诊断试验数据挖掘及其临床应用.PPT1.pptVIP

诊断试验数据挖掘及其临床应用(Data Mine Clinical Application of Diagnosis Test);疑惑;主题词;诊断试验（Diagnosis Test）;诊断试验（Diagnosis Test）;诊断试验（Diagnosis Test）;诊断试验临床效能： 对一项诊断试验的评价主要从三个方面予以考虑： 真实性（validity）。 可靠性(reliability)。 实用性（practicability）。;诊断试验的真实性: 反映患病实际情况的程度称作真实性（validity） 。 一项诊断试验的真实性包括灵敏度（sensitivity, Sen）和特异度（specificity, Spe）两方面 。;诊断试验的真实性: 灵敏度和特异度的关系： 灵敏度和特异度是矛盾的统一体，如图所示，他们随着诊断分界点（阈值）的变化而变化。 ;诊断试验的真实性评价方法: ;尤登指数（Youden’s index）又称正确指数，是指灵敏度和特异度之和减去1，是综合评价真实性的指标。理想的试验应为1。其计算公式为： 尤登指数 = ( Sen + Spe ) – 1 准确度 试验的准确度(accuracy，ACC) ，也称效率（efficiency），可用真阳性与真阴性人数之和占受试人数的百分率表示。理想的试验应为100%。其计算公式为： ACC = (TP+TN)/N × 100 ％;似然比 似然比（likelihood ratio，LR）是指患病人群中试验结果的概率与无病人群中试验结果概率之比 阳性似然比 在诊断性试验中，真阳性率 (TPR)与假阳性率(FPR)的比值即为阳性似然比(positive likelihood ratio, +LR)，可用以描述诊断性试验阳性时，患病与不患病的机会比。若该比值大于1，则随比值的增大，患病的概率也增大；若其比值小于1，则患病的概率较小。 +LR=TPR/FPR 阴性似然比 在诊断性试验中，假阴性率(FNR)与真阴性率(TNR)的比值即为阴性似然比(negative likelihood ratio, -LR) 。可用以描述诊断性试验阴性时，患病与不患病的机会比。其比值愈大，则患病的概率愈小，其比值愈小，则患病的概率愈大。 -LR=FNR/TNR;预测值 预测值（predictive value，PV）亦称预告值，它是表示试验能做出正确判断的概率。 阳性预测值是指真阳性人数占试验结果阳性人数的百分比，表示试验结果阳性者属于真病例的概率。 阳性预测值计算公式：P PV = TP / (TP+FP)×100％ 阴性预测值是指真阴性人数占试验结果阴性人数的百分比，表示试验结果阴性者属于非病例的概率。 阴性预测值计算公式：NPV = TN / (TN+FN)×100 ％ ;诊断试验的可靠性: 可靠性（reliability）是指一项诊断试验在完全相同的条件下，重复作试验时获得相同结果的稳定程度。; ;诊断试验的实用性: 技术难度:人员要求、设备要求。 可行性：标本采集和处理、储存要求、检测物的变化频度，试验前的准备要求，药物等易干扰程度。 实验环节和流程复杂程度，实验时间长短。是否流水作业还是成批实验，对照实验等。 实现质控体系、自动化、标准化 成本和效益情况。 实验对象接受程度。;主题词;诊断阈值（CUT-OFF）: ;诊断阈值（CUT-OFF）: ;移动阈值（Floating CUT-OFF）;ROC曲线的构建： 例：铁蛋白(Ft)测定鉴别诊断恶性胸腹水研究 首先以n个诊断界值建立n个四格表，计算n个Sen和1-Spe。; 绘制ROC曲线时，是以试验的灵敏度为纵坐标，以1-特异度为横坐标，依照连续分组测定的数据，分别计算灵敏度及1-特异度（表4-4），将给出各点联成曲线，即为ROC曲线（图4-5），距左上角最近的一点，即为诊断分界点(cut off point )，这一点下的曲线面积最大。用该点数值区分正常与异常，其灵敏度及特异度都比较高，而误诊及漏诊例数之和最小。作ROC曲线不能只靠一、二次试验结果找到正确的临界点，一般要求最少有五组连续分组测定数据用以制图。 ;ROC曲线的临床应用： （1）选择最佳分界值 前面已述分界值对于诊断试验准确性的影响，取ROC曲线上的拐点作为分界值将会得到最大的准确性，但是必须结合似然比、尤登指数以及筛查和确诊等试验目的综合确定。 （2）诊断效率分析 利用ROC曲线，除了选择最佳临界值外，还可利用曲线下的面积来评价不同检验项目或不同检测方法对某种疾病的诊断价值。曲线下面积越大，其诊断价值就越大，它是一种非常直观的