灵敏度
灵敏度（Sensitivity，简称 Se），又称真阳性率（True Positive Rate, TPR），是评价一个诊断试验识别“真病人”能力的指标。
其定义为：在“金标准”确诊为患病的人群中，该检测实验结果为阳性的比例。灵敏度的核心使命是“不漏诊”。高灵敏度的检查（如 D-二聚体、HIV 初筛）主要用于疾病筛查和排除诊断（Rule-out），因为它们能最大限度地减少假阴性，确保将所有可能的患者都“捞”出来，哪怕为此牺牲一定的特异度（错抓健康人）。
数学本质：谁是分母？
理解灵敏度的关键在于搞清楚“分母”是谁。在诊断试验的四格表（混淆矩阵）中，灵敏度只关注“有病的那一列”。
- 分子 (TP)： 真阳性。既有病，检查结果也是阳性的人。
- 分母 (TP + FN)： 所有通过“金标准”（如病理活检、手术）确诊为有病的人。
- 直观理解： 假设有 100 个确诊的癌症患者，某种试剂盒检测出了 95 个阳性，漏掉了 5 个。那么该试剂盒的灵敏度就是 95%。
临床法则：SnNout
这是一个全球通用的循证医学记忆口诀，精辟地总结了高灵敏度检查的临床价值。
| 法则名称 | 含义分解 | 临床逻辑 |
|---|---|---|
| SnNout |
Sensitive test (敏感试验) |
因为高敏检查极少有假阴性（不漏诊）。如果连这么敏感的检查都是阴性，那么患者几乎不可能患病。 |
| 经典案例 | D-二聚体 (D-Dimer) | D-二聚体对血栓极度敏感。如果 D-二聚体正常（阴性），医生可以自信地排除肺栓塞 (PE)；但如果阳性，不能确诊（特异度差），需查 CT。 |
关键相关概念 [Key Concepts]
1. Specificity (特异度)： 灵敏度的“宿敌”。它衡量识别“真健康人”的能力。通常情况下，人为调高灵敏度（如放宽阳性标准），特异度就会下降（假阳性增加）。
2. False Negative Rate (漏诊率)： 即 $1 - \text{灵敏度}$。在传染病（如 COVID-19）防控中，漏诊率是最大的风险，因为漏诊的患者会成为移动传染源。
3. ROC Curve (受试者工作特征曲线)： 用于权衡灵敏度和特异度的图形工具。曲线下面积 (AUC) 越大，说明该检查的整体准确性越高。
学术参考文献 [Academic Review]
[1] Altman DG, Bland JM. (1994). Diagnostic tests. 1: Sensitivity and specificity. BMJ.
[点评]：统计学大师 Altman 的科普名篇。详细阐述了为什么“高灵敏度用于排除，高特异度用于确诊”的临床逻辑。
[2] 詹思延. (2017). 流行病学 (第8版). 人民卫生出版社.
[点评]：国内公卫和临床医学生的必修教材。在“筛查与诊断试验的评价”章节，提供了规范的四格表计算方法和金标准选择原则。
[3] Grimes DA, Schulz KF. (2002). Uses and abuses of screening tests. The Lancet.
[点评]：深刻分析了筛查试验的伦理和技术要求，强调了高灵敏度带来的假阳性风险（过度诊断）及其对患者心理的影响。