刘博谈验证｜如何用测试后患病概率解释测试结果之三

贝叶斯定理是由概率论的第一原理得出的。因此，当它被正确使用时，其结果是可靠的，而当我们忽视了几个假设时，使用贝叶斯定理的错误就会发生。

贝叶斯定理的第一个假设是灵敏度和特异性是恒定的，而不考虑测试前患病概率，这个假设可能是错误的。

在疾病的早期阶段，当测试前患病概率较低时，一项测试在测试疾病的灵敏度方面可能低于疾病的晚期阶段。当有许多迹象和症状且测试前患病概率较高时，需要通过将研究人群划分为不同的疾病阶段亚组来避免这种误差。

第二个假设是一个测试的灵敏度和假阳性率与其他测试的结果无关。

当贝叶斯定理被用来计算一连串测试后的疾病概率时，这种条件独立性假设非常重要。一个序列中第一次测试后的患病概率被用作第二次测试的测试前患病概率。

在一个理想的两种测试性能比较研究中，序列中的两种测试和一个已经被证明可靠的诊断程序都已在许多患者身上进行。

序列中第二次测试的灵敏度和特异性要计算两次：第一次测试结果为阳性的患者和第一次测试结果为阴性的患者。

如果在这两次计算中，第二次测试的灵敏度和特异性相同，则称其有条件地独立于第一次测试的结果，即条件独立假设有效。

但在实践中，条件独立假设很少被检验，临床医生在使用测试顺序的建议时应慎重。