敏感性和特异性是医学常用的评价指标。最近找到一个很好的例子来解释它。同事分享论文中提到了新冠常见症状及其诊断的准确性:王半仙的学习分享_新冠相关论文调研小结,借此机会复习一下敏感性和特异性。
新冠评估症状及其诊断准确性
论文:Signs and symptoms to determine if a patient presenting in primary care or hospital outpatient settings has COVID‐19 论文发表于2022年Wiley期刊(IF:12.008),文中综合了90多项研究,52,608位参与者的临床症状,来分析新冠评估症状及其诊断准确性(看起来和最近朋友实测的差不多)。
敏感性 | 特异性 | |
发热 | 37.6% | 75.2% |
呼吸困难 | 23.3% | 75.7% |
咳嗽 | 62.4% | 45.4% |
腹泻 | 18.5% | 84.1% |
喉咙痛 | 31.0% | 61.9% |
疲劳 | 40.2% | 73.6% |
流涕 | 30.3% | 70.0% |
头痛 | 35.8% | 73.0% |
肌痛 | 37.5% | 75.4% |
发冷/颤抖 | 25.3% | 85.0% |
单独嗅觉障碍 | 26.4% | 94.2% |
单独味觉障碍 | 23.2% | 92.6% |
嗅觉障碍或味觉障碍 | 39.2% | 92.1% |
从论文中的图表可以看到,味嗅觉障碍对诊断新冠有很高的特异性,详见文中Table-3。 |
举例
简化上述问题如下:
假设:一般的感冒没有味觉嗅觉受损症状。如果用味觉嗅觉受损做个模型:在感冒症状的基础上,只使用“味嗅觉是否受损”作模型来判断是否得了新冠。
得了新冠的不一定都有味嗅觉受损,所以这个模型敏感性不太高。
感冒症状并有味嗅觉受损,基本就可以确认新冠了,所以这个模型特异度高。
公式
说明
真阴:实际为阴,用模型预测也为阴
真阳:实际为阳,用模型预测也为阳
假阳:实际为阴,用模型预测为阳
假阴:实际为阳,用模型预测为阴
特异性
(specificity,也叫特异度)
特异度=真阴性人数/(真阴性人数+假阳性人数)
特异度=真没得新冠/(真没得新冠+味嗅觉受损却没得新冠)
解释:假阳性人数越少,特异度越高。味嗅觉受损却没得的人很少,所以利用它判断的特异度高。
敏感性
(sensitivity,也叫灵敏度)
敏感性=真阳性人数/(真阳性人数+假阴性人数)
敏感性=真得新冠人数/(真得新冠人数+味嗅觉没受损但得了新冠)
解释:假阴性人数越少,灵敏度越高。假阴性指的是实际是阳,但预测出来是阴的。在这个问题中如果嗅味觉未受损,那么模型认为它是阴,这是不对的。因为不是所有得新冠的人嗅味觉都受损,所以它的灵敏度不高。
总结
综上,可以给特异性一个感性认知:得了的未必味嗅觉受损,味嗅觉受损的基本就是得了,这就叫特异性高。
味嗅觉障碍和其它症状组合后,能更好地诊断新冠是上述论文中作者的观点。不过通过身边朋友的症状看,味嗅觉障碍常常出现在中后期,那时候可能已经确诊了吧?