ROC分析原理及主要作用

2018.11.08 18:01
792 0 0

       一、ROC分析原理

  ROC分析是把灵敏度和特异度结合起来综合评价诊断准确度或判别效果的一种方法。至今,作为一个基本的评价方法,在医学诊断试验评价过程中已占有关键位置。

  ROC分析,应用曲线下面积(Area under curve,AUC)这一综合统计量作定量分析,AUC介于1.0和0.5之间,AUC越接近于1,说明诊断效果越好:①AUC介于0.5~0.7时有较低准确性。②AUC介于0.7~0.9时有一定准确性。③AUC在0.9以上时有较高准确性。④AUC=0.5时,说明诊断方法完全不起作用,无诊断价值。AUC及其标准误(S.E.)的计算方法很多,统计学方法可用Wilcoxon非参数方法进行推算,目前已有相应的计算机软件(如Spss15.0)可供使用。

图1ROC Curve.png

  二、ROC分析的优缺点

  1、优点

  (1)简单、直观地通过图示观察、分析和判断诊断方法的临床准确性。

  (2)OC曲线将灵敏度与特异性以图示方式结合在一起,可准确反映某一分析方法敏感性和特异性的关系,是试验准确性的综合代表。

  (3)阳性预测值不同的是,ROC曲线评价方法与群体患病率无关。但实际工作中取患者与非患者的数目相等最好。

  (4)OC曲线不固定分类阈值,允许中间状态存在,利于使用者结合专业知识,权衡漏诊与误诊的影响,选择一更佳截断点(cut off value)作为诊断参考值。

  (5)供不同试验之间在共同标尺下的直观的比较,ROC曲线越凸越接近左上角,表明其诊断价值越大,利于不同指标间的比较。

  2、缺点

  (1)OC曲线显示的不是真正的判断值,实际的分界值通常没有在图上表示出来。

  (2)究对象的数目也没有在图上表示出来。

  (3)样品数减少时,曲线呈“锯齿状”,即使样品数目大,也可能是“崎岖不平”。

  三、、ROC分析的主要作用

  1、反映任意临界值对诊断对象(如疾病、疫苗免疫保护性等)的识别能力

  ROC曲线上的每一点代表某一临界值的一对敏感性和特异性,ROC曲线包含着选择任意临界值时的敏感度和特异性。全面反映不同临界值时敏感度和特异性的变化。

  2、择最佳的诊断临界值

  ROC曲线是表示灵敏度与特异度之间互相关系的一种方法,所得的曲线可以决定最佳临界值。一般多选择曲线转弯处,即敏感度与特异度均为较高的点为临界值。用于选择最佳临界值的方法很多,一般选择约登指数(youden index,YI=Se+Sp-1)或阳性似然比(positive likelihood ratio, LR(+)=Se/(1-Sp))最大的阈值作最佳的诊断临界值。

  3、多种诊断试验对诊断对象识别能力的比较

  根据诊断试验的ROC曲线,可以比较两种或两种以上不同诊断试验对诊断同种疾病的可靠性,ROC曲线可以帮助决策者作出最佳选择。


投诉文章 ©著作权归作者所有
喜欢  |  0
0/200字
没有更多评论了~
悬赏问题
给科研问题设置一定金额,将更容易获得关注与回答哦~
  • 1元
  • 3元
  • 5元
  • 8元
  • 18元
  • 自定义
选择支付方式
  • 微信支付
  • 支付宝支付
  • 余额支付

旗下网站

晟斯医学- 临床医生学术科研发展平台 2014-2019 晟斯医学版权所有
Copyright © 2014-2019 晟斯医学 All Rights Reserved. 备案号:苏ICP备11037034号-5 版权所有:南京孜文信息咨询有限公司