阳性预测值

阳性预测值（PPV）是指检测结果呈阳性的人真正患有该疾病的概率。与作为检测固有属性的敏感度和特异度不同，阳性预测值是根据阳性结果行读取的，因此取决于该疾病在受检人群中的普遍程度。

Definition

阳性预测值是给定阳性检测结果后疾病确实存在的条件概率，计算方法是真阳性数量除以阳性结果总数（真阳性加假阳性）。

Scope

本条目将阳性预测值定义为所有阳性结果中真阳性的比例，解释其对疾病患病率的依赖性，将其与敏感度和特异度进行对比，并将其与贝叶斯更新的检测前概率到检测后概率联系起来。这是一个方法学主题，不就任何特定检测的使用提供建议。

Key concepts

• 给定阳性结果的疾病概率
• 对患病率（检测前概率）的依赖性
• 真阳性与假阳性
• 检测后概率
• 诊断中的贝叶斯定理
• 与阳性似然比的关系

Mechanisms

阳性预测值是根据2x2表格的阳性结果行计算的：在所有被检测判定为阳性的受试者中，它是疾病状态确实为阳性的比例。由于假阳性的绝对数量来自无病组，因此即使敏感度和特异度保持不变，阳性预测值也会随着疾病患病率的增加而上升，随着疾病变得罕见而下降。这使得阳性预测值成为检测内在准确性和受检人群中疾病检测前概率的共同产物。这种关系通过贝叶斯定理形式化，该定理使用检测的似然比更新检测前概率到检测后概率；阳性预测值正是阳性结果后的检测后概率。

Clinical relevance

阳性预测值表达了在特定环境下阳性结果对疾病发生几率的实际意义，因此对于在特定背景下解释筛查和诊断结果至关重要。该概念支持对诊断证据的批判性评估；它描述了如何在不同人群中解释检测结果，而不是个体诊断或治疗决策的基础。

Epidemiology

在低患病率的筛查人群中，即使对于具有高敏感度和特异度的检测，阳性预测值也可能出人意料地低，因为无病的大多数人会产生许多假阳性。这是人群筛查中反复出现的误解来源，也是预测值必须参考相关患病率报告而不是作为固定检测属性引用的关键原因。

History

随着二十世纪诊断准确性框架的成熟，预测值对患病率的依赖性得到了阐明，并且通过1990年代的解释性统计著作，内在检测属性与依赖人群的预测性能之间的区别变得易于临床医生理解。

Debates

预测值是否应作为固定的检测特征引用？

由于阳性预测值随患病率而变化，除非指定人群及其疾病频率，否则单个引用值可能会产生误导；这就是为什么一些人认为与患病率无关的似然比更适合可转移的报告。

Key figures

• Douglas Altman
• Martin Bland
• Jonathan Deeks
• David Grimes
• Kenneth Schulz

Seminal works

• altman-bland-1994b
• deeks-altman-2004
• grimes-schulz-2002-screening

Frequently asked questions

为什么即使对于准确的检测，阳性预测值也可能很低？

当疾病罕见时，大多数受检者是无病的，因此即使很小的假阳性率也会相对于真阳性产生许多假阳性，从而降低真正患病者在阳性结果中的比例。

阳性预测值是检测的固有属性吗？

不是。它取决于受检人群中疾病的患病率以及检测的敏感度和特异度，因此相同的检测在不同环境下会产生不同的预测值。