Kalkulator Gratis Editverse
Kalkulator Kurva ROC & AUC
Ukur seberapa baik suatu tes atau skor memisahkan dua kelompok, dengan kurva ROC, area di bawahnya (AUC), dan perintah R yang dapat direproduksi. Baca panduan interpretasi lengkap di bawah ini. Divalidasi terhadap R 4.3.3.
Dalam Kata Sederhana
Kurva ROC menunjukkan bagaimana kinerja tes kontinu atau skor risiko saat Anda menggeser ambang batas keputusan dari ketat ke longgar. Pada setiap ambang batas, kurva tersebut memplot tingkat positif sejati (sensitivitas) terhadap tingkat positif palsu (1 − spesifisitas). Luas di bawah kurva (AUC) meringkas keseluruhan gambaran menjadi satu angka antara 0.5 dan 1.
AUC memiliki interpretasi yang jelas: ini adalah probabilitas bahwa tes memberikan skor lebih tinggi pada kasus positif yang dipilih secara acak daripada pada kasus negatif yang dipilih secara acak. AUC 0.5 berarti tes tersebut tidak lebih baik daripada lemparan koin; 1.0 berarti pemisahan sempurna. Sebagai panduan kasar, 0.7–0.8 dapat diterima, 0.8–0.9 baik, dan di atas 0.9 sangat baik.
Kapan Menggunakan Kurva ROC?
Gunakan analisis ROC untuk mengevaluasi kemampuan diskriminatif prediktor kontinu terhadap kebenaran biner: biomarker, skor klinis, atau probabilitas prediksi dari model regresi logistik . Ini adalah cara standar untuk membandingkan tes diagnostik dan memilih ambang batas operasional yang menyeimbangkan sensitivitas dan spesifisitas untuk konteks klinis tertentu.
Laporkan AUC beserta interval kepercayaan 95% , dan sebutkan ambang batas yang Anda pilih beserta sensitivitas dan spesifisitasnya. Saat membandingkan dua model pada pasien yang sama, gunakan uji berpasangan (DeLong) daripada memperlakukan AUC sebagai independen. Jika Anda hanya memiliki satu nilai ambang batas tetap dan bukan skor kontinu, laporkan sensitivitas dan spesifisitas secara langsung. Tidak yakin apakah ROC adalah alat yang tepat? Pemilih Uji interaktif kami dapat membantu.
Format yang diharapkan: Skor, Label: satu per baris (1=positif, 0=negatif)
Seret file CSV di sini atau klik untuk memilih. Diproses di browser Anda: tidak ada yang diunggah.
Format yang diharapkan: Skor, Label: satu per baris (1=positif, 0=negatif)
library(pROC) scores <- c({roc_scores}) labels <- c({roc_labels}) roc(labels, scores, direction = "{roc_dir}") # {roc_dir_note}Buku petunjuk
Kapan digunakan. Mengevaluasi kemampuan diskriminatif dari tes atau skor kontinu.
Asumsi. Hasil sebenarnya biner (0/1); prediktor atau skor kontinu.
Kesalahan umum. AUC mendekati 0.5 berarti tidak ada diskriminasi; jangan terlalu menafsirkan satu ambang batas saja.
Contoh yang dikerjakan
Klik Muat data contoh di atas, lalu Jalankan Analisis untuk melihat hasil lengkap dengan angka, rumus, dan interpretasi untuk pengujian ini.
Referensi
- Hanley JA, McNeil BJ. Arti dan penggunaan area di bawah kurva ROC. Radiologi. 1982;143:29-36.
Contoh yang berhasil
Contoh 1: Skor biomarker
Sepuluh subjek dengan skor dan label sebenarnya (1 = penyakit, 0 = sehat) menghasilkan kurva yang melengkung ke arah sudut kiri atas. AUC merangkum seberapa andal skor yang lebih tinggi berkorelasi dengan penyakit. Laporkan AUC beserta interval kepercayaannya serta sensitivitas dan spesifisitas pada titik potong yang Anda pilih.
Contoh 2: Memilih ambang batas
Indeks Youden (sensitivitas + spesifisitas − 1) mengidentifikasi titik yang memaksimalkan jumlah keduanya. Namun, ambang batas operasi terbaik bergantung pada biaya positif palsu versus negatif palsu di lingkungan Anda — tes skrining mungkin lebih mengutamakan sensitivitas, sedangkan tes konfirmasi lebih mengutamakan spesifisitas.
Asumsi yang Perlu Diperiksa
Kebenaran biner yang diberi label dengan benar. Setiap kasus harus diklasifikasikan sebagai positif atau negatif berdasarkan standar referensi yang dapat dipercaya; label yang salah klasifikasi akan mendistorsi kurva.
Prediktor kontinu atau ordinal. Analisis ROC membutuhkan skor dengan rentang nilai. Tes ya/tidak tunggal hanya memiliki satu titik, bukan kurva.
Pengamatan independen. Setiap subjek menyumbangkan satu pasangan skor-label. Pengukuran berulang pada subjek yang sama memerlukan metode yang memperhitungkan pengelompokan.
Kesalahan Umum
Memperlakukan AUC sebagai akurasi
AUC mengukur kemampuan pemeringkatan di semua ambang batas, bukan akurasi pada satu titik potong tertentu. AUC yang tinggi tidak menjamin kinerja yang baik pada ambang batas yang sebenarnya Anda gunakan.
Membandingkan AUC dari sampel yang berbeda
Untuk membandingkan dua model, ujilah pada pasien yang sama dengan metode berpasangan (uji DeLong). Membandingkan AUC yang dihitung pada dataset yang berbeda tidaklah valid.
Mengabaikan ketidakseimbangan kelas
Pada kasus positif yang sangat jarang, AUC yang tinggi masih dapat berarti presisi yang buruk. Kurva presisi-recall seringkali lebih informatif untuk data yang tidak seimbang.
Memilih ambang batas setelah melihat hasilnya.
Memilih ambang batas yang terlihat paling baik pada data yang sama akan meningkatkan kinerja secara berlebihan. Validasi ambang batas yang dipilih pada data independen.
Pertanyaan yang Sering Diajukan
Apa sebenarnya arti AUC?
Ini adalah probabilitas bahwa tes tersebut memberikan skor yang lebih tinggi kepada kasus positif yang dipilih secara acak daripada kepada kasus negatif yang dipilih secara acak. 0.5 adalah peluang acak, 1.0 adalah peluang sempurna.
Apa yang dianggap sebagai AUC yang baik?
Sebagai panduan kasar, 0.7–0.8 dapat diterima, 0.8–0.9 baik, dan di atas 0.9 sangat baik — tetapi nilai yang bermanfaat secara klinis bergantung pada aplikasinya.
Bagaimana cara saya memilih nilai cutoff terbaik?
Indeks Youden memberikan nilai default umum, tetapi pertimbangkan biaya relatif dari false positive dan false negative untuk penggunaan spesifik Anda.
Apakah hasilnya sesuai dengan SPSS, R, dan Stata?
Ya. Kalkulator ini menggunakan perhitungan AUC trapesium yang sama seperti paket pROC dan menampilkan perintah R yang tepat sehingga Anda dapat mereproduksinya.
Kalkulator Terkait
Referensi
- Hanley JA, McNeil BJ. Arti dan penggunaan area di bawah kurva karakteristik operasi penerima (ROC). Radiologi. 1982;143(1):29–36. PMID 7063747.
- Mandrekar JN. Kurva karakteristik operasi penerima dalam penilaian uji diagnostik. J Thorac Oncol. 2010;5(9):1315–1316. PMID 20736804.
- DeLong ER, DeLong DM, Clarke-Pearson DL. Membandingkan area di bawah dua atau lebih kurva ROC yang berkorelasi: pendekatan nonparametrik. Biometrics. 1988;44(3):837–845.
Apakah Anda Membutuhkan Analisis Ini untuk Manuskrip Anda?
Ahli biostatistik PhD kami akan membuat kurva ROC Anda, menghitung AUC dengan interval kepercayaan, dan menghasilkan gambar siap publikasi dengan output R yang dapat direproduksi.