在臨床診斷與機器學習領域，「模型好不好用」一直是大家最關心的問題。無論是評估跌倒風險、癌症篩檢，還是辨識一張 X 光片是否有異常，我們都需要一套客觀、可比較的指標來判斷工具的準確性。
這篇文章將從 臨床篩檢工具 的角度出發，介紹四個核心名詞：TP、FP、FN、TN，接著帶入 AUC 與森林圖 的概念，並實際使用 R 語言中的 mada 套件進行分析與繪圖。最後，我也會簡單對比機器學習（Python）中常見的 精確率、召回率、F2-score 等概念，幫助讀者跨領域銜接。
🧠 一次搞懂 TP、FP、FN、TN
在診斷工具或分類模型中，通常會將預測結果與真實情況交叉比對，形成一個 2×2 混淆矩陣：
真實為陽性（有病）真實為陰性（無病）預測為陽性TP（真陽性）FP（假陽性）預測為陰性FN（假陰性）TN（真陰性）
- TP（True Positive）：有病且被正確預測出來 ✅
- TN（True Negative）：沒病且被正確預測為沒病 ✅
- FP（False Positive）：沒病卻被誤判為有病 ❌（偽陽性）
- FN（False Negative）：有病卻被誤判為沒病 ❌（偽陰性）
常用衍生指標：
- 敏感度（Sensitivity） = TP / (TP + FN)
→ 真正有病的人中，被成功找出來的比例。
在衰弱篩檢中，寧可錯殺也不放過的時候，敏感度就非常重要。 - 特異度（Specificity） = TN / (TN + FP)
→ 真正沒病的人中，被正確排除的比例。
📈 AUC 與森林圖的角色
在臨床文獻中，單看一個研究的敏感度、特異度並不足夠，因為不同研究的樣本數、族群、切點都不同。因此學者常使用 AUC（Area Under the ROC Curve） 來綜合評估模型的區辨能力。AUC 越接近 1 表示表現越好。
而 森林圖（Forest Plot） 則是用來 視覺化統合分析結果 的好工具。它可以同時呈現多個研究的敏感度（或特異度）及其信賴區間，幫助讀者一眼看出哪些研究結果一致、哪些是離群值。
