当临床医生解释一个检查的结果时，他在把检查前或预测概率转换为适当的检查后或修正概率。临床医生必须从全部已知临床资料出发，进行最恰当的判断，来确定这些概率的合理估计数。为了这一过程放在临床情况下来说明，设想有位25岁女病人出现排尿困难。假定临床医生根据病史和体检把尿路感染(UTI)的概率设想得是较低的(30%)。在把病人小便送去作尿沉淀显微镜检查和培养以前，临床医生作了白细胞酯酶检查，结果阳性。要确定UTI的修正概率，临床医生必须知道该检查的敏感性和特异性，它们分别是71%和85%。图295-1考虑了10万名和病人类似的妇女，其中30%(30000人)有UTI，而70%(70000人)没有。有UTI的妇女中21300人的检查结果将呈阳性(因为检查的敏感性是71%)而没有UTI的妇女中也有10500人将呈阳性(因为假阳性率是15%)。这样，在31800名检查结果呈阳性(真的和假的)的妇女中，21300名(67%)是确实有UTI的。因而，白细胞酯酶检查结果阴性的话，UTI的修正概率为67%，诊断是较为可靠的。假如检查结果是阴性，在68200名阴性(真的和假的)结果的妇女中，8700人(13%)实际上患有UTI。因而，白细胞酯酶检查结果阴性的话，UTI的修正概率为13%，诊断不太可靠，但仍有可能。此种计算方法可归纳为一简表(表295-1)。

为了说明此表如何用于修正概率，设想另一位妇女有排尿困难和尿频，但无阴道排液或刺激，假定UTI的预测概率是高的，约77%。表295-1的上半部分析了这位妇女白细胞酯酶检查结果是阳性的情况；下半部分则分析阴性结果。尽管该检查的敏感性和特异性没有改变(即分别为71%和85%)，阳性结果把UTI的概率提高到94%，或几乎可以肯定，而阴性结果则将其降低到54%，仍然是较有可能的。运用疾病的预测概率和检查的特点来计算修正概率的过程被称为Bayes定理。该定理可表达为一方程式，但是使用流量表(图295-1)或表格(表295-1)更为方便并不易出错。

当需要分析几个检查时，Bayes定理可以依次应用，即把一个检查的修正概率作为下一个检查的预测概率。用于分析随后一个检查结果的条件概率必须建立在诊断黄金标准和前一检查结果上。当缺乏这些资料时，各种检查的结果常被假设为条件上相互独立的(即某一检查结果的可能性只取决于黄金标准诊断而不取决于黄金标准及另一检查的结果)，并且第二个检查的性能特征仅决定于黄金诊断标准。

差额可能性公式化

这些例子假定一种简单的情况，疾病有或无，检查结果不是阳性就是阴性。如果疾病的预测概率用它的差数(Ω)表达，已知检查结果的可能性比可以定义为有此病的病人和无此病的病人中可能性的比。即，阳性结果的可能性比等于真阳性率除以假阳性率。同样，阴性结果的可能性比等于假阴性率除以真阴性率。Bayes定理的差额可能性公式化说明了疾病的修正概率是预测概率差数和相应可能性比的乘积。

Bayes定理的这种公式化提供了一些有趣的直觉原则。可能性比＞1.0，则疾病的修正概率升高；可能性比越大，阳性检查结果的分量越重。可能性比＜1.0，则疾病的修正概率降低；可能性比越小，阴性检查结果的分量越重。可能性比等于1的检查结果不说明问题，对疾病的修正概率没有影响。因而，可能性比适合于比较检查。

使用可能性比可简化对连续检查结果的分析。预测概率的差数可以乘以和每一检查结果相应的可能性比(即ΩXLR检查1XLR检查2XLR检查3...)；在运算步骤之间并无必要把修正概率差数转换成概率。

定义阳性检查结果

要使用Bayes定理(或就是敏感性和特异性)，诊断检查的每一可能结果必须是阳性或阴性。如果一个检查本质上不属于二元的，那么实验室(或任何描述该检查性能的人)就要确定一个阳性的标准，所有的在标准之上的结果定为阳性，反之则为阴性。两个结果分布重叠区用一条标准线分割(图295-2)。在有病的病人的结果分布线上，处于标准线右面的线下区域相当于检查的真阳性率(即敏感性)；而在标准线左面的区域则为假阴性率。至于没病的病人的结果分布图，这两区域分别相当于假阳性率和真阴性率(即特异性)。对于两条重叠的分布曲线(即有病的和无病的)，移动标准线会影响到敏感性和特异性，但方向相反。敏感性和特异性不能靠移动分割线而两者均提高，只能靠改变分布曲线，使其重叠部分减少(即改善检查本身的分辨力)。www.med126.com

选择检查阳性的阈值取决于检查如何进行。把一个定量的或是有等级的结果简单地划分为阳性或阴性结果就会丢失有关其阳性或阴性程度的信息。例如，肌酸激酶MB异构体的正常值定为8ng/ml的话，10ng/ml和30ng/ml均属阳性。然而30ng/ml的可能性比要更高一点，因而分量也更大。

多种诊断可能

在不止两种诊断可能(有病和无病)的情况下，Bayes定理可帮助分析临床资料。当诊断的任务变得更为复杂时，清晰的推理显得尤为重要。利用Bayes定理进行分析的唯一要求是对所有的诊断可能均应予以考虑并提出其预测概率，而且所有的诊断可能均应是互相排斥的(即在列表的可能中只有一个会出现)。各种组合也可明确列表。例如一位有排尿困难的妇女可能患的是UTI或阴道炎，或两者都有。互相排斥的诊断可能就是："UTI"，"阴道炎"，"UTI+阴道炎"和"两者均无"。

Bayes定理的流量表或表格式可以很容易地适应于两种以上的诊断可能。在流量表中，第一层互相排斥的诊断可以扩展到三个或更多分支。第二层可以扩展到包容每一个可能的结果和每一诊断类别中每一可能检查结果的病人数。在表格式中，可为应予考虑的每一个新加的互相排斥诊断添加一行并为每一可能检查结果加一栏。

例如，心肌钙蛋白I的测定有助于评估一位59岁有糖尿病和高血压病史的男子，他因5小时前在休息状态下发生新的胸痛而看急诊。心电图上未见ST段抬高和Q波，虽然有陈旧性T波倒置。诊断可能包括：无Q波心肌梗死，不稳定型心绞痛和非心源性疾病。血清心肌钙蛋白I测定有助于鉴别这些疾病。非常高的心肌钙蛋白I更多见于有心肌梗死的病人，中等水平则见于不稳定型心绞痛，在没有心脏病的病人中则很低。数学分析可以把概率量化。假定条件概率如表295-2所示。对于每一诊断(行)，条件概率的总和是100%，因为所有的可能结果均已列出。

在临床评估(病史，体检，心电图)后，假定无Q波心肌梗死的概率为25%，不稳定型心绞痛为70%，非心脏病为5%。现在来考虑三个不同的心肌钙蛋白含量的结果：一位病人＜0.4ng/ml，第二例为1.0ng/ml，第三例为3.0ng/ml。表295-3说明了怎样用Bayes定理来分析这三种情况。心肌钙蛋白Ⅰ含量低的话，减少了无Q波心肌梗死的可能性，轻度增加不稳定型心绞痛的可能性，显著增加非心脏病的可能性。中等含量则轻度减少心肌梗死的可能性，增加不稳定型心绞痛的可能性，却使非心脏病的可能性急剧下降。高含量心肌钙蛋白Ⅰ增加了心肌梗死的可能性并可排除非心脏病。