美国风俗 医疗健康 技术创新 社会创新

灵敏度和针对性:如何决定该不该对一个群体做病毒检测?

北宾医疗 2020.3.3

总结:

(1)灵敏度不高的检测方法不容易把实际被传染者在人群中的比例降低到安全的程度。针对性不高的检测方法则容易给医疗机构和公众带来不必要的、甚至无法承受的负担。

(2)诊断和公共卫生决策要有更灵敏的检测手段和结合其它判断。

(3)对实际患者占比例小(比如1%)的群体,即使灵敏度和针对性都相对高(比如95%)的检测方法,其结果也会出现被检测确定是被传染者的人,实际是被传染者的可能性很小的情况。

面临的问题

以1000人的人群作为例子,一种检测方法的可靠性主要看两个指标:

(1)灵敏度:从真正感染的1000个人中,这个检测方法可以正确判别几个人?

(2)针对性:从其实没感染的1000个人中,这个检测方法可以正确判别几个人?

假设1000人的检测结果是200人有问题予以隔离,800人没问题释放,卫生部门在意的两个问题是:

(1)被判定有问题隔离的200人里,究竟有多少人是真正感染,多少人其实是误判的。误判率高会给医疗机构增加不必要的负担和成本,给被误判者带来不必要的麻烦和损失。

(2)被判定没问题释放的800人里,究竟有多少人是真正没感染,多少人其实是有感染但是漏掉了。误判率高会给社会和公众带来严重传染风险,也让患者失去及时治疗的机会。

如果灵敏度不够高(比如大量使用的新冠病毒的主要检测方法的灵敏度是40%左右,即1000个真正感染的人中,这个检测方法只能正确判别出400人),那么这个检测方法单独使用时,它可以帮助筛出一批患者,不能当成安全排除被感染人群的工具。

四种可能的检查结果

所有人都希望对嫌疑人群实施检测。从嫌疑人群的角度,希望能够确诊得到治疗,或知道自己没被传染可以放心。从公众和政府的角度,希望不让传染病传染扩散。

对嫌疑人进行检查,可能有四种结果:

  1. 嫌疑人实际已经被传染,也被检测出是被传染了。这个检测正确率叫 “灵敏度”。
  2. 嫌疑人实际没被感染,也被正确检测为没被传染,这个检测正确率叫 “针对性”。
  3. 嫌疑人实际已经被传染,但没检测出来。这个检测错误率叫1类错误
  4. 嫌疑人实际没被传染,但被误检为患者.这个检测错误率叫2类错误

具备不同的灵敏度和针对性的检测方法带来的风险比较

一、假设检测方法灵敏度95%,针对性95%

检测对象假设是一艘1000人游轮,其中100实际上被传染了。

船上1000名乘客中的100新冠肺炎患者会被检测出95名,漏掉5名。

900健康者,被正确排除855人,误将45定为被传染者。

被释放 855+5 =860,其中包含5名实际被传染者,占0.59%。

医疗负担:95真正被传染者+45误判的被传染者=140人。

真正被转染者占检测为被传染者的比例:95 / 140 = 67.86%。也就是说,用这个检测方法确定一位被传染者时,他实际是被传染者的可能性是 67.86%

用这个检测方法来确定哪些可以 “安全回家” 和哪些人是患者,结论靠谱吗?

二、假设检测方法灵敏度95%,针对性95%

检测对象假设是一个1000万人的城市,其中10万人实际上被传染了新冠肺炎,990万实际上没被传染。

10万被传染者会被检测出 10万 x 95% = 9.5万名,漏掉0.5万名。

990万没被传染者被正确排除 990 x 95% = 940.5万人,同时将49.5万人误判为被传染者。

被释放 940.5+0.5=941万人,其中包含0.5万名实际被传染者。

医疗负担:9.5万真正被传染者+49.5万误判的被传染者=59万人。

真正被转染者占检测为被传染者的比例:9.5 / 59 = 16.10%,也就是说,用这个检测方法确定一位被传染者时,他实际是被传染者的可能性只是 16.10%

用这个检测方法来确定哪些可以 “安全回家” 和哪些人是患者,结论靠谱吗?

实际运用的检测方法的灵敏度

大量运用的核酸检验方法的灵敏度通常被认为只有40%,针对性达到95%以上。

有报告称CT扫描可以达到98%灵敏度。

参考资料链接

1. Coronavirus Epidemic Update 27: Testing accuracy for COVID-19 (CT Scan vs. RT-PCR), California Cases. YouTube, 2020.02

2. Real-Time RT-PCR Panel for Detection 2019-nCoV | CDC. 美国疾病控制中心, 2020.02

3. Bayes’ Rule, Decision Making, And Containing COVID-19 With Unreliable Diagnostic Tests. Toward Data Science, 2020.02