當(dāng)臨床醫(yī)生解釋一個檢查的結(jié)果時，他在把檢查前或預(yù)測概率轉(zhuǎn)換為適當(dāng)?shù)臋z查后或修正概率。臨床醫(yī)生必須從全部已知臨床資料出發(fā)，進(jìn)行最恰當(dāng)?shù)呐袛啵瑏泶_定這些概率的合理估計數(shù)。為了這一過程放在臨床情況下來說明，設(shè)想有位25歲女病人出現(xiàn)排尿困難。假定臨床醫(yī)生根據(jù)病史和體檢把尿路感染(UTI)的概率設(shè)想得是較低的(30%)。在把病人小便送去作尿沉淀顯微鏡檢查和培養(yǎng)以前，臨床醫(yī)生作了白細(xì)胞酯酶檢查，結(jié)果陽性。要確定UTI的修正概率，臨床醫(yī)生必須知道該檢查的敏感性和特異性，它們分別是71%和85%。圖295-1考慮了10萬名和病人類似的婦女，其中30%(30000人)有UTI，而70%(70000人)沒有。有UTI的婦女中21300人的檢查結(jié)果將呈陽性(因為檢查的敏感性是71%)而沒有UTI的婦女中也有10500人將呈陽性(因為假陽性率是15%)。這樣，在31800名檢查結(jié)果呈陽性(真的和假的)的婦女中，21300名(67%)是確實有UTI的。因而，白細(xì)胞酯酶檢查結(jié)果陰性的話，UTI的修正概率為67%，診斷是較為可靠的。假如檢查結(jié)果是陰性，在68200名陰性(真的和假的)結(jié)果的婦女中，8700人(13%)實際上患有UTI。因而，白細(xì)胞酯酶檢查結(jié)果陰性的話，UTI的修正概率為13%，診斷不太可靠，但仍有可能。此種計算方法可歸納為一簡表(表295-1)。
為了說明此表如何用于修正概率，設(shè)想另一位婦女有排尿困難和尿頻，但無陰道排液或刺激，假定UTI的預(yù)測概率是高的，約77%。表295-1的上半部分析了這位婦女白細(xì)胞酯酶檢查結(jié)果是陽性的情況；下半部分則分析陰性結(jié)果。盡管該檢查的敏感性和特異性沒有改變(即分別為71%和85%)，陽性結(jié)果把UTI的概率提高到94%，或幾乎可以肯定，而陰性結(jié)果則將其降低到54%，仍然是較有可能的。運(yùn)用疾病的預(yù)測概率和檢查的特點(diǎn)來計算修正概率的過程被稱為Bayes定理。該定理可表達(dá)為一方程式，但是使用流量表(圖295-1)或表格(表295-1)更為方便并不易出錯。
當(dāng)需要分析幾個檢查時，Bayes定理可以依次應(yīng)用，即把一個檢查的修正概率作為下一個檢查的預(yù)測概率。用于分析隨后一個檢查結(jié)果的條件概率必須建立在診斷黃金標(biāo)準(zhǔn)和前一檢查結(jié)果上。當(dāng)缺乏這些資料時，各種檢查的結(jié)果常被假設(shè)為條件上相互獨(dú)立的(即某一檢查結(jié)果的可能性只取決于黃金標(biāo)準(zhǔn)診斷而不取決于黃金標(biāo)準(zhǔn)及另一檢查的結(jié)果)，并且第二個檢查的性能特征僅決定于黃金診斷標(biāo)準(zhǔn)。
差額可能性公式化
這些例子假定一種簡單的情況，疾病有或無，檢查結(jié)果不是陽性就是陰性。如果疾病的預(yù)測概率用它的差數(shù)(Ω)表達(dá)，已知檢查結(jié)果的可能性比可以定義為有此病的病人和無此病的病人中可能性的比。即，陽性結(jié)果的可能性比等于真陽性率除以假陽性率。同樣，陰性結(jié)果的可能性比等于假陰性率除以真陰性率。Bayes定理的差額可能性公式化說明了疾病的修正概率是預(yù)測概率差數(shù)和相應(yīng)可能性比的乘積。
Bayes定理的這種公式化提供了一些有趣的直覺原則�？赡苄员龋�1.0，則疾病的修正概率升高；可能性比越大，陽性檢查結(jié)果的分量越重�？赡苄员龋�1.0，則疾病的修正概率降低；可能性比越小，陰性檢查結(jié)果的分量越重。可能性比等于1的檢查結(jié)果不說明問題，對疾病的修正概率沒有影響。因而，可能性比適合于比較檢查。
使用可能性比可簡化對連續(xù)檢查結(jié)果的分析。預(yù)測概率的差數(shù)可以乘以和每一檢查結(jié)果相應(yīng)的可能性比(即ΩXLR檢查1XLR檢查2XLR檢查3...)；在運(yùn)算步驟之間并無必要把修正概率差數(shù)轉(zhuǎn)換成概率。
定義陽性檢查結(jié)果
要使用Bayes定理(或就是敏感性和特異性)，診斷檢查的每一可能結(jié)果必須是陽性或陰性。如果一個檢查本質(zhì)上不屬于二元的，那么實驗室(或任何描述該檢查性能的人)就要確定一個陽性的標(biāo)準(zhǔn)，所有的在標(biāo)準(zhǔn)之上的結(jié)果定為陽性，反之則為陰性。兩個結(jié)果分布重疊區(qū)用一條標(biāo)準(zhǔn)線分割(圖295-2)。在有病的病人的結(jié)果分布線上，處于標(biāo)準(zhǔn)線右面的線下區(qū)域相當(dāng)于檢查的真陽性率(即敏感性)；而在標(biāo)準(zhǔn)線左面的區(qū)域則為假陰性率。至于沒病的病人的結(jié)果分布圖，這兩區(qū)域分別相當(dāng)于假陽性率和真陰性率(即特異性)。對于兩條重疊的分布曲線(即有病的和無病的)，移動標(biāo)準(zhǔn)線會影響到敏感性和特異性，但方向相反。敏感性和特異性不能靠移動分割線而兩者均提高，只能靠改變分布曲線，使其重疊部分減少(即改善檢查本身的分辨力)。www.med126.com
選擇檢查陽性的閾值取決于檢查如何進(jìn)行。把一個定量的或是有等級的結(jié)果簡單地劃分為陽性或陰性結(jié)果就會丟失有關(guān)其陽性或陰性程度的信息。例如，肌酸激酶MB異構(gòu)體的正常值定為8ng/ml的話，10ng/ml和30ng/ml均屬陽性。然而30ng/ml的可能性比要更高一點(diǎn)，因而分量也更大。
多種診斷可能
在不止兩種診斷可能(有病和無病)的情況下，Bayes定理可幫助分析臨床資料。當(dāng)診斷的任務(wù)變得更為復(fù)雜時，清晰的推理顯得尤為重要。利用Bayes定理進(jìn)行分析的唯一要求是對所有的診斷可能均應(yīng)予以考慮并提出其預(yù)測概率，而且所有的診斷可能均應(yīng)是互相排斥的(即在列表的可能中只有一個會出現(xiàn))。各種組合也可明確列表。例如一位有排尿困難的婦女可能患的是UTI或陰道炎，或兩者都有�；ハ嗯懦獾脑\斷可能就是："UTI"，"陰道炎"，"UTI+陰道炎"和"兩者均無"。
Bayes定理的流量表或表格式可以很容易地適應(yīng)于兩種以上的診斷可能。在流量表中，第一層互相排斥的診斷可以擴(kuò)展到三個或更多分支。第二層可以擴(kuò)展到包容每一個可能的結(jié)果和每一診斷類別中每一可能檢查結(jié)果的病人數(shù)。在表格式中，可為應(yīng)予考慮的每一個新加的互相排斥診斷添加一行并為每一可能檢查結(jié)果加一欄。
例如，心肌鈣蛋白I的測定有助于評估一位59歲有糖尿病和高血壓病史的男子，他因5小時前在休息狀態(tài)下發(fā)生新的胸痛而看急診。心電圖上未見ST段抬高和Q波，雖然有陳舊性T波倒置。診斷可能包括：無Q波心肌梗死，不穩(wěn)定型心絞痛和非心源性疾病。血清心肌鈣蛋白I測定有助于鑒別這些疾病。非常高的心肌鈣蛋白I更多見于有心肌梗死的病人，中等水平則見于不穩(wěn)定型心絞痛，在沒有心臟病的病人中則很低。數(shù)學(xué)分析可以把概率量化。假定條件概率如表295-2所示。對于每一診斷(行)，條件概率的總和是100%，因為所有的可能結(jié)果均已列出。
在臨床評估(病史，體檢，心電圖)后，假定無Q波心肌梗死的概率為25%，不穩(wěn)定型心絞痛為70%，非心臟病為5%�，F(xiàn)在來考慮三個不同的心肌鈣蛋白含量的結(jié)果：一位病人＜0.4ng/ml，第二例為1.0ng/ml，第三例為3.0ng/ml。表295-3說明了怎樣用Bayes定理來分析這三種情況。心肌鈣蛋白Ⅰ含量低的話，減少了無Q波心肌梗死的可能性，輕度增加不穩(wěn)定型心絞痛的可能性，顯著增加非心臟病的可能性。中等含量則輕度減少心肌梗死的可能性，增加不穩(wěn)定型心絞痛的可能性，卻使非心臟病的可能性急劇下降。高含量心肌鈣蛋白Ⅰ增加了心肌梗死的可能性并可排除非心臟病。
