一般我们是将检测结果跟临床金标准进行比较，常见的诊断指标如灵敏度、特异度、阳性预测值和阴性预测值等。但是当在方法学比较没有临床金标准（即对照方法不是临床金标准）时，那么我们就无法估计其实际的灵敏度和特异度，此时可以考虑用阳性一致性（positive percent agreement, PPA）和阴性一致性（negative percent agreement, NPA），这种情况还是比较常见的（比如在组织诊断中）
有时还会使用总体一致性（overall percent agreement, OPA），但是这个有时会有误导，所以主要还是看PPA和NPA；列联表如下：
- Positive percent agreement (candidate method) = 100×a/(a+c)
- Negative percent agreement (candidate method) = 100×d/(b+d)
- Overall percent agreement = 100×(a+d)/n
从上可看出：
- Positive agreement is the proportion of comparative/reference method positive results in which the test method result is positive.
- Negative agreement is the proportion of comparative/reference method negative results in which the test method result is negative.
这里有几个注意点：
- PPA和NPA等一致性指标只能说明comparative和test的一致性比较好，但不能说明test的准确率（即跟金标准比）高，可能comparative和test准确率都不怎么好
- PPA是比较comparative方法阳性结果中，test方法结果也为阳性的比例
- 在使用时，可能还要注意目标人群患病率，有时候患病率的高低会影响到PPA和NPA；比如：假设test方法和comparative方法非常一致时，诊断的准确率是negative的；但当不一致率非常高时，诊断的准确率是positive的。那么在评估样本目标件患病率较低的研究中，两种方法之间的总体一致性会更高，而在评估样本目标患病率较高的研究中，这两种方法的总体一致性会更低。
那么如何计算PPA和NPA的置信区间CI呢，一般会使用Wilson方法来计算，可参考下述公式：
其中，PPA: p=a/(a+c), n=a+c, q=1-p
若不想根据函数写公式的话，可使用DescTools::BinomCI()函数，对于PPA，如：
DescTools::BinomCI(x = a, n = a+c, conf.level = 0.95, method = "wilson")除了wilson外，还可以建议用exact confidence limit（Clopper-Pearson）的方法，更改上述函数的参数即可：
DescTools::BinomCI(x = a, n = a+c, conf.level = 0.95, method = "clopper-pearson")以上大部分内容参考：CLSI EP12: User Protocol for Evaluation of Qualitative Test Performance，并只对其一部分内容做了笔记，若有理解上的偏差，请以原文为主
本文出自于http://www.bioinfo-scrounger.com转载请注明出处