临床上常用的统计学速记与解释

• 定义：诊断试验正确识别疾病患者的能力，表示真阳性的比例。

• 公式：

  敏感性=真阳性（TP）真阳性（TP） + 假阴性（FN）

• 特点：

• 高敏感性试验适合筛查疾病。

• 能有效减少漏诊（假阴性）的发生。

• 记忆法：
  “敏感的人害怕漏诊” ——高敏感性时，漏诊率低。

• 举例：
  某试验用于筛查 HIV，实际有 100 名患病者，其中 95 名检测为阳性（真阳性），5 名漏诊（假阴性）。

• 敏感性 = 95 / (95 + 5) = 95%。

2. 特异性（Specificity）

• 定义：诊断试验正确识别非疾病患者的能力，表示真阴性的比例。

• 公式：

  特异性=真阴性（TN）真阴性（TN） + 假阳性（FP）

• 特点：

• 高特异性试验适合确诊疾病。

• 能有效减少误诊（假阳性）的发生。

• 记忆法：
  “特异的人害怕误诊” ——高特异性时，误诊率低。

• 举例：
  某试验用于确诊癌症，实际有 100 名健康者，其中 95 名正确检测为阴性（真阴性），5 名误诊为阳性（假阳性）。

• 特异性 = 95 / (95 + 5) = 95%。

3. 阳性预测值（Positive Predictive Value, PPV）

• 定义：阳性结果中实际患病者的比例。

• 公式：

  PPV=真阳性（TP）真阳性（TP） + 假阳性（FP）

• 特点：

• PPV 受疾病罹患率的影响。罕见疾病的 PPV 通常较低。

• 记忆法：
  “阳性结果究竟有多可信？”

• 举例：
  某试验检测 50 名阳性患者，其中 40 名为真阳性（实际患病），10 名为假阳性（未患病）。

• PPV = 40 / (40 + 10) = 80%。

4. 阴性预测值（Negative Predictive Value, NPV）

• 定义：阴性结果中实际未患病者的比例。

• 公式：

  NPV=真阴性（TN）真阴性（TN） + 假阴性（FN）

• 特点：

• NPV 也受疾病罹患率的影响。罕见疾病的 NPV 通常较高。

• 记忆法：
  “阴性结果是否足够排除疾病？”

• 举例：
  某试验检测 100 名阴性患者，其中 98 名为真阴性（未患病），2 名为假阴性（实际患病）。

• NPV = 98 / (98 + 2) = 98%。

5. 准确性（Accuracy）

• 定义：诊断试验正确分类所有患者（患病和未患病）的能力。

• 公式：

  准确性=真阳性（TP） + 真阴性（TN）总人数

• 记忆法：
  “准确性 = 整体诊断能力。”

• 举例：
  某试验检测 200 人，其中真阳性 50 人，真阴性 140 人。

• 准确性 = (50 + 140) / 200 = 95%。

6. 阳性似然比（Positive Likelihood Ratio, PLR）

• 定义：阳性结果出现在患病者中的可能性与出现在非患病者中的可能性的比值。

• 公式：

  PLR=敏感性1−特异性

• 特点：

• PLR 越大，阳性结果越可靠。

• 记忆法：
  “阳性结果越可靠，PLR 越大。”

• 举例：
  某试验敏感性为 90%，特异性为 80%。

• PLR = 0.90 / (1 - 0.80) = 4.5。
  解读：阳性结果的可能性是非患病者的 4.5 倍。

7. 阴性似然比（Negative Likelihood Ratio, NLR）

• 定义：阴性结果出现在患病者中的可能性与出现在非患病者中的可能性的比值。

• 公式：

  NLR=1−敏感性特异性

• 特点：

• NLR 越小，阴性结果越可靠。

• 记忆法：
  “阴性结果越排除疾病，NLR 越小。”

• 举例：
  某试验敏感性为 95%，特异性为 90%。

• NLR = (1 - 0.95) / 0.90 = 0.056。
  解读：阴性结果非常可靠。

8. 罹患率（Prevalence）

• 定义：某疾病在特定时间内的现患病例数占总人口的比例。

• 公式：

  罹患率=患病人数总人口

• 记忆法：
  “普查期间的患病比例。”

• 举例：
  某社区 1000 人中有 50 人患病。

• 罹患率 = 50 / 1000 = 5%。

9. 发病率（Incidence Rate）

• 定义：某疾病在特定时间内的新发病例数占总人口的比例。

• 公式：

  发病率=新发病例数总人口

• 记忆法：
  “新病例是重点，时间很关键。”

• 举例：
  某社区一年内新发 20 例高血压病例，总人口为 2000 人。

• 发病率 = 20 / 2000 = 1%。

10. 相对危险度（Relative Risk, RR）

• 定义：暴露组与非暴露组之间某事件发生风险的比值。

• 公式：

  RR=暴露组风险非暴露组风险

• 记忆法：
  “相对的危险，暴露与非暴露比一比。”

• 举例：
  某药物的副作用研究中，暴露组风险为 10%，非暴露组为 5%。

• RR = 10% / 5% = 2。
  解读：暴露组的风险是非暴露组的 2 倍。

11. 必须治疗人数（Number Needed to Treat, NNT）

• 定义：为了预防一个不良事件，需要治疗的患者人数。

• 公式：

  NNT=1绝对风险降低（ARR）

• 记忆法：
  “NNT，治一人，治多少？”

• 举例：
  药物降低心肌梗死风险的 ARR = 0.05（5%）。

• NNT = 1 / 0.05 = 20。
  解读：需要治疗 20 人才能预防 1 次心肌梗死。

12. 归因危险度（Attributable Risk, AR）

• 定义：暴露组中由于暴露导致事件发生的额外风险，反映某暴露因素对疾病的绝对影响。

• 公式：

  AR=暴露组风险−非暴露组风险

• 记忆法：
  “归因危险，暴露多出来的风险。”

• 举例：
  在一项研究中，吸烟者的肺癌发生率为 20%，非吸烟者为 5%。

• AR = 20% - 5% = 15%。
  解读：吸烟导致 15% 的额外肺癌风险。

13. 归因危险度百分比（Attributable Risk Percent, AR%）

• 定义：暴露组中由暴露因素导致的事件所占的比例，反映暴露因素的相对影响。

• 公式：

  
  

• 记忆法：
  “暴露相关，比例有多大？”

• 举例：
  在吸烟与肺癌的研究中，吸烟者肺癌发生率为 20%，非吸烟者为 5%，AR = 15%。

• AR% = (15% / 20%) × 100% = 75%。
  解读：吸烟导致了 75% 的肺癌风险。

14. 相对风险降低（Relative Risk Reduction, RRR）

• 定义：干预组事件发生率相对于对照组减少的比例，表示治疗的相对效果。

• 公式：

  RRR=ARR对照组风险×100%

• 记忆法：
  “相对降低，百分比看效果。”

• 举例：
  在某试验中，干预组心肌梗死发生率为 10%，对照组为 20%，ARR = 10%。

• RRR = (10% / 20%) × 100% = 50%。
  解读：干预组风险相对减少了 50%。

15. 必须伤害人数（Number Needed to Harm, NNH）

• 定义：导致一个不良事件所需暴露的患者人数。

• 公式：

  NNH=1绝对风险增加（ARI）

• 记忆法：
  “NNH，伤一人，影响多少？”

• 举例：
  在某研究中，服用某药物的副作用发生率增加 2%（ARI = 0.02）。

• NNH = 1 / 0.02 = 50。
  解读：需要治疗 50 人会导致 1 人出现副作用。

16. 偏倚（Bias）

• 定义：研究设计、数据收集、分析或解释过程中产生的系统性误差，可能影响研究结果的真实性。

• 常见类型：

• 选择偏倚（Selection Bias）：研究对象选择不具有代表性。

• 信息偏倚（Information Bias）：数据测量或记录不准确。

• 混杂偏倚（Confounding Bias）：未控制的混杂因素导致结果偏差。

• 记忆法：
  “偏倚三兄弟：选得不准，量得不对，因素混乱。”

• 举例：

• 选择偏倚：研究肥胖与糖尿病关系时，仅选择年轻人群，可能低估关联性。

• 信息偏倚：回忆不准确导致问卷数据失真。

• 混杂偏倚：吸烟者更常饮酒，未控制饮酒对肺癌的影响。

17. 统计功效（Power）

• 定义：检验能够正确拒绝虚无假设（H0）的能力，通常设定为 80% 或 90%。

• 公式：

  功效=1−β

  （其中，β\betaβ 为第二类错误概率，即未能发现实际存在的差异。）

• 记忆法：
  “功效越高，发现真相的能力越强。”

• 举例：
  在一项药物试验中，统计功效为 80%，意味着有 80% 的概率发现药物的真实疗效。

18. 偏倚校正（Adjusted Odds Ratio, aOR）

• 定义：通过统计方法（如多变量回归分析）调整混杂因素后计算的比值比（OR），反映因变量与自变量的真实关系。

• 记忆法：
  “aOR，校正后，排除混乱因素看结果。”

• 举例：
  在研究吸烟与肺癌的关系时，aOR 调整了年龄、性别等混杂因素。若 aOR = 3，说明吸烟者患肺癌的风险是非吸烟者的 3 倍。

19. 风险比（Hazard Ratio, HR）

• 定义：两组在研究期间某事件发生速率的比值，常用于生存分析。

• 公式：

  HR=干预组事件发生速率对照组事件发生速率

• 记忆法：
  “HR 看速率，越低越安全。”

• 举例：
  在某癌症药物研究中，干预组死亡速率为 0.02，对照组为 0.04。

• HR = 0.02 / 0.04 = 0.5。
  解读：干预组死亡风险是对照组的一半。

20. 决定系数（Coefficient of Determination, R²）

• 定义：反映模型中自变量对因变量解释的比例，用于评估回归模型的拟合优度。

• 公式：

  R2=1−残差平方和总平方和

• 记忆法：
  “R²，解释比例看得清。”

• 举例：
  在某回归模型中，R² = 0.8，表示自变量可以解释 80% 的因变量变化。

21. 生存率（Survival Rate）

• 定义：在指定时间内未发生某事件的个体比例。

• 记忆法：
  “生存率，时间段内活着的几率。”

• 举例：
  某癌症治疗研究，5 年生存率为 70%，即 70% 的患者在 5 年内存活。

总结：快速记忆口诀

“敏特靠谱准，似患发显险；绝归治伤功，生存相关数。”

解释：

• 敏特靠谱准：敏感性、特异性、阳性预测值、阴性预测值、准确性。

• 似患发显险：阳性似然比、阴性似然比、罹患率、发病率、显著性。

• 绝归治伤功：绝对风险、归因危险、治疗人数、伤害人数、统计功效。

• 生存相关数：生存率、风险比、R²。