医学检验中的“定性”检验

PagePAGE1ofNUMPAGES13 第十一章医学检验中的“定性”检验应用于许多领域的临床实验室定性检测也可用于筛查、诊断及管理各种疾病。由于各个实验室强调的着重点不同，如：实验设计、数据分析、结果解释等，因此评估定性检测的性能优劣与否有许多种办法，目前没有一种统一的方法。诊断明确的定性检测的性能评估方法临床实验室定性检测可用于各种疾病的筛查、诊断及管理。在采用一种新的检测方法检测患者标本之前，实验室操作人员必须证明该检测方法在临床实验室中的检测能力。本小节将详细阐述诊断明确时，如何比较两种检测方法的性能，进而确定一种检测性能更好的方法。1.定性检测性能评估的设计方案定性检测性能的评估包括三个步骤：首先应该评价操作人员对新检测方法的熟练程度；其次评价质控品的特点；最后评价检测方法的性能，主要通过下面两种研究来评估新检测方法的性能，重复性研究：定性检测的重复性研究能够评估检测方法的精密度；方法间比较：方法间比较的普通模式为两种或多种方法检测同一标本，然后比较检测结果。诊断明确时检测方法之间比较真正定性检测的性能指标是灵敏度和特异性。当诊断明确时，计算灵敏度和特异性非常容易。表1为检测方法与明确诊断比较的2×2列联表，表中对定性检测的结果与患者的明确诊断结果进行了比较，表中每个单元格的数字表示样本数，表下为灵敏度、特异性、预测值及检验效能的计算方法。表1检测方法与明确诊断比较的2×2列联表检测方法明确诊断阳性阴性总数阳性ABA+B阴性CDC+D总数A+CB+DA+B+C+D灵敏度（sens）=100%[A/(A+C)]特异性（spec）=100%[B/(B+D)]患病率（prev）=100%[(A+C)/N]阳性预测值（PVP）=100%[A/(A+B)]阴性预测值（PVN）=100%[D/(C+D)]检验效能=100%[(A+D)/N]检验效能是估计检测结果与明确诊断总一致程度的指标，它是所有检测结果中真正的阳性结果与真正的阴性结果所占的百分比。真正定性检测的性能指标是灵敏度和特异性，但通常情况下，并不清楚所选择的样本其是否具有代表性或代表性很差，因此计算灵敏度和特异性就很不现实，而计算灵敏度和特异性的可信区间就显得非常有意义。计算灵敏度和特异性的可信区间有许多种方法，本章主要介绍检测方法和可比较方法分别与临床诊断进行比较时，采用Altman等人、Agresti和Coull推荐由Wilson提出的灵敏度和特异性得分可信区间的计算方法。灵敏度和特异性95%得分可信区间的计算方法如下：[100%(Q-Q)/Q，100%(Q+Q)/Q]按照下面的公式来计算Q，Q，Q。对于灵敏度：Q=2A+1.962=2A+3.84Q=1.96=1.96Q=2(A+C+1.962)=2(A+C)+7.68对于特异性：Q=2D+1.962=2D+3.84Q=1.96=1.96Q=2(B+D+1.962)=2(B+D)+7.68在上面的公式中±1.96是标准正态分布曲线下相对于95﹪可信区间所对应的变量值。如果两种检测方法的灵敏度或特异性一致，那么只要比较二者的特异性或灵敏度就可以了，但是，当两种方法的灵敏度（特异性）存在差异时，就不能单独比较特异性（灵敏度）了，因为截止点的变化是以降低灵敏度（特异性）的代价来增加特异性（灵敏度）的。这种情况下联合比较灵敏度/特异性就更为有意义了。Mcnemar检验通常用来推断两种检测方法的灵敏度/特异性联合之间在统计学上是否具有显著性差异。但是，这种检验并没有指明两种方法在多大程度上存在差异。这时，灵敏度以及特异性差异的可信区间就更有意义。表2为明确诊断是阳性时（比较灵敏度）以及明确诊断是阴性时（比较特异性）检测方法与可比较方法进行比较的结果分析。表2检测方法、可比较方法分别与临床诊断分别进行比较方法结果样本总数明确诊断检测方法可比较方法阳性阴性阳性阳性a=a+aaa阳性阴性b=b+bbb阴性阳性c=c+ccc阴性阴性d=d+ddd合计Nnn注：表2中的数据如果按照表1的形式绘制可以得到两个表（一个是检测方法，另一个是可比较方法），但是两个表1并不能够绘制一个表2。检测方法与明确诊断之间比较时表1中的（A、B、C和D）可以按照下面的公式从表2中获得：A=a+bB=a+bC=c+dD=c+dN=n+n从表2中可以计算出：检测方法（新方法）的灵敏度：灵敏度=100％[(a+b)/n]可比较方法（原方法）的灵敏度：灵敏度=100％[(a+c)/n]灵敏度之间的差值：灵敏度-灵敏度=100％[(b-c)/n]同样，两种检测方法各自的特异性为：特异性=100％[(c+d)/n]特异性=100％[(b＋d)/n]灵敏度之间的差值：特异性-特异性=100%[(c-b)/n]灵敏度和特异性潜在差值的近似可信区间可以根据配对资料之间差异的可信区间标准统计公式来计算。然而，按这种方法计算得出的差值，只是一个固定的值，可能并不可靠，特别是当两种检测方法所检测时结果不一致，而且样本含量很小时，可靠性更差。因此，推荐使用Attman等人描述的差值可信区间，该可信区间适合于所有情况。下面为该可信区间的计算方法：灵敏度差值D=灵敏度-灵敏度的95％的可信区间是（D-,D+）。Q,Q可以通过下面的公式计算得到。首先应用上面所讲的公式分别计算新/原检测方法灵敏度95％得分可信区间，然后按照下面的方法从Q计算到Q。l=新检测方法灵敏度的95％得分可信区间的下限u=新检测方法灵敏度的95％得分可信区间的上限l=原检测方法灵敏度的95％得分可信区间的下限u=原检测方法灵敏度的95％得分可信区间的上限Q=(a+b)(c+d)(a+c)(b+d)(如果Q=0,那么Q=0,直接计算Q)Q=ad-bcQ=Q-n/2如果Q>n/2Q=0如果Q=0Q=Q如果Q<0Q=Q/(如果Q=0，Q=0)Q=(灵敏度-l)-2Q(灵敏度-l)(u-灵敏度)+(u-灵敏度)Q=(灵敏度-l)-2Q(灵敏度-l)(u-灵敏度)+(u-灵敏度)特异性差值D=特异性-特异性的95％的可信区间是（D-,D+）。Q,Q可以通过下面的公式计算得到。首先应用上面所讲的公式计算新/原检测方法特异性95％得分可信区间，然后按照下面的方法从Q计算到Q。l=新检测方法特异性的95％得分可信区间的下限u=新检测方法特异性的95％得分可信区间的上限l=原有检测方法特异性的95％得分可信区间的下限u=原有检测方法特异性的95％得分可信区间的上限Q=(a+b)(c+d)(a+c)(b+d)(如果Q=0,那么Q=0,直接计算Q)Q=ad-bcQ=Q-n/2如果Q>n/2Q=0如果Q=0Q=Q如果Q<0Q=Q/(如果Q=0，Q=0)Q=(特异性-l)-2Q(特异性-l)(u-特异性)+(u-特异性)Q=(特异性-l)-2Q(特异性-l)(u-特异性)+(u-特异性)如果将上述评估方法应用一个具体的临床实例中，我们就可以很容易理解这种评估方法的具体评价方法。该例中检测方法和可比较方法分别检测102份幽门螺旋菌感染患者的血清，将检测结果与明确诊断进行比较。通过每个患者标本明确的诊断来评估检测方法与可比较方法的性能。例子中检测方法与可比较方法的结果以2×2列联表的形式列在表3和表4中。按照前面所讲的公式来计算每种方法的灵敏度和特异性。新检测方法与明确诊断比较结果分析。表3新检测方法与明确诊断比较的2×2列联表检测方法明确诊断：幽门螺旋菌合计阳性阴性阳性57259阴性43943合计6141102灵敏度（sens）=100%[A/(A+C)]=100%[57/61]=93.4%特异性（spec）=100%[D/(B+D)]=100%[39/41]=95.1%患病率=100%(A+C)/N=100%(61/102)=59.8%阳性预测值（PVP）=100%[A/(A+B)]=100%(57/59)=96.6%阴性预测值（PVN）=100%[D/(C+D)]=100%(39/43)=90.7%效能=100%[(A+D)/N）]=100%(96/102)=94.1%新检测方法的灵敏度：灵敏度=100%(57/61)=93.4%计算95%得分可信区间：Q=2×57+3.84=117.84Q=1.96=8.496Q=2×61+7.68=129.68100%(Q-Q)/Q=100%(117.84-8.496)/129.68=84.3%100%(Q+Q)/Q=100%(117.84+8.496)/129.68=97.4%95%得分可信区间是[84.3%,97.4%]。新检测方法的特异性：特异性=100%(39/41)=95.1%计算95%得分可信区间：Q=239+3.84=81.84Q=1.96=6.632Q=241+7.68=129.68100%(Q-Q)/Q=100%(81.84-6.632)/89.68=83.9%100%(Q+Q)/Q=100%(81.84+6.632)/89.68=98.7%95%得分可信区间是[83.9%,98.7%]。可比较方法与明确诊断比较结果分析。表4可比较方法与明确诊断之间比较的2×2联表可比较方法明确诊断：幽门螺旋菌合计阳性阴性阳性54761阴性73441合计6141102灵敏度（sens）=100%[A/(A+C)]=100%[54/61]=88.5%特异性（spec）=100%[D/(B+D)]=100%[34/41]=82.9%患病率=100%(A+C)/N=100%(61/102)=59.8%阳性预测值（PVP）=100%[A/(A+B)]=100%(54/61)=88.5%阴性预测值（PVN）=100%[D/(C+D)]=100%(34/41)=82.9%效能=100%[(A+D)/N]=100%(88/102)=86.3%可比较方法的灵敏度：灵敏度=100%(54/61)=88.5%计算95%得分可信区间：Q=254+3.84=111.84Q=1.96=10.487Q=261+7.68=129.68100%(Q-Q)/Q=100%(111.84-10.487)/129.68=78.2%100%(Q+Q)/Q=100%(111.84+10.487)/129.68=94.3%95%得分可信区间是[78.2%,94.3%]。可比较方法的特异性：特异性=100%(34/41)=82.9%计算95%得分可信区间：Q=234+3.84=71.84Q=1.96=10.196Q=241+7.68=89.68100%(Q-Q)/Q=100%(71.84-10.196)/89.68=68.7%100%(Q+Q)/Q=100%(71.84+10.196)/89.68=91.5%95%得分可信区间是[68.7%,91.5%]。新、可比较检测方法与明确诊断之间进行比较。如果新的检测方法的灵敏度和特异性都比可比较方法高，那么灵敏度/特异性配对进行联合统计比较将是有意义的。为了比较两种检测方法的灵敏度/特异性，我们需要在可比较检测方法、新检测方法及明确诊断之间进行比较（见表5）。表5在新、可比较检测方法及明确诊断之间比较方法结果样本总数明确诊断新检测方法可比较检测方法阳性阴性阳性阳性55532阳性阴性440阴性阳性615阴性阴性37334合计1026141比较灵敏度：D=灵敏度-灵敏度=93.4-88.5或100%(4-1)/61=4.9%l=84.3%u=97.4%（由检测方法灵敏度的得分可信区间可知）l=78.2%u=94.3%（由可比较方法灵敏度的得分可信区间可知）Q=(53+4)(1+3)(53+1)(4+3)=(57)(4)(54)(7)=86,184Q=(533)-(41)=155n/2=61/2=30.5<155=QQ=Q-n/2=155-30.5=124.5Q=Q/=124.5/=124.5/293.57=0.4241Q=(93.4-84.3)-2(0.4241)(93.4-84.3)(94.3-88.5)+(93.4-88.5)=71.68Q=(88.5-78.2)-(0.4241)(88.5-78.2)(97.4-93.4)+(97.4-93.4)=87.14D-=4.9-=3.6D+=4.9+=14.2灵敏度差值的95%可信区间是(-3.6%，14.2%)。比较特异性：D=特异性-特异性=95.1-82.9或100%(5-0)/41=12.2%l=83.9%u=98.7%（由检测方法特异性的得分可信区间可知）l=68.7%u=91.5%（由可比较方法特异性的得分可信区间可知）Q=(2+0)(5+34)(2+5)(0+34)=(2)(39)(7)(34)=18，564Q=(234)-(05)=68n/2=41/2=20.5<68=QQ=Q-n/2=68-20.5=47.5Q=Q/=47.5/=47.5/136.25=0.3486Q=(95.1-83.9)-2(0.3486)(95.1-83.9)(91.5-82.9)+(91.5-82.9)=132.55Q=(82.9-68.7)-2(0.3486)(82.9-68.7)(98.7-95.1)+(98.7-95.1)=178.96D-=12.2-=0.7D+=12.2+=25.6特异性差值的95%可信区间是(0.7%，25.6%)。由于灵敏度差值的可信区间包括零，因此不能推断出二种检测方法的灵敏度有统计学差异，但是特异性差值的可信区间不包括零，所以由此推测二种检测方法的特异性在统计学上有显著性差异。二．诊断不明确的定性检测性能评估方法在临床检验过程中很多检测都不是诊断明确的，因此很难估计灵敏度及特异度，只能计算检测方法与可比较方法在多大程度上一致。表6以2*2列联表的形式比较检测方法与可比较方法的一致程度。表6检测方法、可比较方法一致程度比较检测方法可比较方法总计阳性阴性阳性aba+b阴性cdc+d总计a+cb+dn在《生物统计百科全书》“一致程度测量”中M.M.Soukri曾经就一致程度不同类型的统计学指标进行了讨论。一个非常简单的方法就是报告一致程度的百分比，即：一致程度百分比=(a+d)/n×100﹪。概括两种检测方法的一致程度指标时一定要谨慎，因为评估标本中疾病的患病率对一致程度的影响很大。有时一种检测方法与可比较方法在真正的诊断为阳性时非常一致，但当真正诊断为阴性时，一致程度却不是很好。当评估标本中疾病的患病率很低时，两种检测方法的总体一致程度较高；当评估标本中疾病的患病率很高时，两种检测方法的总体一致程度较低。在不清楚疾病的患病率的情况下，不清楚怎样来概括两种检测方法的一致程度，但是我们可以按照下面讨论的公式可以计算一致程度精确的可信区间。一致程度95﹪可信区间为：[100%(Q-Q)/Q，100%(Q+Q)/Q]Q、Q、Q按下面的公式计算：Q=2(a+d)+1.96×2=2(a+d)+3.84Q=1.96=1.96Q=2(n+1.962)=2n+7.68上述公式中±1.96是标准正态分布曲线下相对于95﹪可信区间所对应的变量值。三．定性试验之间的一致性如前所述，如果定性试验的结果可以描述与真的分析物浓度或决定的临床诊断之间的关系，它相对地直接地表达为临床灵敏度和特异性的性能。无决定性的参考或“金标准”，就应该谨慎地作出关于性能的判断。在这种情况下，可以评价与其他试验的主要的一致性。当考虑用的新的或便宜的方法代替旧的或昂贵的常规方法时，应该知道是否可以获得类似的结果。然而，如果两方法一致性较差，就不能判断哪一个试验具有好的性能，除非执行参考程序的额外试验。在比对研究中，同一对象由两种方法检测防止由于选择患者的偏倚。基本上比对研究的结果应以22表格方式进行表述，可以导出不同测量的一致性（表7）。很明显的一致性测量是具有相同试验结果（即，两结果为阴性或阳性）检验对象总的分数或百分数。总的百分一致性=(a+d)/(a+b+c+d)100%表7两定性试验之间评价的22表试验1+-+ab试验2-cd总a+cb+d如果关于疾病和健康个体一致性有差异，总的百分一致性度量变成依赖于研究个体组疾病患病率。这是常见的情况，由此可以适当地区分这一总的一致性度量为关于阴性和阳性结果的一致性：试验1给出阳性百分一致性：a/(a+c)100%试验1给出阴性百分一致性：b/(b+d)100%例如，如果阳性结果具有高度的一致性，当疾病个体分数高时，总的一致性将是高的；但是在具有非常低的疾病患病率的筛查情况下，总的一致性将主要依赖于阴性结果的一致性。估计的标准误可从二项分布导出。上述提到简单一致性度量的问题是它们没有达到一致是由于机会原因。对于独立的，通过对每一试验阴性和阳性结果的分数的乘积可获得在22表观测的预期比例。关于一致性，指的是除了机会原因一致性外多出的一致性。已引入的更复杂的度量考虑了这一方面原因。最知名的度量是卡帕值（kappa），其一般定义为除机会原因观测的多出的一致性与除机会原因外最大可能多出一致性的比值。我们可获得：Kappa=(-)/(1-)其中是实际一致比，是期望一致比。假定完全一致性，kappa等于+1。如果观测的一致性大于或等于机会一致性，kappa大于或等于0。实际一致比期望一致要差产生负的kappa值。应用实例表8显示22表中假定观测个数的实例。试验1的阳性结果比例是75/(75+60)=0.555，实验2为80/(80+55)=0.593。因此由于机会我们预期++模式0.5550.593135=44.44例。类似地，模式--预期为(1-0.555)(1-0.593)135=24.45例。由于机会预期总的一致性Ie是(44.44+24.45)/135=0.51。观测的总的一致性是Io=(60+40)/135=0.74。因此，我们有：