为什么要学习诊断试验评价.ppt

为什么要学习诊断试验的评价 循证医学的重要内容 及时取舍或灵活应用新的诊断试验（试剂、药物、方法） 提高业务素质，减少患者不必要的经济开支。 目 录 第一节 贝叶斯定理 第二节 诊断试验中常用的评价指标 第三节 ROC曲线 第一节 贝叶斯定理 贝叶斯定理应用 第二节 诊断试验中常用的评价指标 灵敏度与特异度的优缺点 优点：灵敏度与特异度不受患病率的影响，其取值范围均在（0, 1）之间，其值越接近于1，说明其诊断准确性越好。 缺点：当比较两个诊断试验时，单独使用灵敏度或特异度，可能出现矛盾。 解决办法：将两指标结合：Youden指数、阳性似然比、阴性似然比等 阳性预报值与阴性预报值 第三节 ROC曲线 ROC【receiver(relative) operating characteristic的缩写，译为“接受者工作特征”】 ROC曲线研究历史 1950’s 雷达信号观测能力评价 1960’s中期 实验心理学、心理物理学 1970’s末与1980’s初 诊断医学 诊断试验：泛指血液生化、影像学、免疫学、细胞学、病理学、统计模型等检查。 重要性： 1. 循证医学的重要组成部分 2. 诊断试验评价方法可用于： 临床试验评价 临床检验评价 流行病学筛查试验评价 实验室检验评价 统计学模型评价…… 基本概念小结 ROC曲线反映了灵敏度与特异度间的平衡 (增加灵敏度将降低特异度；增加特异度将降低灵敏度)。 在ROC曲线空间，如果曲线沿着左边线，然后沿着上边线越紧密，则试验准确度越高。 在ROC曲线空间，如果曲线沿着机会线（45度对角线）越紧密，则试验准确度越低。 在诊断界值（cutpoint）处的正切线的斜率就是该试验值对应的阳性似然比（likelihood ratio，LR)。在ROC曲线空间的左下角LR+最大，随着曲线从左下往右上方移动，LR+逐渐减小。 ROC曲线下面积是重要的试验准确度指标。 主要任务： 计算ROC曲线工作点（Coordinate point或Operating point）（FPR, TPR） 连接相邻两点 连续型数据的ROC曲线工作点（TPR，FPR）计算 将这9个数据从大到小排列，以前8个数，分别作为诊断界值，大于等于诊断界值者判为阳性，小于该值者判为阴性。这样，可整理成8个四格表 有序分类数据的ROC曲线工作点（TPR，FPR）计算 将诊断分类数据按大到小排序，以前4个分类作为诊断界值，大于等于诊断界值者为阳性，小于该值者为阴性。这样，可整理出4个四格表，每个四格表对应的ROC曲线的工作点见下表。 (一) Hanley 和 McNeil非参数法  ROC曲线下面积(Az)就是异常组观察值大于正常组观察值的概率 Hanley 和 McNeil法ROC曲线下面积与Mann-Whitney U 检验 由秩和检验中的Mann-Whitney U统计量（SPSS等软件均可计算）可计算ROC曲线下面积 零假设H0:总体ROC面积θ＝0.5的检验等价于Mann-Whitney U检验 Hanley 和 McNeil法ROC曲线下面积与梯形规则（trapezoidal rule）  Hanley 和 McNeil法ROC曲线下面积等于所有曲线下梯形（包括最左侧的三角形）面积之和 （二）其他ROC曲线下面积计算方法 1. 双正态法 2. 有序回归模型 3. 其他模型(如双Gama法、双指数法) 单个连续型资料（实例1） 单个有序分类资料（实例2） 两个相关连续型资料（实例3） 两个相关有序分类资料（实例4） 实例1：采用骨髓诊断作为金标准，对100例缺铁性贫血疑似患者进行确诊，患该病者为异常组(34例)，未患该病者为正常组(66例)。为了考察红细胞平均容积（MCV）诊断缺铁性贫血的效果，测得每一个体的MCV值如下： 实例1：MCV诊断缺铁性贫血 实例1的SPSS输入格式 SPSS输出结果 SPSS输出结果 SPSS输出结果 SPSS输出结果 实例2：某放射医生将已知实际分类的影像，按肯定正常、可能正常、疑似异常、可能异常、肯定异常，分别分为1、2、3、4