敏感性vs特异性

在开发诊断测试或评估结果时，重要的是要了解这些测试以及因此获得的结果的可靠性。通过使用已知疾病状态的样本，可以计算出敏感性和特异性等值，从而进行评估。

灵敏度值告诉你什么?

的灵敏度的测试也被称为真阳性率(TPR)以及使用相关测试给出阳性结果的真正阳性样本的比例。例如，正确识别面板中所有阳性样本的测试是非常敏感的。另一项检测仅检测到60%的阳性样本，将被认为灵敏度较低，因为它遗漏了阳性，并给出了更高的a假阴性率(FNR)．也作第二类误差，假阴性是未能拒绝错误的零假设(零假设是样本为阴性)。

特异性测量能告诉你什么?

的特异性的测试，也称为真负利率(TNR)，是使用相关测试给出阴性结果的真正阴性样本的比例[更新，2022年1月25日]。例如，一项将所有健康人确定为某种特定疾病阴性的测试是非常具体的。另一项测试错误地确定了30%的健康人群患有这种疾病，将被认为是不那么具体的，有更高的假阳性率(FPR)．也作第一类误差，假阳性是对真零假设的拒绝(零假设是样本为阴性)。

敏感性vs特异性助记法

SnNouts而且SpPins是帮助你记住敏感性和特异性之间的区别的助记符。

SnNout:灵敏度值较高的测试(Sn)当负(N)，有助于排除疾病(出）.

SpPin:特异性值较高的检测(Sp)，当阳性时(P)有助于控制疾病(在）.

如何计算敏感性和特异性值?

一个理想的测试很少会忽略你正在寻找的东西(即它是敏感的)，也很少会把它误认为其他东西(即它是特定的)。因此，在评估诊断测试时，计算该测试的敏感性和特异性以确定其有效性是很重要的。

诊断测试的敏感性表示为假设患者患有该疾病，样本检测呈阳性的概率(以百分比表示)。

下面的公式用于计算测试的灵敏度:

敏感性=真阳性数量
(真阳性数+假阴性数)

＝真阳性数量
患病总人数

测试的特异性表示为假设患者没有患病，测试返回阴性结果的概率(以百分比表示)。

以下公式用于计算测试的特异性:

特异性=真阴性数

(真阴性数+假阳性数)

＝真阴性数
未患病的总人数

敏感性vs特异性的例子

你有一个新的诊断测试，你想评估。你有一组验证样本，你可以确定它们是否来自你所测试的疾病的患病或健康个体。你的样本包括150个阳性和400个阴性。

在这个例子中，我们要澄清四件事:

1. 考试内容是什么灵敏度？也就是说，有多少患病个体被正确识别为患病?
2. 考试内容是什么特异性？也就是说，有多少健康的人被正确地认定为健康的?
3. 考试内容是什么阳性预测值？也就是说，检测结果呈阳性的人实际上患病的概率是多少?
4. 考试内容是什么负预测值(NPV)?也就是说，一个呈阴性结果的人实际上是健康的概率是多少?

在对样本进行检测后，将结果与已知疾病状况进行比较，并发现:

真阳性(检测结果为阳性且真阳性)= 144

假阳性(测试结果为阳性，但实际为阴性)= 12

真阴性(检测结果为阴性，真正为阴性)= 388

假阴性(测试结果为阴性，但实际为阳性)= 6

敏感性与特异性表

或，显示在列联表：

	真正积极的	真正的负	行总
检测呈阳性	144	12	156
测试-	6	388	394
列总	150	400	550

灵敏度= 144 / (144 + 6)
= 144 / 150
= 0.96
= 96%敏感性

特异性= 388 / (388 + 12)
= 388 / 400
= 0.97
= 97%特异度

敏感性和特异性是否与阳性预测值(PPV)和阴性预测值(NPV)相同?

简而言之，没有，尽管它们是相关的。的阳性预测值是返回阳性结果的对象/样本确实为阳性的概率。的负预测值(NPV)是返回阴性结果的对象/样本确实为阴性的概率。这类信息对于与患者讨论结果非常有用，例如，评估他们可能进行的任何测试的可靠性。用于计算灵敏度和特异性的相同值也用于计算阳性和阴性预测值。一种看待它的方法是敏感性和特异性评估测试，而PPV和NPV评估结果。

阳性预测值由下式计算:

PPV =真阳性数量

(真阳性数+假阳性数)

＝真阳性数量
检测呈阳性的样本数量

负预测值由下式计算:

净现值=真阴性数

(真阴性数+假阴性数)

＝真阴性数
检测呈阴性的样本数量

使用上面例子中的值:

PPV = 144 / (144 + 12)
= 144 / 156
= 0.923076923…= 92%

NPV = 388 / (388 + 6)
= 388 / 394
= 0.984771573…= 98%

所以，如果测试结果是阳性的，有92%的机会是正确的，如果是阴性的，有98%的机会是正确的。

PPV的互补值为错误发现率时，NPV的互补值为错误遗漏率(FOR)分别等于1减去PPV或NPV。FDR是错误结果或“发现”的比例。FOR是被错误拒绝的假阴性的比例。从本质上讲，PPV和NPV越高，FDR和FOR就越低——这对测试结果的可靠性来说是个好消息。

我该如何在敏感和具体之间取得平衡?

如果结果是在一个滑动的数值范围内给出的，而不是一个明确的阳性或阴性，灵敏度和特异性值尤其重要。它们允许您确定将结果称为阳性或阴性的界限在哪里，甚至可能建议重新测试的灰色区域。例如，通过将阳性结果的截止值设置在一个非常低的水平(蓝色虚线)，您可以捕获所有阳性样本，因此测试非常敏感。然而，这可能意味着许多实际为阴性的样本可能被认为是阳性的，因此该测试将被认为具有较差的特异性。因此，找到一个平衡对于一个有效和可用的测试是至关重要的。

使用受试者工作特征曲线(ROC曲线)可以帮助达到最佳点，并平衡假阴性和假阳性。然而，背景对于假阴性是否比假阳性问题更少也很重要，反之亦然。例如，如果必须识别所有阳性结果——例如，在生死攸关的问题上，那么您可能愿意容忍更高数量的假阳性，以避免遗漏任何一个。在这里，假阳性可以被进一步筛选出来。

什么是ROC曲线?

ROC曲线是一种图形表示，显示了一项测试的敏感性和特异性如何相互变化。为了构建ROC曲线，已知为阳性或阴性的样本使用测试进行测量。

对于给定的临界值，将TPR(敏感性)与FPR(1 -特异性)绘制成与下图相似的图。理想情况下，选择一个曲线肩附近的点，既能限制假阳性，又能最大化真阳性。

给出ROC曲线(如黄色线)的测试并不比随机猜测好，淡蓝色是很好的，但由深蓝色线表示的测试将是极好的。它将使截止确定相对简单，并在非常低的假阳性率下产生高的真阳性率-敏感和具体。

更正:该文章错误地将“特异性”的定义定义为“使用相关测试测试为阴性且真正为阴性的样本比例”，该文章于2022年1月25日更新，将其正确定义为“使用相关测试给出阴性结果的真正为阴性的样本比例”。