Calculadora gratuita de Editverse
Calculadora de curva ROC y AUC
Mide la capacidad de una prueba o puntuación para diferenciar dos grupos mediante la curva ROC, el área bajo la curva (AUC) y el comando R reproducible. Consulta la guía de interpretación completa a continuación. Validado con R 4.3.3.
En palabras simples
Una curva ROC muestra el rendimiento de una prueba continua o una puntuación de riesgo al variar el umbral de decisión, desde estricto hasta permisivo. En cada umbral, se representa la tasa de verdaderos positivos (sensibilidad) frente a la tasa de falsos positivos (1 − especificidad). El área bajo la curva (AUC) resume toda la información en un único valor entre 0.5 y 1.
El AUC tiene una interpretación clara: es la probabilidad de que la prueba asigne una puntuación más alta a un caso positivo elegido al azar que a uno negativo también elegido al azar. Un AUC de 0.5 significa que la prueba no es mejor que lanzar una moneda al aire; 1.0 significa una separación perfecta. Como referencia, un valor entre 0.7 y 0.8 es aceptable, entre 0.8 y 0.9 es bueno y superior a 0.9 es excelente.
Cuándo utilizar una curva ROC
Utilice el análisis ROC para evaluar la capacidad discriminatoria de un predictor continuo frente a una variable binaria: un biomarcador, una puntuación clínica o la probabilidad predicha por un modelo de regresión logística . Es el método estándar para comparar pruebas diagnósticas y seleccionar un umbral operativo que equilibre la sensibilidad y la especificidad en un contexto clínico determinado.
Informe el AUC con su intervalo de confianza del 95 % e indique el umbral seleccionado junto con la sensibilidad y la especificidad. Cuando se comparan dos modelos en los mismos pacientes, utilice una prueba pareada (de DeLong) en lugar de tratar los AUC como independientes. Si solo dispone de un punto de corte fijo en lugar de una puntuación continua, informe la sensibilidad y la especificidad directamente. ¿No está seguro de que la curva ROC sea la herramienta adecuada? Nuestro selector de pruebas interactivo puede ayudarle.
Formato esperado: Puntuación, Etiqueta: una por línea (1=positivo, 0=negativo)
Arrastra aquí un archivo CSV o haz clic para seleccionar. Analizado en tu navegador: no se carga nada.
Formato esperado: Puntuación, Etiqueta: una por línea (1=positivo, 0=negativo)
library(pROC) scores <- c({roc_scores}) labels <- c({roc_labels}) roc(labels, scores, direction = "{roc_dir}") # {roc_dir_note}Guía del usuario
Cuándo usarlo. Evaluar la capacidad discriminatoria de una prueba o puntuación continua.
Supuestos. Resultado verdadero binario (0/1); predictor o puntuación continua.
Errores comunes. Un AUC cercano a 0.5 significa que no hay discriminación; no interprete de forma exagerada un único umbral.
Ejemplo trabajado
Haga clic en "Cargar datos de ejemplo" arriba y, a continuación, en "Ejecutar análisis" para ver un resultado completo con la figura, la fórmula y la interpretación de esta prueba.
Referencias
- Hanley JA, McNeil BJ. El significado y el uso del área bajo una curva ROC. Radiology. 1982;143:29-36.
Ejemplos resueltos
Ejemplo 1: Una puntuación de biomarcador
Diez sujetos con puntuaciones y etiquetas verdaderas (1 = enfermedad, 0 = sano) generan una curva que se inclina hacia la esquina superior izquierda. El AUC resume la fiabilidad con la que las puntuaciones más altas se corresponden con la enfermedad. Informe el AUC con su intervalo de confianza, así como la sensibilidad y la especificidad en el punto de corte elegido.
Ejemplo 2: Elección de un umbral
El índice de Youden (sensibilidad + especificidad − 1) identifica el punto que maximiza la suma de ambas. Sin embargo, el umbral óptimo depende del costo de los falsos positivos frente a los falsos negativos en su contexto: una prueba de cribado puede priorizar la sensibilidad, mientras que una prueba confirmatoria prioriza la especificidad.
Supuestos a verificar
Verdad binaria y correctamente etiquetada. Cada caso debe clasificarse como positivo o negativo mediante un estándar de referencia fiable; las etiquetas mal clasificadas distorsionan la curva.
Predictor continuo u ordinal. El análisis ROC requiere una puntuación con un rango de valores. Una prueba simple de sí/no tiene un solo punto, no una curva.
Observaciones independientes. Cada sujeto aporta un par de puntuación-etiqueta. Las mediciones repetidas en los mismos sujetos requieren métodos que tengan en cuenta la agrupación.
Errores comunes
Tratar el AUC como precisión
El AUC mide la capacidad de clasificación en todos los umbrales, no la precisión en un único punto de corte. Un AUC alto no garantiza un buen rendimiento en el umbral que se utilice.
Comparación de las AUC de diferentes muestras
Para comparar dos modelos, pruébelos en los mismos pacientes mediante un método de comparación por pares (prueba de DeLong). Comparar las AUC calculadas en conjuntos de datos diferentes no es válido.
Ignorar el desequilibrio de clases
En casos muy raros de resultados positivos, un AUC elevado aún puede indicar una precisión deficiente. Una curva de precisión-exhaustividad suele ser más informativa para datos desequilibrados.
Seleccionar el umbral después de ver los resultados
Seleccionar el umbral que mejor se vea en los mismos datos aumenta el rendimiento. Valide el umbral elegido con datos independientes.
Preguntas frecuentes
¿Qué significa realmente el AUC?
Es la probabilidad de que la prueba asigne una puntuación más alta a un caso positivo seleccionado al azar que a un caso negativo seleccionado al azar. 0.5 es probabilidad aleatoria, 1.0 es probabilidad perfecta.
¿Qué se considera un buen AUC?
Como referencia, un valor de 0.7 a 0.8 es aceptable, de 0.8 a 0.9 es bueno y superior a 0.9 es excelente; sin embargo, su utilidad clínica depende de la aplicación.
¿Cómo elijo el mejor punto de corte?
El índice de Youden proporciona un valor predeterminado común, pero conviene sopesar el coste relativo de los falsos positivos y los falsos negativos para su uso específico.
¿Coincide el resultado con SPSS, R y Stata?
Sí. La calculadora utiliza el mismo cálculo de AUC trapezoidal que el paquete pROC y muestra el comando R exacto para que puedas reproducirlo.
Calculadoras relacionadas
Referencias
- Hanley JA, McNeil BJ. El significado y el uso del área bajo la curva de características operativas del receptor (curva ROC). Radiología. 1982;143(1):29–36. PMID 7063747.
- Mandrekar JN. Curva de características operativas del receptor en la evaluación de pruebas diagnósticas. J. Thorac Oncol. 2010;5(9):1315–1316. PMID 20736804.
- DeLong ER, DeLong DM, Clarke-Pearson DL. Comparación de las áreas bajo dos o más curvas ROC correlacionadas: un enfoque no paramétrico. Biometría. 1988;44(3):837–845.
¿Necesita que se realice este análisis en su manuscrito?
Nuestros bioestadísticos con doctorado elaboran sus curvas ROC, calculan las AUC con intervalos de confianza y entregan figuras listas para su publicación con resultados reproducibles en R.