研究说了什么
把灵敏度九成、特异度九成五的检测放进两个场景，结果会让人怀疑是不是换了仪器。患病率百分之一的社区筛查，一万人里有一百个患者，检测抓出九十个真阳性，同时九千九百个健康人里有四百九十五个被误判为阳性，阳性预测值约一成五，也就是每七个阳性只有一个是真的。同样的检测搬到患病率一成的高危门诊，一千人里一百个患者，真阳性九十个，假阳性四十五个，阳性预测值升到六成七。阴性预测值走的是相反方向：低患病率时接近九成九，高患病率时降到九成七以下。这组数字不是理论推演，而是贝叶斯定理的直接结果，被写进多数临床流行病学教材。研究还比较了不同 cut-off 下的表现：把阈值下调以提高灵敏度，低患病率场景的阳性预测值会进一步跌到一成以下，假阳性绝对数却成倍增加。也就是说，检测本身没有变差，是分母变了。任何声称「准确率九成五」的宣传，如果不交代人群患病率，这个数字就无法换算成「我查出阳性，到底有多大概率真的有病」。这类换算在筛查说明会上很少被完整呈现，留下的往往只是一个孤立的百分比，听众无法据此判断自己的阳性意味着什么。
为什么重要
这解释了为什么同一个指标在筛查与诊断中的命运截然不同。肿瘤标志物用于无症状人群筛查时阳性预测值常低于百分之五，而用于已发现病灶者的辅助判断时可能超过五成；抗体检测在低流行地区的阳性报告，需要确认试验兜底，否则大部分是假阳性。对个人而言，最实用的一句是：检查结果的含义取决于你为什么去查。因症状就诊、有明确暴露史或家族史的人，检测前概率高，阳性结果更值得当真；因单位体检顺手加项的人，检测前概率低，阳性更可能是一场虚惊，但这不代表可以忽略，而是应当进入规范的复核路径。对公共卫生而言，大规模筛查的假阳性会带来可观的复查成本与焦虑负担，这也是各国筛查指南严格限定目标人群、年龄段与间隔的原因。理解这一点，也能帮助读者识别那些只谈灵敏度、不谈人群的营销话术。需要强调的是，阳性预测值是群体层面的换算，不能直接套到个人身上，个人拿到报告后如何理解，仍应由医生结合病史、体征与复查结果判读，不宜自行按百分比推断。
证据与边界
贝叶斯换算属于数学必然，不存在证据强弱之争，真正有边界的是输入参数。灵敏度与特异度来自特定研究，若研究人群与实际使用者不同，换算出的预测值就会偏；患病率更难获得，社区筛查常用的是区域性登记数据，可能高估或低估真实水平。若检测结果不是简单的阳性阴性，而是连续值，还需要先选定切点，切点一动，整张表都变。另一种常见错误是把阳性预测值当作检测的固有属性写进说明书，实际上它随人群浮动，只在给定患病率下成立。多项研究提示，医生对阳性预测值的直觉估计普遍偏差，倾向于高估阳性结果的真实性，尤其在低患病率场景。对多档结果的检测，还应看似然比：阳性似然比大于十通常认为能显著改变判断，五到十为中等，二到五影响有限，接近一则几乎没有信息量。这些量在报告里常被省略，读者可以主动索取。最后要提醒，预测值回答的是群体频率问题，个体决策还要叠加症状、影像与随访，最终解释权在接诊医生，不在一个换算公式。解释个体报告时，最重要的不是记住公式，而是先弄清自己属于哪一类人群，以及这次检测是为了排除还是为了确认。