Editverse gratis kalkulator
ROC-kurve og AUC-kalkulator
Measure how well a test or score separates two groups, with the ROC curve, the area under it (AUC), and the reproducible R command. Read a full interpretation guide below. Validated against R 4.3.3.
Med enkle ord
En ROC-kurve viser hvordan en kontinuerlig test eller risikoscore presterer når du justerer beslutningsterskelen fra streng til mild. Ved hver terskel plotter den den sanne positive raten (sensitivitet) mot den falske positive raten (1 − spesifisitet). Arealet under kurven (AUC) kondenserer hele bildet til ett tall mellom 0.5 og 1.
AUC har en ren tolkning: det er sannsynligheten for at testen gir en høyere poengsum til et tilfeldig valgt positivt tilfelle enn til et tilfeldig valgt negativt. En AUC på 0.5 betyr at testen ikke er bedre enn et myntkast; 1.0 betyr perfekt separasjon. Som en grov pekepinn er 0.7–0.8 akseptabelt, 0.8–0.9 bra, og over 0.9 utmerket.
Når man skal bruke en ROC-kurve
Bruk ROC-analyse til å evaluere diskriminerende evne of a continuous predictor against a binary truth: a biomarker, a clinical score, or the predicted probability from a logistisk regresjon modell. Det er standardmåten for å sammenligne diagnostiske tester og velge en operasjonsterskel som balanserer sensitivitet og spesifisitet for en gitt klinisk kontekst.
Rapporter AUC med 95 % konfidensintervall , og oppgi terskelen du valgte sammen med sensitiviteten og spesifisiteten der. Når to modeller sammenlignes på de samme pasientene, bruk en paret test (DeLongs) i stedet for å behandle AUC-ene som uavhengige. Hvis du bare har én fast grenseverdi i stedet for en kontinuerlig skåre, rapporter sensitivitet og spesifisitet direkte. Er du ikke sikker på om ROC er riktig verktøy? Vår interaktive testvelger kan hjelpe.
Forventet format: Poengsum, Etikett: én per linje (1=positiv, 0=negativ)
Slipp en CSV-fil her eller klikk for å velge. Analysert i nettleseren din: ingenting lastes opp.
Forventet format: Poengsum, Etikett: én per linje (1=positiv, 0=negativ)
library(pROC) scores <- c({roc_scores}) labels <- c({roc_labels}) roc(labels, scores, direction = "{roc_dir}") # {roc_dir_note}Bruksanvisning
Når den skal brukes. Evaluer den diskriminerende evnen til en kontinuerlig test eller poengsum.
Antagelser. Binært sant utfall (0/1); kontinuerlig prediktor eller poengsum.
Vanlige feil. AUC nær 0.5 betyr ingen diskriminering; ikke overtolk en enkelt terskel.
Utarbeidet eksempel
Klikk på Last inn eksempeldata ovenfor, og deretter på Kjør analyse for å se et fullstendig utarbeidet resultat med figur, formel og tolkning for denne testen.
Referanser
- Hanley JA, McNeil BJ. Betydningen og bruken av arealet under en ROC-kurve. Radiology. 1982;143:29-36.
Arbeidet eksempler
Example 1: A biomarker score
Ti forsøkspersoner med skårer og sanne betegnelser (1 = sykdom, 0 = frisk) produserer en kurve som bøyer seg mot øvre venstre hjørne. AUC oppsummerer hvor pålitelig høyere skårer samsvarer med sykdom. Rapporter AUC med konfidensintervall og sensitivitet og spesifisitet ved den valgte grensen.
Example 2: Choosing a threshold
Youden-indeksen (sensitivitet + spesifisitet − 1) identifiserer punktet som maksimerer summen av de to. Men den beste operasjonelle terskelen avhenger av kostnaden for falske positive kontra falske negative i din setting – en screeningtest kan favorisere sensitivitet, en bekreftende testspesifisitet.
Forutsetninger å sjekke
Binær, korrekt merket sannhet. Hvert tilfelle må klassifiseres som positivt eller negativt av en pålitelig referansestandard; feilklassifiserte merkelapper forvrenger kurven.
Kontinuerlig eller ordinal prediktor. ROC-analyse trenger en poengsum med et verdiområde. En enkelt ja/nei-test har bare ett punkt, ikke en kurve.
Uavhengige observasjoner. Hver forsøksperson bidrar med ett poengsum-merkelapp-par. Gjentatte målinger på de samme forsøkspersonene trenger metoder som tar hensyn til grupperingen.
Vanlige feil
Behandling av AUC som nøyaktighet
AUC måler rangeringsevne på tvers av alle terskler, ikke nøyaktigheten ved en enkelt grense. En høy AUC garanterer ikke god ytelse ved terskelen du faktisk bruker.
Sammenligning av AUC-er fra forskjellige prøver
For å sammenligne to modeller, test dem på de samme pasientene med en paret metode (DeLongs test). Sammenligning av AUC-er beregnet på forskjellige datasett er ikke gyldig.
Ignorerer klasseubalanse
Med svært sjeldne positive resultater kan en høy AUC fortsatt bety dårlig presisjon. En presisjonsgjenkjenningskurve er ofte mer informativ for ubalanserte data.
Å velge terskelen etter å ha sett resultatene
Å velge grenseverdien som ser best ut på de samme dataene øker ytelsen. Valider den valgte terskelen på uavhengige data.
Ofte Stilte Spørsmål
Hva betyr egentlig AUC?
Det er sannsynligheten for at testen gir en høyere poengsum til et tilfeldig valgt positivt tilfelle enn til et tilfeldig valgt negativt tilfelle. 0.5 er sjanse, 1.0 er perfekt.
Hva teller som en god AUC?
Som en grov pekepinn er 0.7–0.8 akseptabelt, 0.8–0.9 bra, og over 0.9 utmerket – men den klinisk nyttige verdien avhenger av bruksområdet.
Hvordan velger jeg det beste grenseavstandspunktet?
Youden-indeksen gir en vanlig standardverdi, men vei den relative kostnaden av falske positiver og falske negative resultater for din spesifikke bruk.
Samsvarer resultatet med SPSS, R og Stata?
Ja. Kalkulatoren bruker den samme trapesformede AUC-beregningen som pROC-pakken og viser den nøyaktige R-kommandoen slik at du kan reprodusere den.
Relaterte kalkulatorer
Referanser
- Hanley JA, McNeil BJ. Betydningen og bruken av arealet under en ROC-kurve (mottakerens driftskarakteristikk). Radiologi. 1982;143(1):29–36. PMID 7063747.
- Mandrekar JN. Mottakerens driftskarakteristikkkurve i diagnostisk testvurdering. J Thorac Oncol. 2010;5(9):1315–1316. PMID 20736804.
- DeLong ER, DeLong DM, Clarke-Pearson DL. Sammenligning av arealene under to eller flere korrelerte ROC-kurver: en ikke-parametrisk tilnærming. Biometri. 1988;44(3):837–845.
Trenger du å få utført denne analysen for manuskriptet ditt?
Våre biostatistikere med doktorgradskompetanse bygger ROC-kurver, beregner AUC-er med konfidensintervaller og leverer publikasjonsklare tall med reproduserbar R-utdata.