似然比，临床医生提高诊断能力的好帮手

似然比，临床医生提高诊断能力的好帮手

上一期，我提到利用统计学思维来提高临床诊断能力，到底如何入手呢？什么样的统计学方法能够最快上手用于提高诊断能力呢？今天，我向大家隆重推荐似然比（likelihood ratios)。

对于大多数临床医生，在大学时期上统计学我们印象最深刻的莫过于敏感性和特异度这两个指标，这两个指标非常直观也好理解，但是这两个数据在应用到临床诊断中则存在一些不足之处。

让我们首先看一下什么是敏感性，比如我们判断一个病人有没有肺栓塞，目前并没有很好的化验指标，我们最常用的是D二聚体，假设我们设定1ug/L为界值，肺栓塞1000患者中有950个高于这个值，还有50个低于这个数值，那么敏感性(sens)就是950/（950+50）=95%,其中950个患者我们称之为真阳性（true positive,TP),50个患者是假阴性（false negative,FN),

Sens =TP/(TP+FN)

特异性则是指在没有患病的患者结果为阴性的比例，假设1000个没有肺栓塞的患者中，400个D二聚体正常（真阴性，true negative,TN)，600个D二聚体增高(假阳性，false positive,FP)，那么特异性(spec)就是400/（400+600）=40%

Spec=TN/(TN+FP)

如上图所示，根据这项指标来判断患病可能性，P指患病的概率，正常者就是（1-P），那么真正患病的人就是TP+FN。其中TP=P*sens，FN=P*（1-sens)。

那么单纯依靠敏感性和特异性去分析问题有什么不足之处呢？

首先，当假阴性（FN）的数量依赖于预前可能性p时，排除诊断单纯依靠敏感性，也就是

如果患者高度怀疑肺栓塞，那么就直接做肺血管CT，而没必要做D二聚体检测，因为肺血管CT的敏感性比D二聚体更高，相应的肺血管CT的FN会比D二聚体检查低。

第二个不足是高敏感性检测并不能直接代表高的预测价值。高敏感性仅仅能告诉临床医生这项检验或者检查与金标准相比，能多大程度上能够可靠地找出患病的的病人。但是当病人想了解D二聚体阴性结果意味着什么，实际上是患者想了解这项检验的阴性预测值（NPV），就需要同时知道检测前推断可能性（P)和特异性。

接下来第三个不足就是敏感性和特异度是解释诊断试验时是相互影响的，不能独立地进行解释。我们可以假设有一个检验具有很高的敏感性但是特异度很差。那会发生什么呢？如果单纯依赖于敏感性，临床医生可能会因检验阴性而排除诊断，因为假阴性率是很低的。但是如果这个检验同时特异性低，那么真阴性率也同时低，那么检测阴性是否是真阴性还是假阴性机会均等。这样说，一时难以理解，那么，我们用极端的例子来说明。我们假设敏感性为0.95，特异性为0.05，那么阴性预测值（NPV）是

看到了没，NPV与做这项检测之前的预测概率没有发生变化。

因此这个时候，似然比的价值就突显出来了，它可以放大或者缩小疾病诊断的概率，阳性似然比可以放大疾病的概率，而阴性似然比则是缩小疾病的概率（见下图）。

阳性似然比（LR+）=敏感性/（1-特异性）

阴性似然比（LR-）=（1-敏感性）/特异性

我们知道，要通过一个诊断检验来提高诊断效能，是最大程度提高真阳性率的同时最大程度缩小假阳性率，在我们做这项检验之前先预估一个概率，我们称之为预前概率，如果LR+很高，就能放大诊断的预后概率。

阴性似然比则对于急诊科医生非常重要，因为很多临床决策工具都有用于将患病风险，其中低风险患者不需要进一步的检查，这些工具中的复合测试具有良好的阴性似然比，将低风险的患者在某项检验后患病风险进一步降低。

不过，这里要稍微说一下，英文中probability和odds两者概念是不同的，虽然我们用词典一查，都有“概率”和“几率”的概念，但是probability通常是在总体人群中发生疾病的概率，等于患病人群/（患病人群+健康人群）；而odds则是指患病人数是健康人数的倍数，等于患者人数/健康人数。

而似然比是通过odds进行计算的，要转移成probability要进行一下转换：

但由于这样转换计算上要花一些时间，不够直观，因此有人给出了一个大概的换算，假设我们设定患病与否的概率均等(50%),那么如果某项测试阳性似然比分别是2、5、10，则其患病的概率分别增加15%、30%和45%；而如果阴性似然比分别是0.5、0.2和0.1,那么患病的概率也相应地减少15%、30%和45%.