虽然公共卫生政策制定者对灵敏度和特异度很感兴趣，但临床医生很少应用。换言之，无论是灵敏度还是特异度(人群测试)都是回顾性的(需要一定时间收集试验结果)。然而，临床医生不得不对受试者的结果进行解释。因此，他们需要知道的是试验的预测值(个体测试、前瞻性)。评价预测值，需要旋转90度 观察图1:预测值在水平(行)而不是垂直(列)上起作用。上面一行是试验结果阳性的人群，但只有单元a 是患病的，所以，阳性预测值是a/(a+b)。阳性结果的比数(OAPR) 是指真阳性与假阳性的比，或a/b。OAPR 的倡导者认为这些比数与概率(预测值)相比能更好地描述试验的有效性。图1 下面一行，在阴性结果的人群中，仅有单元格d 是无病的，所以，阴性预测值是d/(c+d)。

如果读者理解了上述的这些定义，并能回想起2x2格表，那么他们就能迅速明白什么时候需要这些公式。我们可以这样去记忆，疾病出现在表格的顶部，因为这是我们首先要关注的，并默认试验在表格的左侧。

在过去的几年里，研究者试图简化这四个试验真实性的指标，将它们浓缩进一个独立的名词。然而，没有人能充分地描述灵敏度(sensitivity) 和特异度(specificity) 之间的重要权衡。

一个例子是诊断的准确度(diagnostic accuracy) ，即正确结果的比值，被正确定义疾病状态的总人数除以所有参加试验的总人数，或(a+d)/(a+b+c+d)。单元格b和c在系统中是干扰项。另一个早期尝试是尤登指数YOUDEN，它简单地将阳性预测值加阴性预测值减1，指数范围从O(掷币决定，没有预测价值) 到1(阳性试验和阴性试验的预测值都完美)。

另外，如果需要检验器械灵敏度和特异度来衡量诊断的效能，需要使用一定比例的阳性样本，见图2

图2

图2中右边的衣原体感染的患病率仅为3%. 现在同样完美的试验其阳性预测值仅是0.5 。很明显当在低患病率的情况下应用时，即使是非常完美的试验同样出现很差的阳性预测值。相反，阴性预测值则是真实的。