Yayınlanma tarihi: | Son güncelleme tarihi
Youden İndeksi , sürekli tanı testleri veya biyobelirteçler için eşik değer belirlemenin en yaygın yoludur. Bunu hesaplamak için aşağıdaki iki hesap makinesini kullanın, ardından formül, örnek uygulama, eşik değerin nasıl seçileceği ve yöntemin yetersiz kaldığı noktalar hakkında bilgi edinmek için okumaya devam edin.
Bu sayfada: Hesaplayıcılar · Formül · Çözümlü örnek · Optimal kesme noktası · Yorumlama · Gerçek veri vaka çalışmaları · Youden ve diğer kriterler karşılaştırması · Sınırlamalar · R kodu · SSS
Youden Endeksi hesaplayıcısı
Eğer elinizde varsa duyarlılık ve özgüllük değerlerini girin. Ham sayılara sahipseniz, aşağıdaki 2x2 tablo sürümünü kullanın.
Gerçek pozitif oran
Gerçek negatif oran
| Youden Endeksi (J) | 0.7500 |
| Okuma (pratik kural) | Yüksek |
| Yanlış pozitif oranı (1 − Sp) | 10.00% |
| Yanlış negatif oranı (1 − Se) | 15.00% |
J = Se + Sp − 1. Aşağıdaki örnekte gösterilen sonucu elde etmek için Se = 0.92 ve Sp = 0.88 değerlerini deneyin (J = 0.80).
Tam sayıları girin. En az bir hasta ve bir sağlıklı vakaya ihtiyacınız var.
Hastalık mevcut, test pozitif.
Hastalık belirtisi yok, test pozitif.
Hastalık mevcut, test negatif.
Hastalık belirtisi yok, test negatif.
Her iki hesap makinesi de tarayıcınızda çalışır ve hiçbir yere veri göndermez. 2x2 sürümünü, sıfır hücre ve mükemmel ayrım gibi uç durumlar açısından R paketi pROC ile karşılaştırdık.
Youden Endeksi formülü
Youden, 1950'de tanısal test için tek bir derecelendirme olarak endeksi önerdi [1]. Bilinmesi gereken üç özellik vardır:
- Menzil. Tek bir test için, tek bir eşik değerinde, −1 ≤ J ≤ 1'dir. J = 0, testin yazı tura atmaktan daha iyi sonuç vermediği anlamına gelir ve J < 0, testin yanlış yöne işaret ettiği anlamına gelir. Tüm eşik değerlerindeki maksimum J değeri asla 0'ın altında olmaz.
- Geometri. J, ROC eğrisi ile diyagonal şans çizgisi arasındaki dikey boşluktur. Bu boşluğun en büyük olduğu kesme noktası Youden kesme noktasıdır (Şekil 1).
- yaygınlık. J değeri hastalık yaygınlığıyla değişmez, çünkü Se ve Sp değerleri hasta ve sağlıklı gruplar içinde ayrı ayrı ölçülür.
Çalışılan örnekler
Örnek 1: Se ve Sp'den
Bir testin duyarlılığı 0.92 ve özgüllüğü 0.88'dir. J = 0.92 + 0.88 − 1 = 0.80 . Hastaların %8'ini tespit edemez ve sağlıklı hastaların %12'sini yanlış işaretler.
Örnek 2: 2x2'lik bir tablodan
Varsayalım ki 200 hasta bir referans standardına göre test ediliyor. Aşağıdaki tablo örnek niteliğindedir, yayınlanmış bir çalışmadan alınmamıştır.
| Hastalık mevcut | Hastalık yok | |
|---|---|---|
| Test pozitif çıktı. | TP = 85 | ÇP = 10 |
| Test negatif çıktı. | FN = 15 | TN = 90 |
- Hassasiyet = 85 / (85 + 15) = 0.85
- Özgüllük = 90 / (90 + 10) = 0.90
- J = 0.85 + 0.90 − 1 = 0.75
Aynı hesaplamalar PPV 85/95 = %89.5, NPV 90/105 = %85.7, LR+ = 0.85 / 0.10 = 8.5 ve LR− = 0.15 / 0.90 = 0.17 değerlerini verir. Doğrulamak için bunları ikinci hesap makinesine girin.
En uygun kesme noktasını nasıl bulabilirim?
Sürekli bir işaretleyici ile, her olası kesme noktası kendi Duyarlılık (Se) ve Özgüllük (Sp) değerlerini verir. Adımlar şunlardır:
- Aday eşik değerlerini listeleyin; bunlar genellikle gözlemlenen her değer veya klinik açıdan mantıklı bir tablo şeklinde olabilir.
- Her eşik değerinde, belirteç eşik değerinde veya üzerinde olduğunda hastaları pozitif olarak sınıflandırın ve referans standardına göre duyarlılık (Se) ve özgüllüğü (Sp) hesaplayın.
- Her kesme noktasında J = Se + Sp − 1 değerini hesaplayın.
- En büyük J değerine sahip kesme noktasını alın, ardından kesme noktası ve J için bootstrap güven aralığı ekleyin.
Aşağıdaki tabloda, 100 hasta ve 100 sağlıklı kişide ölçülen bir biyobelirteç için uydurma sayılar kullanılmıştır. J değeri 25 kesme noktasında 0.70'e ulaşmaktadır, dolayısıyla burada Youden-optimal eşik değeri 25'tir.
| Ayırmak | Duyarlılık | Özgünlük | J |
|---|---|---|---|
| 10 | 0.98 | 0.40 | 0.38 |
| 15 | 0.95 | 0.62 | 0.57 |
| 20 | 0.90 | 0.78 | 0.68 |
| 25 | 0.82 | 0.88 | 0.70 |
| 30 | 0.70 | 0.94 | 0.64 |
| 35 | 0.52 | 0.98 | 0.50 |
Zirvenin her iki tarafında neler olduğuna dikkat edin. Daha düşük eşik değerleri, özgüllük pahasına duyarlılık kazandırırken, daha yüksek eşik değerleri bunun tam tersini yapar. Şekil 2, simüle edilmiş veriler üzerinde yapılan ticareti göstermektedir; J, tepesi duyarlılık ve özgüllük eğrilerinin kesiştiği yere yakın olan bir tepe oluşturmaktadır.
Youden Endeksi nasıl yorumlanır?
Üzerinde uzlaşılmış bir ölçek yok. Aşağıdaki aralıklar genel geçer kurallar olup, yukarıdaki hesap makineleri de bunları kullanmaktadır. Bunları bir başlangıç noktası olarak kabul edin ve J'yi klinik açıdan değerlendirin.
| J | Okuma | Pratikte ne anlama geliyor |
|---|---|---|
| 0.75 için 1.00 | Yüksek | Her iki türden de çok az hata var. |
| 0.50 için 0.74 | İyi | Faydalı, ancak gözle görülür bir hata oranı bekleyin. |
| 0.25 için 0.49 | ılımlı | Tek başına zayıf, ancak bir panelin parçası olarak faydalı olabilir. |
| 0 için 0.24 | Düşük | Şansa yakın |
| 0 altında | Şanstan daha kötü | Test yönünün ters çevrilmediğinden emin olun. |
Şekil 3, üç simüle edilmiş ROC eğrisini karşılaştırmaktadır: bilgi içermeyen bir test (J = 0.04), orta düzeyde bir test (J = 0.42) ve güçlü bir test (J = 0.82). Güçlü bir test bile, iki grubun mükemmel bir şekilde ayrılmasını gerektirecek olan J = 1 değerine ulaşmamaktadır.
Gerçek veriye dayalı vaka çalışmaları: PLOS ONE'da yayınlanan iki açık erişimli çalışma
PLOS ONE'da yayınlanan iki yeni çalışma, Youden Endeksi'ni tüm detaylarıyla raporluyor ve her ikisi de CC BY 4.0 lisansı altında yayınlandığı için ROC eğrilerini aşağıda yeniden üretebiliyoruz. Yayınlanan rakamlardan tabloları yeniden oluşturduk ve aritmetik işlemleri tekrar yaptık. "Analizimiz" olarak etiketlenen her şey, yazarların raporladığı bir sonuç değil, bu tablolardan kendi hesaplamalarımızdır.
Vaka 1: Kırsal Çin'de diyabet için HbA1c eşik değeri
Wang ve meslektaşları, kırsal Çin'de 61 yaş ve üzeri 3,547 yetişkinde açlık plazma glukozunu (FPG) ve glikozile hemoglobini (HbA1c) ölçtüler. Daha önce diyabet tanısı konmamış 3,122 kişi arasında, referans standart olarak 7.0 mmol/L veya daha yüksek FPG kullandılar ve hangi HbA1c kesme noktasının J'yi maksimize ettiğini sordular. Cevap %6.5 (48 mmol/mol) oldu; duyarlılık %88.9, özgüllük %93.7 ve J = 0.825 [12].
| HbA1c eşik değeri | Duyarlılık | Özgünlük | J (Se + Sp − 1) | PPV |
|---|---|---|---|---|
| 6.1% | 95.1% | 78.8% | 0.739 | 10.7% |
| 6.4% | 90.1% | 91.5% | 0.816 | 22.0% |
| 6.5% | 88.9% | 93.7% | 0.826 | 27.2% |
| 6.6% | 86.4% | 95.4% | 0.818 | 33.3% |
| 6.9% | 72.8% | 97.9% | 0.707 | 47.6% |
Kaynak: Wang ve ark. 2024, Tablo 2 [12]. Yuvarlanmış Se ve Sp'den J'yi yeniden hesapladık, bu da %6.5'te 0.826 verir; makale yuvarlanmamış değerlerden 0.825 bildirmektedir.
Bu davanın gösterdiği şey
- Belirgin bir zirve. J değeri %6.1'de 0.738'den %6.5'te 0.825'e yükseliyor ve %6.9'da 0.707'ye düşüyor. Keskin bir zirveyle, örneklemdeki küçük değişikliklerin kesme noktasını çok fazla hareket ettirmesi olası değil.
- İki kriter, burada da aynı cevap. Hesaplamamızda sol üst köşeye en yakın nokta da %6.5'tir (mesafe 0.128, %6.4'te 0.131'e karşı). Bu veri kümesinde hemfikirler, ancak hiçbir şey bunu garanti etmiyor [4].
- Yüksek J değeri, yüksek PPV anlamına gelmez. %6.5'lik bir oranla, özgüllük %93.7 olmasına rağmen PPV yalnızca %27.2'dir. Yayınlanan duyarlılık (Se), özgüllük (Sp) ve PPV değerlerinden yola çıkarak, taranan bu örneklemin yaklaşık %2.6'sının açlık plazma glukozu (FPG) ile diyabet tanısı aldığını tahmin ediyoruz. Hastalık nadir olduğunda, iyi bir test bile birçok yanlış pozitif sonuç üretir. PPV değerini, elde edildiği yaygınlık oranıyla birlikte raporlayın.
Vaka 2: Kadın doğum ve jinekoloji servislerinde Morse Düşme Ölçeği
Mao ve meslektaşları, bir kadın doğum ve jinekoloji hastanesi ile bir genel hastane genelinde düşen 136 yatan hastayı düşmeyen 120 yatan hastayla karşılaştırdı ve her birini Morse Düşme Ölçeği'ne göre puanladı. ROC eğrisinin AUC değeri 0.791 idi ve yazarlar, duyarlılık 0.735, özgüllük 0.808 ve J = 0.543 ile 40'lık bir kesme noktası seçti [13].
| Ayırmak | Duyarlılık | Özgünlük | J (Se + Sp − 1) | Ağırlıklı kayıp (gözden kaçan düşme = 3 × yanlış alarm) |
|---|---|---|---|---|
| 25 | 0.882 | 0.383 | 0.265 | 0.971 |
| 35 | 0.875 | 0.383 | 0.258 | 0.992 |
| 40 | 0.735 | 0.808 | 0.543 | 0.987 |
| 45 | 0.713 | 0.808 | 0.521 | 1.053 |
| 50 | 0.640 | 0.858 | 0.498 | 1.222 |
| 55 | 0.625 | 0.900 | 0.525 | 1.225 |
| 60 | 0.618 | 0.900 | 0.518 | 1.246 |
Kaynak: Mao ve diğerleri 2024, Tablo 2 [13]. J ve son sütun, yayınlanan duyarlılık ve özgüllükten yaptığımız hesaplamadır. Daha düşük ağırlıklı kayıp daha iyidir.
Bu davanın gösterdiği şey
- Bağlantılar ve ikinci bir zirve. J değeri 37.5 ile 40 arasındaki her puan için aynıdır (0.543), bu nedenle birkaç puan eşittir. 47.5 ile 50 arasında 0.498'e düştükten sonra, 52.5 ile 55 arasında tekrar 0.525'e yükselir. Tek bir maksimum değer, ikinci bir makul seçeneği gizleyebilir.
- Eşit ağırlıklar bir tercih meselesidir. Düşen bir vakanın yanlış alarmdan üç kat daha fazla sayıldığını varsayalım. Örnek hesaplamamızda, en düşük ağırlıklı kayıp 40'tan 25'e düşer (0.971'e karşı 0.987), burada duyarlılık 0.882'dir. J tek başına bunu asla önermezdi.
- Yaygınlık, tasarım tarafından belirlenir. 136 düşme vakası ve 120 düşme vakası olmayan hasta ile örneklem, tasarım gereği kabaca dengelidir; bu nedenle PPV ve NPV değerleri gerçek bir koğuşu yansıtmaz. J'nin bu sorunu yoktur.
- Kopyalamadan önce yeniden hesaplayın. Yayınlanan tabloda, 20 kesme noktasındaki J değeri 0.162 olarak listelenmiştir, ancak 0.912 + 0.125 − 1 = 0.037'dir. Tablodan aldığınız her J değerini kontrol edin.
Aynı kontrol kendi verilerinizde de geçerlidir: Her kesme noktasında Se ve Sp değerlerini listeleyin, J değerini yeniden hesaplayın, ardından eşitlik durumlarını, ikinci zirveleri ve her hatanın maliyetini kontrol edin ve bir sayı seçin.
Youden Endeksi ve diğer kesme kriterleri
| Kriter | Neyi optimize eder? | En iyisi ne zaman | Dikkat et |
|---|---|---|---|
| Youden J | Se + Sp − 1 | Gözden kaçan vakalar ve yanlış alarmların maliyeti yaklaşık olarak aynıdır. | Maliyetlerdeki eşitsizliği göz ardı ediyor. |
| Sol üst köşeye en yakın | (FPR 0, TPR 1)'e olan mesafe | Mükemmele yakın bir sınıflandırma noktası istiyorsunuz. | J'den farklı bir kesme noktası seçilebilir [4] |
| AUC | Bütün eğri ayrımcılığı | Testleri karşılaştırmak, bir eşik değeri seçmek değil. | Eşik değeri belirtmiyor. |
| Olasılık oranları | Bir sonucun olasılığı ne kadar değiştirdiği | Ön test olasılığı ile yatak başı muhakemesi | Önsel olasılığa ihtiyaç duyar. |
| Maliyet ağırlıklı / net fayda | Beklenen zarar veya fayda | İki hatanın maliyetleri açıkça farklıdır. | Maliyet veya eşik olasılık girdilerine ihtiyaç duyar. |
Youden kriteri ve en yakın sol üst kriteri genellikle örtüşür, ancak her zaman değil. Perkins ve Schisterman, farklı kesme noktalarına işaret edebileceklerini ve Youden kesme noktasının, hasta ve sağlıklı gruplar eşit ağırlıklandırıldığında doğru sınıflandırmayı maksimize eden kesme noktası olduğunu gösterdi [4]. Kriteri önceden seçin ve yöntemlerinizde adlandırın.
Sınırlamalar ve düzeltmeler
| Sınırlama | Neden önemli | Ne yapalım |
|---|---|---|
| Her iki hataya da eşit ağırlık verilir. | Gözden kaçan bir kanser vakası ile yanlış alarm, nadiren aynı derecede zararlıdır. | Maliyet ağırlıklı kural veya karar eğrisi analizi kullanın. |
| Aynı örneklemde iyimserlik | Verilerinizdeki en iyi J değeri yukarı doğru eğilimlidir. | Bootstrap veya çapraz doğrulama [2,9] |
| Ölçüm cihazındaki ölçüm hatası | Gürültü, ROC eğrisini düzleştirir ve J değerini düşürür. | Hata düzeltilmiş tahmincileri kullanın [3] |
| Algılama sınırının altındaki değerler | J'nin önyargılarını ve kesme noktasını bir kenara bırakmak | Algılama sınırının daha düşük olduğu yöntemler kullanın [5] |
| İkiden fazla sınıf | İki gruplu J doğrudan genişletilemez. | Üç sınıflı genellemeyi kullanın [6,7] |
| PPV ve NPV'de Yaygınlık | Tahmin değerleri yaygınlıkla birlikte değişir. | Hedef popülasyon için duyarlılık (Se) ve özgüllük (Sp) değerlerini raporlayın ve PPV ile NPV'yi yeniden hesaplayın. |
Kesme yöntemlerinin daha kapsamlı incelemeleri için Hajian-Tilaki'nin ROC analizine girişine [8] ve Hassanzad ve Hajian-Tilaki'nin 2024 güncellemesine [9] bakın.
R programlama dilinde Youden İndeksini hesaplayın.
pROC paketi Youden kesmesini doğrudan döndürür [10].
library(pROC) roc_obj <- roc(response = d$disease, predictor = d$marker) coords(roc_obj, x = "best", best.method = "youden", ret = c("threshold", "sensitivity", "specificity")) ci.coords(roc_obj, x = "best", best.method = "youden", ret = c("threshold", "sensitivity", "specificity"), boot.n = 2000)Bunu yazarken, kesme noktasının, nasıl seçildiğinin ve belirsizliğinin tümünün raporlanması için STARD 2015'i takip edin [11].
Teşhis doğruluğu için ücretsiz hesap makineleri
Bu ücretsiz araçlar Youden Endeksi'nin aşamalarını kapsamaktadır.
Teşhis doğruluğu analizinizi kontrol ettirin.
Yanlış bir kesme yöntemi, bir tanı makalesinin hakem değerlendirmesinde başarısız olmasına neden olabilir. ROC analizini, kesme seçimini ve yöntemler paragrafını bir biyoistatistikçinin yürütmesini veya denetlemesini istiyorsanız, bu hizmet tam size göre.
Bu analizin yapılmasına veya kontrol edilmesine mi ihtiyacınız var? Doktora derecesine sahip bir biyoistatistikçi, çalışma tasarımınızı inceler, analizi yapar ve makaleniz için istatistiksel yöntemler paragrafını yazar.
Youden Endeksi SSS
Basitçe anlatmak gerekirse, Youden Endeksi nedir?
Bu, bir testin rahatsızlığı olan kişileri ne kadar iyi tespit ettiğini (duyarlılık) ve rahatsızlığı olmayan kişileri ne kadar iyi elediğini (özgüllük) birleştiren tek bir sayıdır. J = duyarlılık + özgüllük − 1. İşe yaramayan bir test 0 puan, mükemmel bir test ise 1 puan alır.
Youden Endeksi'nin formülü nedir?
J = Se + Sp − 1, yani Se − (1 − Sp) veya gerçek pozitif oran eksi yanlış pozitif oran anlamına gelir. ROC eğrisinde, belirli bir kesme noktasındaki eğriye olan diyagonal şans çizgisinden olan dikey mesafedir.
Youden Endeksi ne kadar geniş bir aralıkta değer alabilir?
Tek bir test için J, -1 ile 1 arasında değişir. Sıfır, testin şans eseri elde edilen sonuçtan daha iyi sonuç vermediği anlamına gelir ve negatif değerler, test etiketlerinin tersine çevrildiği anlamına gelir. Bir ROC eğrisinin tüm kesme noktaları üzerinden maksimum J değeri 0'ın altında olamaz, çünkü köşe (0, 0) zaten J = 0 değerini verir.
İyi bir Youden Endeksi değeri nedir?
Resmi bir eşik değeri yoktur. Birçok makale, 0.5 veya daha yüksek bir J değerini iyi, 0.75 veya daha yüksek bir değeri ise yüksek olarak değerlendirir, ancak bunlar standart değil, geleneklerdir. J değerini, gözden kaçan vakaların ve yanlış alarmların klinik maliyetine göre değerlendirin ve bir güven aralığı bildirin.
Youden Endeksi ile en uygun kesme noktasını nasıl bulabilirim?
Her aday eşik değerinde duyarlılık ve özgüllüğü hesaplayın, her biri için J değerini hesaplayın ve en büyük J değerine sahip eşik değerini seçin. R'da, pROC bunu coords(roc_obj, “best”, best.method = “youden”) ile yapar.
Youden kesme noktası, sol üst köşeye en yakın nokta ile aynı mıdır?
Genel olarak hayır. İki kriter farklı kesme noktaları seçebilir ve ROC eğrisi asimetrik olduğunda bu fark büyür (Perkins ve Schisterman, 2006). Verilere bakmadan önce kriteri seçin ve bunu yöntemlerinizde belirtin.
Youden Endeksi'ni ne zaman kullanmamalıyım?
Yanlış alarmdan çok daha fazla maliyete yol açan, örneğin ciddi ve tedavi edilebilir bir hastalığın taranmasında olduğu gibi, vakaların gözden kaçması durumunda tek kriter olarak kullanmaktan kaçının. J, her iki hataya da eşit ağırlık verir. Maliyet ağırlıklı veya net fayda yaklaşımları bu durumlara daha uygundur.
Yaygınlık Youden Endeksini değiştirir mi?
Hayır. Duyarlılık ve özgüllük, hasta ve hasta olmayan gruplar içinde tahmin edilir, bu nedenle J, yaygınlığa bağlı değildir. PPV ve NPV ise bağlıdır, bu nedenle bir uzman kliniği ile bir tarama programı arasında çok farklı görünebilirler.
Makalede Youden tabanlı bir kesme noktasını nasıl bildirmeliyim?
Kesme noktasını, J değerini, duyarlılığı ve özgüllüğü %95 güven aralıklarıyla (bootstrap aralıkları yaygındır), her gruptaki örneklem büyüklüğünü ve kesme noktasının nasıl seçildiğini raporlayın. Mümkün olduğunda ayrı bir örneklemde doğrulayın. STARD 2015, değerlendiricilerin beklediği maddeleri listeler.
Referanslar
- Youden WJ. Tanı testlerini derecelendirme indeksi. Kanser. 1950;3(1):32-35. 10.1002/1097-0142(1950)3:1<32::AID-CNCR2820030106>3.0.CO;2-3
- Fluss R, Faraggi D, Reiser B. Youden Endeksi ve ilişkili kesme noktasının tahmini. Biyom J. 2005;47(4):458-472. 10.1002/bimj.200410135
- Perkins NJ, Schisterman EF. Youden İndeksi ve ölçüm hatası için düzeltilmiş optimal kesme noktası. Biyom J. 2005;47(4):428-441. 10.1002/bimj.200410133
- Perkins NJ, Schisterman EF. Alıcı işletim karakteristik eğrisine dayalı iki kriter kullanılarak elde edilen "optimal" kesme noktalarının tutarsızlığı. Am J Epidemiol. 2006;163(7):670-675. 10.1093/aje/kwj063
- Ruopp MD, Perkins NJ, Whitcomb BW, Schisterman EF. Algılama alt sınırından etkilenen gözlemlerden tahmin edilen Youden İndeksi ve optimal kesme noktası. Biyom J. 2008;50(3):419-430. 10.1002/bimj.200710415
- Nakas CT, Alonzo TA, Yiannoutsos CT. Youden indeksinin genelleştirilmesi kullanılarak üç sınıflı sınıflandırma problemlerinde doğruluk ve kesme noktası seçimi. İstatistiksel Tıp. 2010;29(28):2946-2955. 10.1002/sim.4044
- Luo J, Xiong C. Üç sıralı tanı grubu için Youden indeksi ve ilişkili kesme noktaları. İletişim İstatistiksel Simülasyon Hesaplama. 2013;42(6):1213-1234. 10.1080/03610918.2012.661906
- Hajian-Tilaki K. Tıbbi tanı testlerinin değerlendirilmesi için alıcı işletim karakteristik (ROC) eğrisi analizi. Hazar J Stajyer Med. 2013;4(2):627-635. PMID 24009950
- Hassanzad M, Hajian-Tilaki K. ROC analizinde klinik verilerin uygulanmasıyla tanısal biyobelirteçlerin optimal kesme noktasının belirlenmesi yöntemleri: güncel bir inceleme. BMC Med Res Metodu. 2024; 24. 10.1186/s12874-024-02198-2
- Robin X, Turck N, Hainard A ve diğerleri. pROC: ROC eğrilerini analiz etmek ve karşılaştırmak için R ve S+ için açık kaynaklı bir paket. BMC Biyoinformatik. 2011; 12: 77. 10.1186/1471-2105-12-77
- Bossuyt PM, Reitsma JB, Bruns DE ve diğerleri. STARD 2015: Tanısal doğruluk çalışmaları raporlaması için gerekli maddelerin güncellenmiş listesi. BMJ. 2015;351:h5527. 10.1136/bmj.h5527
- Wang P, Li Y, Wang M ve diğerleri. Kırsal kesimdeki Çinli yaşlı yetişkinlerde diyabetin tanımlanmasında glisemik özelliklerin karşılaştırılması. PLoS ONE. 2024; 19 (1): e0296694. 10.1371 / journal.pone.0296694
- Mao B, Jiang H, Chen Y ve diğerleri. Kadın doğum ve jinekoloji servislerinde Morse Düşme Ölçeğinin yeniden değerlendirilmesi ve risk değerlendirmesinin iyileştirilmesi için optimal eşik değerlerinin belirlenmesi: retrospektif bir araştırma. PLoS ONE. 2024; 19 (9): e0305735. 10.1371 / journal.pone.0305735