Re: [問卦] 醫師聽到「普篩」就爆氣??

看板Gossiping作者hunfu (糟糕大叔)時間4年前 (2020/04/25 17:27)推噓25(31推 6噓 125→)

留言162則, 31人參與討論串16/25 (看更多)

┌────────┬────┬────┐ : │ │真的有病│其實沒病│ : ├────────┼────┼────┤ : │驗出來有病(陽性)│A 真陽性│B 偽陽性│ : ├────────┼────┼────┤ : │驗出來沒病(陰性)│C 偽陰性│D 真陰性│ : └────────┴────┴────┘ 我幫你簡單中文翻譯一下，畢竟要科普就是要讓大部分人聽得懂，更簡單明瞭點 : Sensitivity (敏感度) = [A /(A+C)] x 100 % : 也就是真的有病的人我可以驗出陽性的機率有病的驗出有病，叫做Sensitivity (敏感度) 意思就是假設敏感度99%，100個“有病”的有99個人會被抓出來，一個會顯示沒病 : Specificity (特異度) = [D /(B+D)] x 100 % : 也就是真的沒病的人我可以驗出陰性的機率沒病的驗出沒病，叫做Specificity (特異度) 意思就是假設特異度99%，100個“沒病”的有99個人會被抓出來，一個會顯示有病 : 一個良好檢驗的敏感度和特異度應該都要夠高，希望至少大於90%，但世界不是那麼美好 : ，常常只能犧牲其中一項，尤其是當你想要快速得到結果的時候。以大家很愛做的流感 : 快篩，雖然Specificity 有 98%，但是Sensitivity 只有可悲的 62%。意思就是真的有 : 流感的十個人來驗其實會有四個驗不出來。這段的意思是流感快篩時，有病的，10個去驗會告訴你4個沒病但10個沒病的去篩，10個都告訴你沒病更白話一點，快篩驗出有流感，你9成以上大概真的中了，但驗出沒流感，你不用爽，你很高機率中了但沒驗出來 : 那這個檢查這麼爛有什麼用？這牽涉到再更深一層的問題。Sensitivity 與Specificity : 的計算是已經知道病人有沒有病，去看檢驗的表現，然而實務上我們的目的是看檢驗的 : 結果，來反推測病人是否真有此疾病，換言之，我們關心的是 : 「假設患者篩檢陽性，那他真的是流感的機率有多少？」 : 要回答這個問題這牽涉到以前所學的貝氏定理： : Y 狀況下 X 發生的機率 P (X│Y) : P (X) * P (Y│X) : P (X│Y) = ────────── : P(Y) : 這樣看頭好像有點痛，我們白話一點說： : 快篩陽性的狀況下病人有流感的機率 : P (病人有流感) * P (快篩陽性│病人有流感) : P (病人有流感│快篩陽性) = ────────────────────── : P(病人快篩陽性) <---包含真陽性和偽陽性 : 病人流感且被你驗出陽性 : = ──────────────────────────── : 病人有流感且被你驗出陽性 + 病人明明沒流感卻遇到偽陽性 : 病人流感的機率 * 快篩Sensitivity : = ──────────────────────────────────── : [病人流感的機率*快篩Sensitivity] + [(1-病人流感的機率)*(1-快篩Specificity)] : 發現了嗎，這個公式裡面多了一個變數，就是「病人流感的機率」。 : 意思就是說，在使用這麼檢查時，檢驗之前的機率會影響結果的判讀！ : 這個東西叫做先驗機率(pre-test probabilities) : 而所謂「病人流感的機率」，包含了病人是否有接觸史、病人的症狀、流感的盛行率等等 : ，或是簡單換言之，就是臨床醫師覺得病人「像不像流感」。即使一樣快篩驗出陽性的兩 : 個不同病人，其實他們真的有流感的機率是不同的。以醫學院的老例子來說，就是你在美 : 國西部聽到馬蹄聲，你會猜是馬來了，但是如果你身在非洲，你會想說斑馬來了的機率可 : 能高些，如果你在台大宿舍，那八成是隔壁阿宅在打真三國無雙。或是更貼近地說，一樣 : 做檢查武漢肺炎陽性，病人在紐約或是在台北，那他真的有武漢肺炎的機率是不同的，紐 : 約的病人會遠大於台北。上面簡單科普中文翻譯因為你沒病，快篩驗的結果98%也會驗出你沒病，2%會唬爛，驗了也是白驗，所以如果你沒有合理的可能被傳染，驗你也是浪費時間所以先看看你有沒有癥狀，或者接觸史，對你做篩檢才有意義但如果你癥狀明顯，進行快篩時，即使你真的有病，10個人中也會有4個告訴你沒事。對醫師來說，這檢驗只是協助醫生，告訴醫生你真的中了(驗出有病)，跟“可能”中了(驗出沒病) : 回到篩檢的話題，從上得知，其實如果一開始就不像流感，那就算流感檢驗發了陽性報告 : ，病人真的有流感的機率也是很低的。因此，對於症狀輕微或是不像的病人來說，每個都 : 進行檢驗的意義其實不大。若症狀一開始就很像了而且一開始又在流行期，那即使檢驗發 : 了陰性報告，也不能排除該疾病。所以有些人會發現你去掛急診醫生說不用快篩直接叫你 : 吃克流感，就是這個原因。因為驗了陽性你還是要吃藥物，驗了陰性醫師還是覺得不能排 : 除，那驗這個檢查就是浪費醫療資源且增加病人在醫院滯留等報告的時間。上面那段repeat一次 : 快篩本身的價值其實有兩個，一是在當醫師覺得機率五五波或是真的看不太懂(例如不典 : 型症狀或是目前治療結果一直不理想的時候)可以給一點方向，或是當病人很重症，我希 : 望趕快多一點資訊，線索越多越快越好的時候，快篩還是有用的。重複快篩只是醫生的協助工具不能確定你有沒有中槍 : 回到武漢肺炎的防疫，鄉民們很在意是否要擴大篩檢或是醫護普篩，重點在於現在診斷的 : 可靠度到底多少。從上面的公式我們可以嘗試進行計算。要計算我們需要三個變數： : 1) nCoV 盛行率 : 2) 敏感度 : 3) 特異度 : 敏感度和特異度目前資料不足，但我們可以嚴格假設台灣生科的技術都很厲害，都是99% : 。 : 盛行率比較難估算，但我們可以都算算看。 : 盛行率1/10000 時 (台灣實際感染人數2400) : 篩檢4000人：0 個真陽性 40 個偽陽性 : 盛行率1/1000時: (台灣實際感染人數24000) : 篩檢4000人：4 個真陽性 40 個偽陽性 : 盛行率1/100時: (台灣實際感染人數240000) : 篩檢4000人：40 個真陽性 40 個偽陽性 : 盛行率1/10時: (台灣實際感染人數2400000) : 篩檢4000人：396 個真陽性 36 個偽陽性 : 數字可以發現，即使台灣已經有一千個無症狀狀感染者，在社區趴趴走，你去做抽樣可能 : 篩到的全部是假的。為了這四十個假的，你要做四十個疫調，隔離四十個人和所追蹤他們 : 所有的接觸者。這還只是普通民眾，如果你檢驗出四十位醫護人員陽性，你要怎麼辦？全 : 部都當院內感染處理？像SARS時期的台大一樣把一個醫學中心急診關起來？為了四十個假 : 的陽性病例所排擠掉的其他重症資源可能會造成比武和病毒本身更高的死亡率。簡單說沒病的驗出有病，浪費醫療資源，真的有病的反而沒病床躺了啦有病的驗出沒病，其實根本有病，四處趴趴走導致更大規模傳染與其亂抓人普篩，還不如好好的真的可能有病的人去檢驗(不是普篩快篩)，這樣意義比較大 : 台灣盛行率個人認為其實並不高，現在每天篩檢量是增加的，但確診數下降，表示連有症 : 狀的病人都幾乎不是武漢肺炎，那沒症狀的人的先驗機率就更低了。在爭論無症狀感染者 : 時，也必須考慮到無症狀感染者如果超多，那表示這個病其實一點都不可怕呀。 : 所以很多人為什麼美國紐約、南韓、義大利等國家要進行普篩，其中主要有兩個原因！ : 第一、盛行率不一樣： : 如上面公式計算，當盛行率達到10%時你會發現檢驗變好用了，準確度上升。這就是所謂 : 大量社區傳播和零星社區傳播時做法不同的原因。 : 第二、對陽性(不論真偽)的處理方式不一樣： : 對於盛行率高的地區，此時病毒已經大量社區傳播，疫調之後把所有可能病例全部隔離已 : 經不是可行做法，因為人數太多且無法追蹤接觸史。這時候進入減災階段，陽性的輕症只 : 要回家隔離，醫院留給重症病患。這時候偽陽性比例不僅較低，而且也不會多消耗資源， : 又可以分辨出需要在家隔離的病患，還可以提供流型病學統計資料。上面是回答那為什麼外國要普篩阿幹！他們太多人中槍了，那是不得已的情況下，為了快速抓出疑似病患啊 : 整體重點還是現在台灣盛行率的狀況。假如台灣盛行率很低，那盲目況大篩檢弊大於利， : 如果盛行率高，理論上你會看到像武漢或義大利那樣的狀況，很多人自己就會跑醫院，重 : 症大量發生。篩檢除了考慮機率以外，更應該考慮如果不幸報告陽性之後，我們到底要幹 : 嘛？身為醫師，現在我不想要做白工，你知道換一套隔離衣要多久花多少一次性耗材，還 : 有要讓多少其他的病人等待？篩檢的目的是要提供我們執行策略的參考資料，而不是只是 : 為了安心付出大量不必要的資源。這段的意思是普篩會造成醫療資源浪費再補上一點個人意見…… 假設假設特異度99%，100個“沒病”的有99個人會被抓出來，一個會顯示有病驗10000人就顯示100個中槍驗一百萬人就顯示一萬人感染但這些都是沒病的…… 這樣子…… 你還想要普篩嗎？喔，對了目前普篩基本上驗孕是最準其它的嘛…… 看看就好 ----- Sent from JPTT on my Xiaomi MI 9. --

推

victoryss

04/23 10:58,

04/23 10:58

推

NBAcat

04/23 10:58,

04/23 10:58

→

residentevil

04/23 11:00,

04/23 11:00