NRI的统计学意义与临床意义

之前我们讲过NRI（Net Reclassification Improvement，重分类改善指标），相对于AUC（ROC area under the curve）等指标，NRI更关注在某个截断值时两个诊断试验的相对好坏。在文章推出之后很多朋友问NRI问如何检验NRI是否有统计学意义，其临床意义是什么，今天我们通过其计算过程为您揭开NRI的神秘面纱。

如下表，100个人分别用金标准、test1和test2进行检查的结果。

金标准阳性者有30例，阴性70例，在表中用不同颜色表示；30个病人人test1检查阳性18+2=20人，test2检查阳性18+4=22人；70例非病人中test1检查阴性4+56=60人，test2检查阴性8+56=64人。

如果要计算test2相对于test1的NRI，可以看到在30个病人中，4例是test2诊断正确而test1诊断错误的，2例是test2诊断错误而test1诊断正确的；70个非病人中，8例是test2诊断正确而test1诊断错误的，4例是test2诊断错误而test1诊断正确的；依据NRI的计算公式，NRI=(4-2)/30-(4-8)/70=0.124。在假设检验中，NRI与0进行比较，若所得到的NRI大于0则为正改善，小于为则为负改善，等于0则为无改善。其中一个检验公式为：

其中up为风险上升，即一个检验相对另外一个检验诊断为病人增加例数，events为发生事件，即金标准诊断为阳性。将数据代入上式，即：

计算结果为z=1.299，查z界值表可以得到p=0.0968。

我们将上表一般化，得到下表：

根据上表，NRI=(b-e)/N_event-(d-g)/N_nonevent，我们进行恒等变换，

NRI =[(a+b)-(a+e)]/N_event-[(d+h)-(g+h)]/ N_nonevent

        =[(a+b)/N_event +(g+h)/N_nonevent]-[(a+e)/ N_event +(d+h)/N_nonevent]

        =(灵敏度_test2+特异度_test2)- (灵敏度_test1+特异度_test1)

即NRI是一个诊断试验灵敏度特异度之和与另外一个诊断试验的灵敏度特异度之和的差值。其临床意义也就明确了，相当于一个诊断试验判断正确的比例比另外一个是否有所提高。