研究说了什么
检测前概率指在拿到结果之前，这个人患病的可能性。常用估算路径有四条：一是临床经验判断，医生根据症状、体征与病史给出粗估；二是经验证的预测模型，如胸痛用 Wells 评分、肺栓塞用 Geneva 评分，把症状、心率、制动史等变量折算成分数；三是流行病学基准率，按年龄、性别、地区查该病的患病率；四是把上述方法结合，先给区间再随检查更新。一项比较研究让急诊医生在见患者时先写下估计概率，再与最终诊断对照，结果医生的主观估计在中间区间尚可，在两端明显压缩，把本该百分之二的估成百分之十，把本该百分之九十的估成七成，这种回归中间的倾向会让后续判读偏移。以肺栓塞为例，Wells 评分低危组实际患病率约百分之三，高危组约百分之二十八，同一 D-二聚体结果的解读因此完全不同：低危组阴性基本可排除，高危组阴性仍需影像。研究还显示，明确记录检测前概率的科室，不必要的影像检查减少约两成，而漏诊率没有上升。这种压缩在两端的后果并不对称，低估高危者的概率会延迟必要检查，高估低危者的概率则带来一连串不必要的影像。
为什么重要
检测前概率决定了结果能改变多少判断。用似然比换算：阳性似然比为十的检测，在概率百分之五的人身上把可能性推到约三成五，仍不足以确诊；在概率百分之五十的人身上则推到九成以上。也就是说，同样的阳性，含义可以差出一倍多。这解释了两个常见困惑：为什么筛查项目的阳性总要做确认试验，为什么急诊医生对一个阴性结果仍不放心。对个人，理解这一点能减少两种极端，把体检阳性当成确诊，或把急诊阴性当成万事大吉。对医疗系统，明确概率还能减少防御性检查：当医生能说出这个人的概率低于百分之一、检查的假阳性风险大于收益，不查就成了合理决策。检测前概率还影响 cut-off 的选择：排除诊断时用高灵敏度阈值，确认诊断时用高特异度阈值，同一项目在不同目的下可以有两套判读标准。需要提醒，概率估算依赖准确的信息采集，症状描述含糊、病史遗漏都会让估计失真，最终判断仍应由医生完成，个人不宜凭网络计算器给自己下诊断。对全科与急诊的衔接而言，转诊单上写明估计概率，比只写一段症状描述更有助于接诊者判断下一步该做什么。
证据与边界
检测前概率的临床价值有较多前瞻性验证，Wells、Geneva 等模型在多项队列中显示良好的分层能力，AUC 多在零点七到零点八五之间，属于中等偏好的区分度，足以支持低危可不查、高危直接查的路径，但不足以替代影像。边界主要有三：一是模型的外推性，原始队列多在急诊或专科，搬到基层后患病率下降，校准会偏，需要本地化调整；二是主观估计的可靠性，不同医生之间的一致性只有中等，kappa 常在零点四到零点六；三是概率到决策的映射并非线性，患者对漏诊与过度检查的耐受度不同，同样的概率可能做出不同选择。此外，概率模型通常只纳入少数变量，合并症、用药与既往史被简化，老年多病者的估计容易失准。对读者最实际的提示是：拿到报告前先想清楚自己为什么查、属于哪类人群；拿到报告后把结果交给医生，与症状和病史一起判断，而不是孤立地看阴阳。任何自我估算都不能替代面诊。此外，患者的个人价值取向也会影响阈值，同样的概率，有人愿意接受更多检查，有人更在意避免假阳性带来的折腾。