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/

留言

熱門文章