新冠肺炎泰博快篩真實數據的應用 (2021/5/25)

從疾病篩檢的角度，新冠肺炎是一個有潛伏期的傳染病，假設現階段（社區感染）任務以「撈出確診者」為要，理論上是希望能有一個工具可以很快地告訴我們「哪些人可能有病」，並進一步確診。

這個工具需要滿足：高的陽性預測率 (陽性真的有病) 與低的偽陰性 (陰性其實有病)。

本文試著從本院公布的數據來驗證一下快篩（泰博V-Trust）這項診斷工具的真實世界實證(Real World Evidence)：根據公告，本院自5/19 16:00至5/24 8:00止，共有1497件成對的抗原快篩與PCR數據，抗原快篩sensitivity 82.9% (29/35)，specificity 99.2% (1451/1462)。(確診有病/沒病依據PCR結果判定)

此數據依貝氏定理可以做出「檢查結果與疾病有無的2X2聯表」：

                                   ** Accuracy (準確率): 98.9% ((29+1451)/1497)

填好表後，首先，我們必須將疾病的盛行率（prevalence, 某特定時間內患有某一疾病的人口比例，即將發現特定病症的人數除已被研究的總人數）計算出來，因為疾病的盛行率會影響陽(陰)性預測率，但不會影響敏感度與特異度。當疾病的盛行率高的時候，診斷工具通常較能納入疾病；反之低的時候，通常較能排除疾病。

在本院篩檢的這段期間內，疾病盛行率為 2.3% (35/1497)，表示新冠肺炎是低盛行率的疾病，因此診斷工具在此前提較能用來「排除疾病」。

回到表格，可以看到泰博快篩陰性者有99.6%是真的沒病（陰性預測率，每兩百五十個快篩陰性二百四十九個都沒病），而陽性則有72.5%是真的有病（陽性預測率，每四個快篩陽性有三個有病），可知此診斷工具有98.9％的準確率。記住，預測率會受到疾病盛行率影響，這個結果符合預期，泰博快篩試劑非常擅長排除疾病，對於納入疾病的能力較弱。

另一方面，若探討泰博快篩試劑在已知疾病狀態的出錯機率，它有極低 (0.8%) 的偽陽性率 (1-specificity，每篩一百二十五個沒病的人才有一個會顯示陽性(錯誤))，但有17.1%的偽陰性率 (1-sensitivity，每篩六個有病的人會有一個顯示陰性(錯誤))。在這之中，偽陰性是在傳染病的診斷是比較嚴重的錯誤，因為我們不容許有病的人沒被正確診斷(漏網之魚)。

最後，可以用概度比(Likelihood ratio, LR)來判定某診斷工具對疾病確定或排除的效力。陽性概度比(positive LR, LR+)為真陽性率除以偽陽性率(TP/FP)，而陰性概度比(LR-)為偽陰性率除以真陰性率(FN/TN)；不同於預測率，概度比和敏感度、特異度都不會受疾病盛行率影響。

新冠肺炎在此次篩檢的 LR+ 高達 110，而 LR- 為 0.17。對照來自 wikipedia 的表，將 LR+ 和 LR- 分別做「概率改變」的轉換，可得到：泰博快篩檢測陽性者，將大幅提升得病概率至>92.3%；陰性者則大幅降低得病概率趨近於零(此處無法計算，因疾病盛行率2.3%非常低)。

總結，經過上面的分析，儘管泰博快篩試劑有非常高的陽性概度比(LR+)，顯示它在診斷新冠肺炎的作用，但似乎無法滿足文章開頭的假設－高的陽性預測率與低的偽陰性。可能因素從試劑本身特性、如何決定篩檢病人、篩檢條件與人員熟練度、疾病在該地該時間的盛行率等，都可能對數據產生影響，進而改變數值結果。

想通這個結論，似乎有點令人失望。但轉念一想，這代表著在我們這個族群，(泰博)快篩陰性是可以令人放心的；同時，它也有由真實數據呈現出來這些的缺陷。

謹記，隨著疾病的進展或消退，關於盛行率的前提會不斷改變，在了解診斷工具的強項與劣勢後，為了減少漏網之魚，還需搭配其他條件更謹慎地運用它：如篩檢者的 TOCC、症狀 (此舉可能提高採檢族群的盛行率，從而提高陽性預測率)，加強採檢人員訓練、採得檢體的保存與運送等 (此舉可能提高敏感度，進而降低偽陰性)等，才能進一步為「找出確診者」這項防疫工作帶來更大的好處。

-------

參考資料：
1. https://med.cgu.edu.tw/var/file/68/1068/img/532/179211300.pdf

2. https://www.ncbi.nlm.nih.gov/books/NBK557491/

3. https://en.wikipedia.org/wiki/Likelihood_ratios_in_diagnostic_testing

4. Steven McGee, "Simplifying likelihood ratios", J Gen Intern Med. 2002 Aug

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1495095/