开发时诊断测试或评估结果，重要的是要了解这些测试的可靠性以及您获得的结果。通过使用已知疾病状态的样本，可以计算出诸如灵敏度和特异性之类的价值，从而使您能够对此进行评估。

灵敏度值告诉您什么？

这灵敏度测试也称为真正的正率（TPR）并且是真正阳性的样品的比例，这些样品使用所讨论的测试产生了积极的结果。例如，正确识别面板中所有正样品的测试非常敏感。另一个仅检测面板中60％的阳性样品的测试将被视为具有较低的灵敏度，因为它缺失了阳性并给予更高的敏感性假阴性率（FNR）。也称为II型错误，假否定性是未能拒绝虚假零假设（零假设是样本为负）。

特异性措施告诉您什么？

这特异性测试，也称为真正的负率（TNR），是使用所讨论的测试（更新，2022年1月25日更新）的样本的比例。例如，一项将所有健康人识别为对特定疾病负面的测试非常具体。另一个错误地识别30％的健康人员的测试将被视为不那么具体，更高误报率（FPR）。也称为类型I错误，假阳性是对真实假设的拒绝（零假设是样本为负）。

灵敏度与特异性助记符

Snnouts和sppins是一个助记符，可以帮助您记住灵敏度和特异性之间的区别。

Snnout：具有高灵敏度值的测试（sn）当负面时（n），有助于排除疾病（出去）。

sppin：具有高特异性值的测试（sp）当积极的时候p）有助于统治疾病（在）。

如何计算灵敏度和特异性值？

理想的测试很少忽略您要寻找的东西（即它很敏感），很少将其误认为其他东西（即特定于）。因此，在评估诊断测试时，重要的是要计算该测试的敏感性和特异性以确定其有效性。

诊断测试的敏感性表示为鉴于患者患有疾病的概率（百分比），样品测试呈阳性。

以下方程用于计算测试的敏感性：

灵敏度=真正的积极数量
（真实积极的数量 +假否定数的数量）

=真正的积极数量
患病的人总数

测试的特异性表示为鉴于该患者没有疾病的概率（百分比）返回负面结果。

以下方程用于计算测试的特异性：

特异性=真正的否定数量

（真正的负面数量 +假阳性数量）

=真正的否定数量
没有生病的个人总数

灵敏度与特异性示例

您需要评估新的诊断测试。您有一个验证样本小组，您可以确定它们是否肯定是来自患病的人还是健康的人。您的样品面板包括150个阳性和400个负面因素。

在此示例中，我们将要阐明四件事：

1. 测试是什么灵敏度？也就是说，有多少病人正确地识别出患病的人？
2. 测试是什么特异性？也就是说，有多少个健康的人正确地识别为健康？
3. 测试是什么正预测值（PPV）？也就是说，一个人返回积极结果的可能性实际上是患病的概率？
4. 测试是什么负预测值（NPV）？也就是说，一个人返回负面结果的可能性实际上是健康的？

在通过测定过程中运行样品后，您将结果与他们已知的疾病状况进行了比较，并发现：

真实的阳性（测试结果为正，是真正的阳性）= 144

假阳性（测试结果呈阳性，但实际上为负）= 12

真正的负面因素（测试结果为负，真正为负）= 388

假阴性（测试结果为负，但实际上是积极的）= 6

灵敏度与特异性表

或者，显示在应变表：

	真正的积极	真正的负面	行总计
测试阳性	144	12	156
测试阴性	6	388	394
列总计	150	400	550

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

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

灵敏度和特异性与正预测值（PPV）和负预测值（NPV）相同吗？

简而言之，否，尽管它们是相关的。这正预测值（PPV）是返回正结果的受试者/样本确实是正面的概率。这负预测值（NPV）是返回负面结果的受试者/样本确实是负面的概率。例如，这种信息对于与患者讨论结果非常有用，例如评估他们可能遇到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正预测值和阴性预测值。看它的一种方法是，灵敏度和特异性评估了测试，而PPV和NPV评估了结果。

使用以下公式计算正预测值：

ppv =真正的积极数量

（真实积极的数量 +误报数）

=真正的积极数量
测试阳性的样品数量

使用以下公式计算负预测值：

npv =真正的否定数量

（真正的负面因素的数量 +假否定数的数量）

=真正的否定数量
测试阴性的样品数量

使用上面示例中的值：

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

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

因此，如果测试结果为正，则有92％的机会是正确的，如果是负数，则有98％的机会是正确的。

PPV的互补值是虚假发现率（FDR），NPV的互补值是错误的遗漏率（用于）并分别等于1个减去PPV或NPV。FDR是错误的结果或“发现”的比例。FOR是错误拒绝的假阴性的比例。从本质上讲，PPV和NPV越高，FDR越低，这对于您的测试结果的可靠性来说是个好消息。

我应该如何平衡敏感性与特异性？

如果结果是在价值的滑动范围内给出的，而不是确定的正面或负面的，则敏感性和特异性值特别重要。它们允许您确定在何处抽出截止点以调用结果阳性或负数，甚至建议建议进行重新测试的灰色区域。例如，通过将截止值放在非常低的水平（蓝色虚线）的截止位置，您可以捕获所有正样品，因此测试非常敏感。但是，这可能意味着许多实际为阴性的样本可以被视为阳性，因此该测试被认为具有较差的特异性。因此，找到平衡对于有效且可用的测试至关重要。

使用接收器操作特征（ROC）曲线可以帮助达到最佳位置，并以假阳性为单位。但是，上下文对于错误的负面因素是否比假阳性更小，反之亦然也很重要。例如，如果必须确定所有积极因素（例如，在生死攸关的问题上），那么您可能愿意容忍更多的误报以避免丢失任何东西。在这里，可以将假阳性进一步筛选出来。

什么是ROC曲线？

ROC曲线是一个图形表示，表明测试的灵敏度和特异性相对于彼此而异。为了构建ROC曲线，使用测试测量已知为正或负的样品。

针对给定的截止值的FPR（1-特异性）绘制了TPR（灵敏度），以给出类似于下面的图。理想情况下，选择了曲线肩膀周围的一个点，这两者都限制了误报，同时最大程度地提高了真实的阳性。

给出了像黄线这样的ROC曲线的测试不会比随机猜测更好，淡蓝色很好，但是深蓝色线代表的测试非常好。这将使截止确定相对简单，并在非常低的假阳性速率下产生高真实的正速率 - 敏感和特定。

更正：文章错误地将“特异性”的定义称为“使用相关测试的真实测试的样本的比例，该样品的比例是在2022年1月25日更新的，以正确地将其定义为“样本的比例”真正的负面是使用有关测试产生负面结果的负面结果。”