊断试剂,其灵敏度为91%、特异度为70%,现使用该新型试剂对金标准筛查过的患者和非患者各1000例进行检查,试计算该检查的阳性预测值和阴性预测值。

二、案例分析

本案例已知某疾病的患病率(P)、诊断试验的样本例数(n)、灵敏度(Se)和特异度(Sp),计算该诊断试验的阳性预测值和阴性预测值,可用MedCale软件中的预测值(Predictive)功能进行分析。

三、软件操作及结果解读

(一) 软件操作

  • 选择“统计”—“ROC曲线”—“预测值”(图 1)
图1
  • 在“预测值”对话框中按图2填入相关信息,并点击“检验”
    • 敏感性(%):诊断试验的灵敏度。本例填“91”
    • 患病组的病例总数:患病组的案例数。本例填“1000”
    • 特异性(%):诊断试验的特异度。本例填“70”
    • 正常组的病例总数:正常组的案例数。本例填“1000”
    • 疾病流行性(%):疾病的患病率。本例填“67”。
图2

(二) 结果解读

该诊断试验的阳性预测值为86.03%,其95%CI为(84.8%~87.2%);阴性预测值为79.30%,其95%CI为(75.8%~82.4%)。

图3

四、结论

本研究中,已知某种疾病的患病率为67%,新型诊断试剂的灵敏度为91%、特异度为70%,患病组和正常组的病例总数各为1000例,可计算出其诊断试验的阳性预测值为86.03%,其95%CI为(84.8%~87.2%),阴性预测值为79.30%,其95%CI为(75.8%~82.4%)。

End
文章目录 沉浸式阅读