临床检验诊断研究的科研设计及其评价

临床检验诊断研究的科研设计及其评价中华医学会《中华检验医学杂志》编辑部袁桂清据统计分析，在我国临床检验诊断（临床实验诊断）研究所发表的论著中，有90%存在着不同程度的科研设计缺陷，甚至科研设计不合理。

在研究对象的选择上，存在着不同程度的病谱偏倚（casemix）、确认偏倚(verification bias)及联合偏倚（incorporation bias）等。

因此，运用循证医学的原则和观点，严格遵循临床实验诊断研究的科研设计原则和方法，努力避免研究中的各种偏倚因素，是提高临床实验诊断研究的科学性和研究质量的根本保证。

在临床实验诊断方法的研究中，对其诊断价值或评价其对某一疾病诊断的准确性，最重要的是和诊断本病的金标准（gold standard）进行盲法和同步比较。

因此，临床实验诊断研究的科研设计，最重要的是确立金标准，其次是正确选择研究对象或样本，用金标准判断或划分实验组（有病）和对照组（无病）。

一、临床实验诊断研究的基本程序立题、科研设计、实验观察或指标检测、统计分析、理性概括5步1. 选题的原则①起点要高，先进性和创新性要强；②围绕危害人群健康的重大疾病或常见病的实验诊断方法的建立、评价、改进等，探索特异性强、简便快速的实验室诊断方法；③注意实验诊断与临床的结合及需要，重点解决临床实验诊断中的难题；④注重实验诊断（检验）与临床的结合，实验诊断与基础研究的结合，解决临床实际，对临床诊断有潜在的应用开发价值或指导意义。

2. 选题程序①提出问题；②检索和查新国内外文献，了解所选课题的研究现状及所处的水平；③立题。

二、临床实验诊断科研设计的要点1. 确立金标准：临床实验诊断的金标准，是指临床上大家公认的诊断某一疾病最可靠的诊断方法，称为金标准。

用金标准正确判断和区分有病和无病，是否真正符合研究对象的要求，确定入组对象。

用金标准筛选研究对象，是保证科研质量的关键。

例如，在SARS疫情期间，据说在收治的SARS患者中有15%并非SARS，而是有其他普通肺炎或其他发热患者混杂其中，可以想象，用这些样本进行分析得出的某些结论其可靠程度2. 研究对象的选择：临床实验诊断研究的对象包括两组，即用金标准判断为有病的实验组和用金标准确定为无病的对照组（明确无本病的患者或正常人群）。

一般讲，研究或评价筛检诊断试验方法的价值，研究对象应选择正常人群，研究或评价临床诊断价值，研究对象应选择患者。

3. 研究样本大小的计算：用金标准确定有病和无病后，再进行实验观察或指标动态检测，将其分为阳性、阴性，然后再用“评价诊断试验的四表格”分析评价指标(表1)。

表1 四表格评价模式实验诊断结果金标准合计病例组（患病组）对照组（无病组）阳性 a (真阳性) b（假阳性）a+b阴性c（假阴性）d（真阴性）c+d合计a+c b+d a+b+c+d正确估计样本的大小，是临床科研设计中的一个重要问题。

样本过大，可能造成人力、物力及时间的浪费。

样本过小不具有统计学意义，往往造成假阴性，影响研究结果的正确性和可靠性。

例如：14C-尿素呼气试验诊断幽门螺杆菌感染的研究。

研究对象为70例门诊就诊患者，其研究的目的是确定14C-尿素呼气试验阳性临界值。

研究者将其分为两个阶段，第一阶段22例（其中Hp阴性9例，阳性13例）患者，以Hp阴性组9例第20分钟的CO2放射量的均数标准差作为判定尿素呼气阳性的临界值，第二阶段，测定余下的48例（Hp阴性10例，阳性38例），并将结果与金标准（细菌学及病理组织学Hp检查）比较，以评价14C-尿素呼气试验的敏感性和特异性。

大家知道，采用正态分布法建立正常参考值范围，首先要求大样本，一般要求100例以上，而本研究仅9例Hp阴性（正常人）对象即确定临界值这是不妥的。

鉴于临床大样本研究比较困难，还可以采用受试者特征工作特征曲线（ROC）法制定临床诊断价值。

本研究若利用70例样本信息（HP阴性19例，阳性51 例），采用ROC法确定阳性临界值，可能会使结果更加稳定可靠，同时也是最佳临界值。

三、临床实验诊断研究的评价指标及其临床意义在实验诊断的评价指标中，比较稳定的指标有敏感性、特异性、阳性似然比和阴性似然比。

但敏感性和特异性要达到何种水准才有价值，需要根据临床实际进行分析，一般来说，其敏感性和特异性越强，临床意义也就越大。

敏感性就是指由金标准确诊有病的实验组内所检测出阳性病例数的比率（%）。

即本实验诊断的真阳性率。

其敏感性越高，假阴性率也就越低。

假阴性率等于漏诊率，因此，敏感性高的实验诊断用于疾病诊断时其值越高，漏诊的机会就越少。

所以，敏感性和假阴性率具有互补性。

即：敏感性=真阳性/病例组a/( a+c)2. 特异性是指由金标准确诊为无病的对照组内所检测出阴性人数的比率（%），即本诊断实验的真阴性率。

特异性越高，其假阳性率也就越低。

假阳性率等于误诊率，因此，特异性越高的检验诊断方法用于疾病诊断时，其发生误诊的机会就越少。

由此可见，特异性和假阳性率也具有互补性。

即：特异性=真阴性/对照组= d/(b+d)3. 准确性是指临床诊断检测出的真阳性和真阴性例数之和，占病例数的比例，即称本临床实验诊断的准确性。

准确性反映了实验诊断的基本特性，即：敏感性和特异性。

准确度高的实验诊断方法，其敏感性和特异性之和也一定较高，假阳性和假阴性之和也就最小。

即：准确性=（真阳性+真阴性）/（病例组+对照组）= (a+d) / (a+b+c+d )4. 漏诊率是指用金标准确诊为患某病的病例组中，被待评价的诊断试验判断为阴性的比例。

敏感性与漏诊率是互补的，敏感性越高，漏诊率就越低。

即：漏诊率=1-敏感性=假阴性/病例组= c/(a+c )5. 误诊率是指用金标准确诊为无病的对照组中，被评价的试验判断为阳性的比例。

特异性和误诊率也是互补的，特异性越高，误诊率就越低。

即：误诊率=1-特异性=假阳性/对照组= b/(b+d )6. 阳性预测值(postive predictive value)又称预测阳性结果的正确率，是指待评价的诊断试验结果判为阳性例数中，真正患某病的例数所占的比例，即从阳性结果中能预测真正患病的百分数，这也是临床医生最关心的诊断指标。

阳性预测值的高低主要受患病率的影响，因此，临床实验诊断研究的阳性预测值能在不同的患病率情况下指导临床医师合理运用实验诊断项目。

即：阳性预测值=真阳性/（真阳性+假阳性）= a/ (a+b )7. 阴性预测值(negative predictive value)又称预测阴性结果的正确率，是指临床诊断实验检测出的全部阴性例数中，真正没有患本病的例数所占的比例。

一般情况下（患病率）敏感性越高的实验诊断项目，其阴性预测值越高，相反，特异性越高的临床实验诊断阳性预测值越好。

但是，患病率对预测值的影响要比敏感性和特异性的影响更为重要。

即：阴性预测值=真阴性/（真阴性+假阴性）= d/(c+d)8. 患病率(prevalence)是指被检测的全部对象中，真正患者的比例。

患病率受很多因素影响，如不同水平的医疗机构或患者来源不同，其患病率会有很大差别。

因此，不同的患病率，其实验诊断的预测值也有较大的差别。

患病率对被评价的诊断试验，也称为验前概率，而预测值属于验后概率。

即：患病率=病例组/（病例组+对照组）= (a+c)/( a+b+c+d )用Bayes公式可以分析出阳性预测值和敏感性、特异性及患病率之间的关系：阳性预测值=患病率×敏感性/[ 患病率×敏感性+（1-特异性）×（1-患病率）]9. 阳性似然比（positive likelihood ratio）阳性似然比是指临床诊断检测出的真阳性率与假阳性率之间的比值，即阳性似然比=敏感性/（1-特异性）。

阳性似然比这一指标较阳性预测值为优，它反映了敏感性和特异性二者的特性，它不受患病率影响，比起敏感度和特异度更为稳定。

利用这一指标可以计算出不同患病率的阳性预测值。

阳性似然比=敏感性/（1-特异性）= a (b+d)/ b(a+c)10. 阴性似然比（negative liklihood ratio）阴性似然比是指临床实验诊断检测出的假阴性率与真阴性率之比值，此值越小，说明该诊断方法越好。

阴性似然比=（1-敏感性）/特异性= c (b+d)/ d(a+c)四、实验诊断研究正常参考值及其确定方法在医学上，正常值范围的概念是指正常人的解剖、生理、生化等数值的变化范围。

制定正常值应以正常人为对象，并且不是指机体任何器官、组织的形态和机能都正常的人，而是排除了影响所研究指标的疾病和有关因素后，所确定的同质人群。

1.均数加减标准差法在临床上，对正常值的确定大多采用均数±2个标准差作为正常范围，凡超过平均数2个标准差者视为异常。

但是，采用此方法确定正常值必须注意，其实验诊断所测数据的频数分布应该是正态分布。

2. 百分位数法大家知道，在临床实践中，多数实验诊断所测定数值的频数分布是非正态的，为此主张用百分位数法制定正常或异常界限。

这是因为采用百分位数表示可以不考虑数据的分布问题。

当然，采用百分位数制定正常值有时误差较大，故要求观察的样本数要大，一般应在130例以上才能减少误差。

3.ROC法即受试者工作特征曲线（receiver operator characteristic curve,ROC），临床实验诊断项目用于疾病诊断同时面临着正常和异常，临床医师通过实验诊断项目检测提供的数值区别就医者有病或无病。

多数情况下，临床实验室在正常人群所测定数值的频数分布和在患者中所测定的数值的频数分布是互相交叉重叠的（见图1）。

如将正常值的上限定在X点，其敏感度和阴性预测值达标100%，这种情况不会漏掉一个患者，但会有相当一部分正常人误诊为患者。

假如将正常值的上限定在Y点，其特异度和阳性预测值为100%，也就是说不会将一个健康人误诊为患者，但是，它会漏诊相当数量的患者。

假使我们将正常值定在两者频数分布曲线的交叉处，即Z点上，这会使误诊率和漏诊率减少到最低程度。

在疾病人群筛查时，将Z点作为正常值的上限是比较合适的，这就是最佳临界值。

应用Z点作为划分正常和异常的界限，其假阳性和假阴性的病例数之和最小。

图1 正常人与患者测定值的频数分布ROC曲线是以敏感性为纵座标，假阳性（1-特异性）为横座标，所形成的曲线，可以用来决定最佳临界值。

其计算方法是选择一系列不同的临界值，再计算出各自的敏感性和特异性，然后列出各临界点的敏感性和假阳性标在图上（目前已有处理软件），将各点连接起来形成曲线，即为ROC曲线。

最靠近左上角的点（A点）即为最佳临界点（图2）。

以该点作为区别正常或异常的临界点，其敏感性和特异性都比较高，而且假阳性和假阴性之和最低。