技术｜特异性是如何影响测试的预测价值？

除了患病率外，还有一个变量对阳性预测值（PPV）有很大影响。这个变量被称为特异性。

这里有一个例子。让我们来看看一个有1000人的人口。假设患病率为20%，因此200人有这种疾病，800人没有。测试的灵敏度是70%，特异性也是70%。因此，在200个病人中，70%，即140人，将被测试发现，而60人将被遗漏。

同样地，70%，即560个未患病的人将被发现，而240人将被错误地归类为患病。总的来说，我们有380人检测结果呈阳性--140个真阳性，240个假阳性。

图1 | 在1000人的人口中，一种流行率为20%的疾病将影响200人。一个具有70%灵敏度和70%特异性的测试将正确识别140个患病的人和560个没有患病的人。这将留下60个假阴性和240个假阳性的结果。

现在我们来计算一下PPV。140个真阳性结果除以380个测试阳性者，乘以100，等于37%，这结果相当糟糕。

图2 | 对于20%的疾病流行率，在这个人群中使用灵敏度和特异性均为70%的测试，可产生37%的阳性预测值，或PPV。

现在让我们看看，如果我们把灵敏度改为90%，阳性预测值会发生什么变化。现在，在200个病人中，我们将挑选出180人，我们将错过20人。没有患病的人没有变化，因为特异性保持在70%。所以总的来说，我们最终会有420人检测出阳性。

PPV的计算方法是180除以420，乘以100，等于43%。因此，与我们最初的37%相比，没有大的改进。

图3 | 对于20%的疾病流行率，在这个人群中使用灵敏度为90%、特异性为70%的测试，产生的阳性预测值（PPV）为43%。

现在，让我们看看如果我们采用最初的数字，并将特异性从70%改为90%会发生什么。在这种情况下，患病的人数和他们的结果保持不变，因为灵敏度保持在70%不变。现在我们正确诊断了90%的非患者，即720人，我们将得到80个假阳性。

所以总的来说，有220人检测为阳性。阳性预测值是140除以220，乘以100，等于64%。这比我们最初的37%要好得多!

图4 | 对于20%的疾病流行率，在这个人群中使用灵敏度为70%、特异性为90%的测试，产生的阳性预测值为67%。

嗯，因为在正常人群中，健康人组有更多的人。因此，正确识别为阴性的健康人个体数量的1%变化，即特异性，比正确检测为阳性的疾病个体数量的1%变化（即灵敏度）的影响要大得多。