بررسی آزمایشگاهی بیمار مبتلا به یووییت به یک رویکرد کامل و سازمان یافته نیاز دارد، به گونه ای که بتوان با نتایج آن به تشخیص صحیح رسید. معمولا درخواست مجموعه ای از تست های استاندارد برای بیماران یووییتی، باعث تاخیر در تشخیص، درمان غیرضروری و تحمل هزینه گزاف می شود. روش مفیدتر این است که ابتدا توجه شود کدام تشخیص ها محتمل تر می باشند و سپس یک ارزیابی آزمایشگاهی جهت دار انجام شود. در این رویکرد به عواملی مانند سن بیمار، جنس، نژاد، تاریخچه، یافته های بالینی، مرور سیستم های حیاتی، ناحیه جغرافیایی و تاریخچه سفر می شود.
در دهه گذشته به تدریج قاعده (Bayes' Theorem) Bayes برای بررسی بالینی بیماران مبتلا به یووییت مطرح شده است. قاعده Bayes، احتمال این که نتیه مثبت تست نشان گر یک نتیجه صحیح باشد (بدین معنی که بیمار واقعا مبتلا به آن بیماری باشد) را محاسبع می کند. این احتمال بعد از تست (Posttest Probability) به حساسیت (Sensivity)، ویژگی (Specifity) و از همه مهم تر به شیوع بیماری بستگی دارد. طبق قاعده Bayes، احتمال بعد از تست مساو است با مثبت های حقیقی (True Positive) تقسیم بر مجموع مثبت های حقیقی و کاذب (False Positive) بنابراین در یک تست با ویژگی 99%، حساسیت 99% و شیوع بیماری 1%، طبق قاعده Bayes، احتمال بعد از تست (این که بیمار با نتیجه مثبت مبتلا به بیماری باشد) فقط 50% است. حال اگر شیوع همان بیماری 10% باشد، احتمال این که بیمار با نتیجه مثبت مبتلا باشد به 91.7% افزایش خواهد یافت. قبل از هرگونه بررسی، جمعیت بیمار باید ارزیابی شود. برای تعیین شیوع بیماری، پزشکان باید به جمعیت بیمار خود به همان اندازه جمعیت عمومی جامعه ای که در آن طبابت می کند و بیماران در آن زندگی می کنند توجه کنند.