診斷準確度的統合分析

一篇診斷研究交出來的是一對數字

一般的統合分析合併的是一個純量：一個效果量，配上它的變異數（見效果量與變異數）。診斷準確度研究不是這樣。它交出來的是一張 2×2 表，而從那張表讀出來的敏感度與特異度是兩個結果變數，兩者由同一個切點決定（見2×2 表、敏感度與特異度與切點選擇）。

切點往「容易判陽性」的方向移，敏感度上去、特異度下來；往反方向移，兩者互換。所以當十幾篇研究各自用了不同的切點（或名義上同一個切點、實務上判讀寬嚴不同），這兩個數字在研究之間會沿著一條曲線一起移動，而不是各自獨立地散開。

這件事的後果是：把敏感度丟給一個隨機效應模型、把特異度丟給另一個，等於宣告兩者無關。本頁要做的是把這個宣告的代價量出來，而不是重複口號。用的資料是 mada::AuditC——14 篇 AUDIT-C 酒精篩檢問卷的研究，合計 18,332 人（其中 2,071 人有目標狀況）。

這批研究長什麼樣子

敏感度與特異度那兩欄是未經校正的觀察值——研究實際報出來的東西。DOR（diagnostic odds ratio，診斷勝算比）那一欄則是在每一格加了 0.5 之後算的，因為有 2 篇研究的 FN 是零，未校正的 DOR 會是無限大。同一批研究的規模差距很大：最小的一篇 112 人，最大的一篇 6,955 人，後者一篇就佔了全部樣本的 38%。這個事實在最後一節會再出現一次。

機制：切點一動，兩個數字往反方向走

先不要跑任何模型。把每篇研究的 logit(敏感度) 對 logit(特異度) 畫出來就看得到：

Pearson 相關係數是 -0.737（95% CI -0.911 到 -0.339，p = 0.0026，df = 12），Spearman ρ 是 -0.732。迴歸線的斜率 -0.280，R² 是 0.543。

這個負相關不是被一篇高槓桿研究撐起來的，這件事重要到值得單獨查證。逐一把每篇研究剔除再重算，相關係數落在 -0.805 到 -0.569 之間——最不負的那個值出現在剔除第 8 篇的時候，也就是樣本數最大、在 logit(敏感度) 軸上跑得最遠的那一篇。把兩篇有零格的研究（第 7 與第 8 篇）一起拿掉，相關係數是 -0.750。

換句話說，這一頁接下來的論證有一個可以引用的正面證據在支撐，不是一句免責聲明。

切點效應從哪裡來，以及這份資料的一個缺口

散布圖上那條斜線最直接的解釋是各研究用了不同的切點。但實務上會留下同一個形狀的來源不只一種，讀報表時要分得開：

• 明示的切點不同 —— 同一份問卷或同一個生物標記，有的研究用比較低的門檻、有的用比較高的。
• 切點相同、判讀寬嚴不同 —— 影像與病理最常見：名義上是同一套判定標準，不同判讀者的實際門檻不同。
• 參考標準不同 —— 用來定義「真的有目標狀況」的那個標準換掉，兩個指標會一起移動。
• 族群的病情光譜不同 —— 收的是症狀明顯的住院病人，還是社區篩檢的一般人，會同時改變兩個指標。

前兩者是嚴格意義的切點效應，後兩者不是，但它們在資料上留下的痕跡很像。Bivariate 模型並不區分這四種來源，它做的事只是承認「兩個指標相關」並把這件事建進變異數結構；要分辨來源得靠 meta-regression，把切點、參考標準、族群特徵當成共變項放進去（作法與異質性那一頁的 meta-regression 相同，只是被解釋的東西變成兩個）。

分開合併之後：合併點幾乎沒有動

現在跑兩個各自獨立的單變量隨機效應模型（REML、logit 尺度），再跑一個 mada::reitsma() 的 bivariate 模型，兩者用同一套連續性校正，把結果並排：

點估計幾乎沒動，聯合陳述動了。 分開合併確實同時比 bivariate 高了一點，方向與教科書講的一致，但幅度是 0.19 與 0.11 個百分點——寫在論文摘要裡不會有人看得出差別，四捨五入到小數第二位就消失了。這一頁不會說「分開合併會嚴重高估」，因為在這份資料上它沒有。

而且這不是資料太乖。沒有共變項的時候，bivariate 模型的邊際點估計本來就會跟兩個單變量模型很接近：兩者的固定效應部分估的是同一件事，相關性進入的是變異數結構，不是中心位置。相關性改變的是不確定性的形狀，所以差別要到聯合陳述那一層才看得出來。

順帶一提，兩個指標的研究間異質性都很大：敏感度那一側 τ² = 1.215、I² = 93.5%，特異度那一側 τ² = 0.427、I² = 98.6%。I² 是比例不是量（見異質性：I²、τ² 與預測區間），但這麼高的 τ² 在 logit 尺度上是真的很大的散布，稍後的預測橢圓會把它變成看得見的東西。

聯合陳述才是壞掉的地方

論文報表最常見的長相是這樣兩句話：合併敏感度 0.893（95% CI 0.814–0.941）、合併特異度 0.781（95% CI 0.715–0.835）。讀者接著會做一件很自然的事：把這兩個區間交叉，得到一個矩形，然後說「這個檢驗的真實表現落在這個範圍裡」。

這一步就是錯的地方，而且錯了兩層。

第一層：兩個 95% 區間交叉出來的東西不是 95% 區域。 就算兩者真的獨立，聯合覆蓋率也只有 90.25%（0.95 的平方）。這件事與模型無關，是機率的算術。

第二層才是這一頁的重點：形狀不對。 用 bivariate 模型的抽樣分布做 200,000 次蒙地卡羅，那個矩形的實際聯合覆蓋率是 91.9%。同一批抽樣對 bivariate 的信賴橢圓算出 94.93%，作為程序本身的檢查——這個數字該接近 95%，它確實接近。

矩形的面積是 0.0152，橢圓是 0.0117，前者是後者的 1.30 倍。面積大了三成，覆蓋率卻更低——因為多出來的面積都長錯地方。

上圖 B 面板一眼看得出來：矩形的左上角是「敏感度很高、同時特異度也很高」，右下角是「兩者同時很低」。這兩個角落正是負相關排除掉的組合，橢圓不涵蓋它們，而矩形涵蓋。矩形省下的是橢圓的兩個長軸端點——「敏感度高、特異度低」與「敏感度低、特異度高」，也就是資料實際上支持的那兩種可能。

把矩形的角落拿去算概似比，會發生什麼事

上一節的問題聽起來還有點抽象，直到把那個矩形接進臨床用得到的量為止。概似比（likelihood ratio）就是這樣一個量，而它的定義同時吃掉兩個指標（見概似比）：陽性概似比是敏感度除以偽陽性率，陰性概似比是「1 減敏感度」除以特異度。

用 bivariate 的合併點算，陽性概似比是 4.04、陰性概似比是 0.140。現在改用矩形最樂觀的那個角落——敏感度取上界 0.941、特異度也取上界 0.835——算出來的陽性概似比變成 5.69，是合併點的 1.41 倍；陰性概似比變成 0.071，大約是合併點的一半。

這組數字不是「樂觀的估計」，是模型說不會同時發生的組合。 一個把兩個區間交叉來用的讀者，會得到一個看起來很有說服力、卻沒有任何資料支持的檢驗。

實務上的規矩因此很簡單：概似比、預測值、決策曲線這類需要同時用到兩個指標的量，區間不能靠兩個邊界做四則運算，必須在模型的聯合分布上算——從 bivariate 的抽樣分布抽樣，對每一次抽樣算一次概似比，再取分位數；或用 delta method。上一節那段模擬程式碼稍加修改就是這件事。

信賴橢圓與預測橢圓不是同一個東西

上面那個橢圓還有一個更常被誤讀的兄弟。兩個橢圓中心相同，差別在於它們是什麼東西的不確定性：

• 信賴橢圓的變異數是 vcov(固定效應)，講的是平均操作點落在哪裡。研究愈多它愈小。
• 預測橢圓的變異數是 vcov(固定效應) + Psi，講的是下一篇研究的真實操作點落在哪裡。它不會隨著研究變多而縮小，因為 Psi 是真實的研究間散布，不是我們的無知。

⚠️ 預測橢圓指的是下一篇研究的真值，不包含那篇研究自己的抽樣誤差。它是單變量預測區間（見異質性那一頁）的二維版本，不是「下一篇研究會觀察到的那個點」的區間——真的要預測觀察值，還要再疊上那篇研究依樣本數而定的抽樣變異。

兩者的差距在這份資料上非常大。預測橢圓的面積是信賴橢圓的 10.37 倍：

合併點的敏感度區間看起來相當精確，但下一篇研究的真實敏感度可以低到 0.291。這個對比比合併點那 0.19 個百分點有力得多，而且它回答的才是臨床上真正的問題：這個檢驗拿到我的診間，表現會是什麼樣子。一篇只報信賴橢圓的統合分析，等於用「平均值有多確定」去回答「下一次會怎樣」。

SROC 曲線：離開資料就是外插

圖上那條曲線是 summary ROC（SROC）曲線，本例用的是 Rutter-Gatsonis 參數化。它畫的是：如果把切點沿著模型估出來的那條軌跡移動，敏感度與特異度會怎麼交換。曲線下面積 AUC = 0.887，限縮在觀察範圍內的 partial AUC = 0.861。

這個 AUC 不是單一研究 ROC 曲線下的面積（見ROC 曲線與 AUC）。單一研究的 ROC 是在同一群人身上移動切點畫出來的；SROC 是跨研究的，每一點來自不同的族群、不同的判讀者、不同的參考標準。兩者長得很像，意思差很多。

而且曲線只有一段是有資料撐著的。這 14 篇研究的偽陽性率落在 0.059 到 0.520 之間；圖上那個範圍內畫成實線，範圍外畫成點虛線。點虛線那兩段是模型的外插——它們的形狀完全由模型假設決定，沒有任何研究在那個區域提供過資訊。看到一篇論文把 SROC 曲線畫到偽陽性率 0.01 的地方，並且引用該處的敏感度，那個數字是模型算出來的，不是量出來的。

報表上會看到兩個模型名字

診斷準確度統合分析的論文裡，方法段落通常會出現下面兩個名字之一，讀者常以為是兩種相競爭的做法：

• Bivariate random effects（Reitsma 等人） —— 直接對 (logit 敏感度, logit 偽陽性率) 這一對做二維隨機效應，估的是合併操作點與它的聯合不確定性。本頁用的就是這一個。
• HSROC（hierarchical summary ROC，Rutter-Gatsonis） —— 參數化成「區辨能力」與「切點」兩個潛在量，估的是那條曲線。

在沒有共變項的情況下，兩者是同一個模型的兩種寫法，可以互相換算——所以本頁既報得出合併點（來自 bivariate 的參數），也畫得出 SROC 曲線（ruttergatsonis 參數化）。有共變項的時候兩者才會分家：共變項加在「區辨能力」上，跟加在「敏感度與特異度」上，問的不是同一個問題。

所以看到論文寫「bivariate」而報表裡有 SROC 曲線，不是矛盾；看到寫「HSROC」而報表裡有合併點，也不是。要追問的是共變項放在哪一層，以及合併點是模型直接估的還是從曲線上挑的。

為什麼不乾脆合併 DOR

看到「一對數字很麻煩」，很自然會想到把它壓成一個純量：診斷勝算比（DOR）就是這樣的東西，本頁第一張表的最後一欄。壓成純量之後，一般的統合分析工具立刻就能用——早期的 Moses-Littenberg 做法正是拿每篇的 log DOR 去畫 SROC 曲線。

代價有兩個，而且都不小。

第一，DOR 丟掉了臨床上最重要的那個區分。 兩個 DOR 相同的檢驗，可以一個敏感度很高、特異度平平（適合 rule-out），另一個反過來（適合 rule-in）。DOR 相同不代表能互相取代，而醫師要決定的正好是「這個檢驗該放在流程的哪一步」。

第二，DOR 在極端的表格上很不穩。 本頁那 2 篇有零格的研究，校正之後 DOR 被推到整批研究裡最極端的兩個值，log DOR 的標準誤也是全部 14 篇裡最大的兩個（都在 1.42 附近，其餘研究落在 0.17 到 0.87 之間）。整批研究的 DOR 從 8.9 一路到 1388.9，跨了兩個數量級，而最高的那兩個完全是零格造成的。

所以 DOR 現在的位置是描述，不是合併的目標：它適合放在表裡讓讀者看到各研究的整體區辨能力差多少，不適合當成統合分析的主要結果。

該報一個點，還是整條曲線

切點效應愈強，「合併敏感度是 X」這句話本身的意義就愈有限——它把不同門檻的研究平均起來，得到一個可能沒有任何研究真的操作在上面的點。這份資料的研究間散布確實很大：Psi 在 logit 尺度上的兩個標準差是 1.175（敏感度）與 0.638（偽陽性率），這正是預測橢圓大得那麼誇張的原因。

三種常見的處理方式，選哪一種取決於資料而不是偏好：

1. 報整條 SROC 曲線，加上合併點與預測區域。 本頁的做法，也是切點確實不同時最誠實的呈現：曲線說「這個檢驗的能力大致是這樣」，預測區域說「下一篇研究可能落在哪」。
2. 把用同一個門檻的研究抽出來單獨合併，其餘的放進敏感度分析。這樣合併點才有明確的意思——它是「在這個門檻上」的表現。前提是抄得到每篇的切點。
3. 以切點為共變項做 meta-regression。 資訊量最大，需求也最高，同樣卡在上一節那個缺口。

另一個錯，性質完全不同：把所有 2×2 表加起來

上面談的都是模型層次的問題。還有一個更基本的錯誤在實務上照樣常見：直接把 14 張 2×2 表的四個格子分別加總，再用總數算敏感度與特異度。

敏感度那一欄三種做法差不多，特異度那一欄不是：加總後相除給出 0.691，比兩個統合估計低了大約 8.9 個百分點。

原因與切點無關，與分析單位有關。加總的做法把每一個受試者當成分析單位，於是那篇 6,955 人的研究（佔全部樣本 38%）幾乎自己決定了答案——而它的特異度是全部 14 篇裡最低的。統合分析的分析單位是研究，不是人；隨機效應模型會把權重往中間拉，正是為了不讓一篇研究把其餘十幾篇淹掉（見固定效應與隨機效應）。

這個錯誤與前面談的「分開合併」是兩件不同的事，不要混在一起講：一個是忽略了兩個指標之間的連結，另一個是忽略了研究才是分析單位。一篇論文可以只犯其中一個。

連續性校正：先把它固定住，比較才乾淨

上面那張並排表有一個前提：兩種做法用了同一套連續性校正——每一格都加 0.5，這是 mada::reitsma() 內部的預設。這樣剩下的差距才只反映模型。

如果單變量那一側改用 metafor 的預設（只在有零格的研究補 0.5），差距會放大到 0.98 與 0.20 個百分點：

多出來的那一截是校正方式的差異，不是模型的差異。 一篇論文如果拿「只補零格的單變量結果」去對比「bivariate 結果」，然後宣稱差距全是分開合併造成的，那個歸因是錯的。零格處理本身沒有標準答案，各種做法的代價在效果量與變異數那一頁談過；這裡的要求只有一個：做比較時，把不是你要比的東西固定住。

動手跑一次

library(mada)
library(metafor)
library(ellipse)

data(AuditC, package = "mada")     # 14 篇，欄位是 TP / FN / FP / TN
cc <- AuditC + 0.5                 # 每一格都加 0.5，與 reitsma() 內部一致

# ── 1. 先看機制，不要先跑模型 ──────────────────────────────────
madad(AuditC, correction = 0.5)$cor_sens_fpr   # 敏感度 vs 偽陽性率（正值）
cor.test(qlogis(cc$TP / (cc$TP + cc$FN)),      # 敏感度 vs 特異度（負值）
         qlogis(cc$TN / (cc$TN + cc$FP)))

# ── 2. 分開合併：兩個各自獨立的單變量模型 ─────────────────────
es_sens <- escalc(measure = "PLO", xi = cc$TP, ni = cc$TP + cc$FN)
es_spec <- escalc(measure = "PLO", xi = cc$TN, ni = cc$TN + cc$FP)
m_sens  <- rma(yi, vi, data = es_sens, method = "REML")
m_spec  <- rma(yi, vi, data = es_spec, method = "REML")
plogis(c(m_sens$beta, m_sens$ci.lb, m_sens$ci.ub))   # 合併敏感度與 95% CI
plogis(c(m_spec$beta, m_spec$ci.lb, m_spec$ci.ub))   # 合併特異度與 95% CI

# ── 3. bivariate：一個模型，帶研究間共變異數 ──────────────────
fit <- reitsma(AuditC, correction = 0.5, correction.control = "all")
summary(fit)          # sensitivity 與 false pos. rate 的合併值與 95% CI
fit$Psi               # 研究間共變異數；psi12 > 0 就是那個負相關
AUC(fit)              # SROC 曲線下面積（不是單一研究的 ROC AUC）

# ── 4. 兩個橢圓：mada 只畫信賴橢圓，預測橢圓要自己疊 Psi ───────
b <- as.numeric(coef(fit))                 # (logit 敏感度, logit 偽陽性率)
V <- fit$vcov                              # 固定效應的抽樣共變異數
e_conf <- ellipse(V[c(2, 1), c(2, 1)],           centre = b[c(2, 1)], level = 0.95)
e_pred <- ellipse((V + fit$Psi)[c(2, 1), c(2, 1)], centre = b[c(2, 1)], level = 0.95)

plot(fit, sroclwd = 2, xlim = c(0, 0.62), ylim = c(0.25, 1))
points(fpr(AuditC), sens(AuditC), pch = 21)
lines(plogis(e_conf[, 1]), plogis(e_conf[, 2]), lwd = 2)
lines(plogis(e_pred[, 1]), plogis(e_pred[, 2]), lty = 2)   # 大很多的那一個

# ── 5. 那個矩形實際上覆蓋多少？自己模擬一次比讀公式快 ─────────
set.seed(20260823)
z <- matrix(rnorm(2 * 2e5), ncol = 2) %*% chol(V)
sim_sens <- plogis(b[1] + z[, 1])
sim_spec <- 1 - plogis(b[2] + z[, 2])
mean(sim_sens >= plogis(m_sens$ci.lb) & sim_sens <= plogis(m_sens$ci.ub) &
     sim_spec >= plogis(m_spec$ci.lb) & sim_spec <= plogis(m_spec$ci.ub))

import numpy as np
import pandas as pd
from scipy.special import logit
from scipy.stats import pearsonr, spearmanr

# mada::AuditC 的逐篇四格表，14 篇。
tab = pd.DataFrame({
    "TP": [47, 126, 19, 36, 130, 84, 68, 752, 59, 142, 137, 57, 34, 152],
    "FN": [9, 51, 10, 3, 19, 2, 0, 0, 5, 50, 24, 3, 1, 51],
    "FP": [101, 272, 12, 78, 211, 68, 112, 3226, 55, 571, 107, 103, 21, 88],
    "TN": [738, 1543, 192, 276, 959, 89, 423, 2977, 136, 2788, 358, 437, 56, 264],
})

# TP / FN / FP / TN 逐篇，就在上面
cc = tab + 0.5                      # 與 R 端同一套連續性校正
sens = cc.TP / (cc.TP + cc.FN)
spec = cc.TN / (cc.TN + cc.FP)

print(pearsonr(logit(sens), logit(spec)))     # 負相關 = 切點效應
print(spearmanr(logit(sens), logit(spec)))

# 逐一剔除，確認相關不是靠單一高槓桿研究
r_loo = [np.corrcoef(np.delete(logit(sens).values, i),
                     np.delete(logit(spec).values, i))[0, 1]
         for i in range(len(cc))]
print(min(r_loo), max(r_loo))

# 合併那一步到此為止：Python 沒有現成的 bivariate / HSROC 實作。
# 不要退而求其次用兩個單變量模型然後不說 —— 那正是本頁在講的問題。

怎麼讀報表

1. 有沒有說用了哪一種模型。 「bivariate random effects（Reitsma）」或「HSROC（Rutter-Gatsonis）」是可接受的答案；只寫「pooled sensitivity and specificity」而沒有模型名稱，通常就是兩個單變量模型。
2. 有沒有給研究間共變異數或它的相關係數。 這是切點效應在報表上的位置。只有兩個 τ² 而沒有共變異數項，代表模型裡兩者是獨立的。
3. 兩個區間有沒有被交叉使用。 摘要裡出現「敏感度 X（CI）且特異度 Y（CI）」而正文用它做聯合宣稱，就是本頁第五節那個矩形。
4. 報的是信賴區域還是預測區域。 只有信賴區域的統合分析，回答不了「這個檢驗在我的族群會怎樣」。
5. SROC 曲線畫到哪裡。 觀察到的偽陽性率範圍如果沒有標出來，曲線兩端的部分要當成外插看。
6. 零格與連續性校正怎麼處理。 特別是在拿兩種做法互相比較的時候，校正方式必須一致，否則差距的歸因是錯的。
7. 有沒有把加總後相除的結果當成統合結果。 檢查方式很簡單：如果合併值剛好等於「總 TP 除以總（TP + FN）」，那就是。
8. 模型有沒有收斂，殘餘自由度是多少。 Bivariate 模型要估五個參數（兩個平均、兩個變異、一個共變異），研究篇數少的時候收斂會不穩或把共變異估到邊界。本例收斂，殘餘自由度 23、對數概似 31.56。論文沒提收斂狀況時，至少確認 Psi 的相關係數不是剛好正負 1——那通常是估到邊界的訊號。

常見誤用

重跑本頁的所有數字

/opt/homebrew/bin/Rscript figures/scripts/B7-08-diagnostic-meta.R

回報這一頁的問題