常用檢驗、機率與診斷試驗判讀

核心觀念：檢查不會直接告訴醫師「有病或沒病」，而是把檢查前機率更新成檢查後機率。相同結果放在不同族群，意義可能完全不同。

從檢查前機率開始

檢查前機率（pretest probability）來自疾病盛行率、病人特徵、病史、理學檢查與已知檢驗。它決定下一步：

門檻不是固定數字。疾病漏診代價越大，排除門檻越低；治療傷害越大，治療門檻越高。

二乘二表

• 敏感度（sensitivity）為 $TP/(TP+FN)$：有病者中檢查陽性的比例。
• 特異度（specificity）為 $TN/(TN+FP)$：無病者中檢查陰性的比例。
• 陽性預測值（PPV）為 $TP/(TP+FP)$：陽性結果中真正有病的比例。
• 陰性預測值（NPV）為 $TN/(TN+FN)$：陰性結果中真正無病的比例。

盛行率下降時，PPV 通常下降而假陽性占比上升；NPV 通常上升。因此低盛行率社區篩檢若缺乏高特異度與後續確證流程，會產生大量假陽性。

國考陷阱：敏感度與特異度不直接等於陽性或陰性結果後的患病機率。後者還受檢查前機率影響。真實世界的敏感度與特異度也會隨疾病光譜、參考標準與收案方式而變動。

Likelihood ratio 把機率接到結果

• 陽性 likelihood ratio：$LR+ = sensitivity/(1-specificity)$
• 陰性 likelihood ratio：$LR- = (1-sensitivity)/specificity$
• 檢查前勝算：$pretest\ odds = probability/(1-probability)$
• 檢查後勝算：$posttest\ odds = pretest\ odds \times LR$
• 檢查後機率：$posttest\ probability = odds/(1+odds)$

LR 接近 1 時，結果幾乎不改變機率。LR+ 越大越適合 rule in，LR- 越接近 0 越適合 rule out；但任何口訣都不能跳過檢查前機率。

連續數值不是只有正常與異常

許多檢驗在不同界值間有取捨：

• 降低陽性界值通常提高敏感度、降低特異度。
• 提高陽性界值通常提高特異度、降低敏感度。
• 接近界值的結果常需要重測、看趨勢或結合其他證據。
• 檢驗參考區間通常描述參考族群分布，不等於疾病診斷界值，也不代表超出範圍一定有病。

與單一數字相比，變化方向與速度常更重要。例如肌酸酐、血紅素、鈉、肝酵素與心肌生物標記，都要和基線、採檢時間、輸液、出血及器官功能一起解讀。

常用檢驗的跨系統讀法

酸鹼計算與電解質校正由第 5 章完整說明。

選對檢查，不做「抽一套」

下單前依序回答：

1. 這個檢查要回答哪個臨床問題？
2. 陽性與陰性各會如何改變處置？
3. 是否有更快、更安全或更便宜的替代方式？
4. 採檢時機、前處理與干擾因子是否正確？
5. 假陽性後會引發哪些後續檢查與傷害？

臨床重點：多做檢查不是更安全。無差別檢查會增加偶發異常與假陽性，反而把注意力從真正的高風險問題移開。

常見統計量不要混用

RR 看起來很大，若基線風險極低，絕對效益仍可能很小。臨床決策必須同時看相對效果、絕對效果、傷害與病人偏好。