-应该如何看待体检报告中的轻微异常值？
去医院看病或常规体检，你总会拿到一堆“化验”结果。其内容少则十几项，多则几十甚至上百项。每个项目后面都会标明一个正常值（或正常值范围），再标明你的检测值。如果检测值高于或低于正常范围，就会在后面出现一个向上或向下的小箭头以提示异常。一旦在检测报告中出现了小箭头。心里难免惴惴不安，完啦！俺这是得了神马病啦？！
如果检测值超出正常值范围几倍甚至更多，严肃对待是必须滴，赶紧拿着检测报告找医生去寻求对策。但很多时候，检测结果仅仅超出正常范围一点点。比如，空腹血糖的正常值上限是6.1。如果检测结果是6.2，那就是得了糖尿病么？又比如一项叫CEA的检测指标，说出中文名字来就吓人了:癌胚抗原。确实，这个指标是辅助诊断直肠癌的，正常值上限是5，如果检测值是5.1，后面就会出现个向上的小箭头，那就意味着得了直肠癌么？从我们的生活常识来看，这是非常可疑的。我们都用尺子量过东西，测量结果是5厘米还是5.1厘米，一毫米之差，那不就是一哆嗦的事么！虽然医学检测用的是比普通尺子精密得多的高大上仪器，但它就能那么神，这一点点差异就说是癌症？！不敢相信啊！
确实，这一怀疑是有道理的。常识经常蕴含着最基本的道理，更高级的道理是其延伸而不是对基本道理的否定。可是，医生规定这个数值作为正常值上限必然是有他的道理啊！咱们就敢凭着一点生活常识对检测报告里的小箭头视而不见么？这个的确是一个令人纠结的问题。所以，老败认为有必要做点科普，给大家讲讲医学检测中的正常值是怎么确定下来的。了解了这个道理，我们就可以对这个纠结的问题有一个理性的应对。
咱们首先来看一下，如果医生们感觉某项检测有作为某一疾病诊断指标的潜能，他们下一步会怎样做？其实，解决这个问题的方法就在我们的常识之内：找个病人来，再找个健康人来，分别对他们的这项指标进行检测。如果结果一个高，一个低，有差异，那我们以后就可以凭借这个差异来诊断一个人是否得了这种病，就这么简单。但是，只测一个病人和一个健康人够么？显然不够。咱们至少得各测它几十个人来看一下吧？好，咱们看看各测它几十个人会得到什么样的结果。
上图是老败从一篇文献中借来的，是对34个健康人和38个病人的某项检测指标的对比结果。坐标系中的每个小圆圈代表着一个人。粗线圈代表病人，细线圈代表健康人。小圆圈所对应的纵坐标数值是这个人的检测值。从这个结果图我们可以一目了然地看出，病人的检测值整体（平均值）来说高于健康人。但个体之间的对比就不一定了。也有不少健康人高于病人的现象出现。这可怎么办？！放弃这项检测作为诊断指标？还是退而求其次，将这些数据做些统计处理后总结出一个相对可靠的标准（即所谓“正常值”，术语叫阈值），然后用这个标准来衡量一个人是否患病的可能性？
须知这个世界从来就不是黑白两分的，个体之间的差异和多样性是生物体普遍存在的现象。能够把病人与健康人做截然区分的检测指标少之又少。绝大多数检测都会得出与上图中类似的结果。我们多数情况下只好接受现实，从这些实验数据中总结出一个相对而言最靠谱的阈值，尽量利用“不完美”的检测帮助我们诊断疾病。
首先来明确几个概念。如果有一人生了病，我们的检测结果也说他有病，这个结果我们叫它真阳性。在对一群病人进行检测之后，真阳性的数目除以全体被测病人的数目就叫做真阳性率。真阳性率也称作灵敏度。显然，灵敏度越高越好。最高是100%，那最好，但现实中几乎不可能，对吧？
如果一个健康人，我们的检测结果却说他有病，这个结果我们叫它假阳性。在对一群健康人进行检测之后，假阳性的数目除以全体被测健康人的数目就叫做假阳性率。显然，假阳性率越低越好。最低是0%，那最好，但现实中几乎也不可能，对吧？
那么，我们现在面对的命题是什么？以上图中的数据为例，34个健康人的检测值在0到968之间。38个病人的检测值在165到2590之间。我们该选哪个数值作为诊断阈值呢？咱们可以这样想，假设在0到2590之间随便挑一个数作为诊断阈值来衡量这总计72个检测结果，就可以计算出一个相应的真阳性率（灵敏度）和一个假阳性率。如果阈值选得低一点，灵敏度就会比较高（咱们喜欢），但同时假阳性率也高（咱们不喜欢）。如果阈值选得比较高，假阳性率可以降下来（咱们喜欢），但灵敏度也会降下来（咱们不喜欢）。显然，咱们面临着一个两难抉择。那么咱们的最佳方案就是，找到一个平衡点作为阈值，以使我们的检测能够得到尽量高的的敏感度和尽量低的假阳性率。
怎么找到这个平衡点呢？咱们可以做个图:以假阳性率为横坐标，以灵敏度为纵坐标，然后在0和2590之间多挑几个数（候选阈值）分别测算它们相应的假阳性率和灵敏度。这些数据可以在坐标系里形成很多点。把这些点连起来，得到一条曲线，就象是这个样子：
上图是老败从同一篇文献里借来的。这个曲线（粗黑实线）叫做ROC曲线。咱们没有必要知道这个ROC的英文和中文全名，反正那名字看着也是莫名其妙的，无助于理解和记忆。并且，大家平时就是叫它“啊呕噻曲线”，没人叫它那冗长拗口的全名。
这个图可以告诉我们许多有用的信息。首先来看一下它的对角线。对角线上所有的点都意味着灵敏度（真阳性率）和假阳性率相同。用投硬币的方法随便猜就是这个效果，用作诊断方法毫无意义。对角线下以下的部分假阳性率比真阳性率还高，更是没用。这个图里的左上角是个好地方。那儿意味着检测灵敏度接近100%而假阳性率非常低。ROC曲线上离对角线垂直距离最长的点就是我们要找的平衡点。在这个例子中，当选取这个点所对应的检测值为诊断阈值时，所能得到的灵敏度大约是百分之八十。同时，假阳性率大约为百分之五十多。这就是这种检测方法所能达到的最佳水平!
在现实中，因为检测灵敏度低，把一个病人诊断为健康人叫漏诊。因为假阳性率高，把一个健康人诊断为病人叫误诊。对某一种特定的疾病或临床状况而言，漏诊和误诊后果的严重程度可能是不相同的。因此在选择诊断阈值时经常会以放弃一个方向为代价去追求另一个方向的高性能。还以老败借用的这篇文献为例，其作者最后推荐的检测阈值是841。在这个阈值下灵敏度为百分之四十二，而假阳性率则可以低至百分之六。
了解了医学检测正常值的确定过程，咱们就可以对本文初始提到的纠结问题：该怎么看待体检报告中的轻微异常项目，做一个理性的应对了。
然后，咱们现在知道了，因为人的个体差异，没有哪个诊断项目可以做到百分之百的灵敏度，百分之百地避免假阳性。换句话说，自己可能恰巧就是那百分之几的天生在这项指标上偏离平均值的健康人。如何确定这一点呢？需要按顺序做下面三件事:
2.与其它检测指标和诊断方法相印证。正是因为没有哪个诊断项目可以做到百分之百的灵敏度，百分之百地避免假阳性。医生们发展了各种不同特性的检测和诊断方法互为补充，相互佐证，这就是检查项目密密麻麻，如此众多的原因。现在不少患者抱怨医生乱开检查项目骗钱。老败固然不敢否认有这种现象存在的可能，但还是奉劝大家相信医生。必要与不必要，毕竟只有医生才理解其中的逻辑关系。