Simetrik ROC Eğrileri – Ödev Hazırlatma – Tez Yazdırma – Proje Yaptırma Fiyatları – Ödev Örnekleri – Ücretli Proje Yaptırma – Tez Yaptırma Ücretleri
Simetrik ROC Eğrilerini Birleştirmek: Tanısal Olasılık Oranlarını Birleştirmek
Çalışmalar arasında tanı eşiğinin değiştiğine dair herhangi bir kanıt varsa, çalışmaların sonuçlarının en iyi özeti tek bir nokta yerine bir ROC eğrisi olacaktır. En uygun özet ROC’ye karar vermek için tam yöntem aşağıda açıklanmıştır, ancak öncelikle, eğrinin “duyarlılık = özgüllük” çizgisi etrafında simetrik olduğu varsayıldığında, bir özet ROC eğrisini tahmin etmek için basit bir yöntemin mevcut olduğunu belirtmekte fayda var.
Tanısal eşik değerinden bağımsız olarak tanı olasılık oranının sabit olduğu tanı testleri simetrik ROC eğrilerine sahiptir. Bu durumlarda, ortak tanısal olasılık oranını tahmin etmek ve dolayısıyla en uygun ROC eğrisini belirlemek için olasılık oranlarını birleştirmek için standart meta-analiz yöntemlerini kullanmak mümkündür. Özet oran oranı, DOR hesaplandıktan sonra, karşılık gelen ROC eğrisinin denklemi ile verilir.
Özet ROC eğrilerinin tahmini için Littenberg ve Moses yöntemleri
Asimetrik ROC eğrileri, tanısal olasılık oranı tanı eşiği ile değiştiğinde ortaya çıkar. Littenberg ve Moses, eşikle DOR’da varyasyona izin veren tüm bir özet ROC eğrileri ailesini uydurmak için bir yöntem önerdiler.
Yöntem, DOR ile doğru pozitif olasılıkların çarpımı ile yanlış pozitif sonuçların olasılıklarının çarpımı tarafından verilen bir özet tanı eşiği ölçüsü arasındaki ilişkiyi dikkate alır. Tanılama eşiği azaldıkça, pozitif tanıların sayısı (hem doğru hem de yanlış) artar ve eşik ölçüsü artar.
Denklemlerde ve şekillerde, tanısal olasılık oranının logaritmasını takip eden D ile gösterilir ve eşik ölçüsünün S.D ve S tarafından logaritması (gerçek pozitif orandan (TPR) ve yanlış pozitif orandan) hesaplanabilir ( FPR)) aşağıdaki denklemlerden herhangi birini kullanır.
Littenberg ve Moses’ın yöntemi önce, her bir çalışma için hesaplanan eşik ölçüsüne (S) karşı tanısal olasılık oranı (D) günlüğünün bir grafiğini dikkate alır. Ardından, grafikteki noktalardan geçen en uygun düz çizgiyi hesaplamayı önerirler.
eğim parametresi b tahmininin öneminin test edilmesi, eşik ile tanılama performansında önemli bir değişiklik olup olmadığını test eder. Çizgi yatay olarak kabul edilebilirse, tanısal olasılık oranı eşikle değişmez ve yöntem, yukarıda açıklandığı gibi doğrudan havuzlama oranlarından elde edilenlere benzer şekilde simetrik ROC eğrileri verir. Bununla birlikte, tanısal eşik ile tanısal olasılık oranında önemli bir eğilim varsa, ROC eğrileri asimetriktir.
a ve b parametrelerinin tahminleri, ya sıradan en küçük kareler regresyonundan (her çalışmayı eşit olarak ağırlıklandırır), ağırlıklı en küçük kareler regresyonundan (ağırlıkların, tanısal log olasılık oranının ters varyans ağırlıkları olarak alınabildiği durumlarda veya sadece örneklem büyüklüğü) veya sağlam regresyon yöntemleridir (aykırı değerlerden çok fazla etkilenmeyen).
Bu yöntemin açıklamaları, onu en yaygın olarak, gerçek pozitif ve yanlış pozitif oranların logitleri cinsinden formüle eder. Yukarıdaki denklemlerde gösterildiği gibi, tanısal olasılık oranının logu aslında bu logitlerin farkı iken, teşhis eşiği ölçümünün logu bu logitlerin toplamıdır.
Roc eğrisi nedir
ROC eğrisi SPSS
Roc eğrisi nasıl çizilir
roc eğrisi cut-off
Roc eğrisi nasıl hesaplanır
ROC analizi PDF
Python ROC eğrisi
ROC curve
Vaka çalışması : Bir özet ROC eğrisinin hesaplanması
Tanısal eşik ile tanısal olasılık oranındaki varyasyona izin veren alternatif bir özet ROC eğrisi, Moses ve Littenberg’in yöntemiyle tahmin edilebilir. İlk olarak, tanısal olasılık oranının günlüğü, D ve tanısal eşik ölçüsü, S, her çalışma için hesaplanır. Çalışma boyutuna göre ağırlıklandırma, tanısal eşik (S) ölçümü üzerindeki log tanısal olasılık oranının (D) regresyonu, D = a + bS regresyon denkleminden a ve b parametrelerinin tahminlerini üretir. Parametre tahminleri aşağıdaki gibidir.
Bu sonuçlar, tanısal olasılık oranının eşikle birlikte değiştiğine dair zayıf kanıt olduğunu (P=0.054) göstermektedir. Bunun etkisini göstermek için, verilen bu regresyon denklemine karşılık gelen ROC eğrisini Şekil 14.5’teki simetrik eğri ile karşılaştırın. Duyarlılık ve özgüllük değerleri, gözlemlenen çalışmaların değer aralığının ortasında benzerdir, ancak daha yüksek ve daha düşük özgüllüklerde farklılık gösterir. Yine yöntem, klinik uygulamada kullanım için uygun olan duyarlılık ve özgüllüğün benzersiz bir ortak özet tahmini sağlamaz.
Heterojenlik Kaynaklarının Araştırılması
Hasta gruplarındaki çalışmalar, test yürütme ve çalışma tasarımı arasındaki farklılıklar, tanısal olasılık oranlarında değişkenliğe neden olabilir. Oran oranlarını birleştirmek için her iki yöntem de bu özelliklerin olası önemini araştırmak için genişletilebilir. Özet ROC eğrilerinin simetrik olduğu varsayılabilirse, diğer faktörlerin etkisi, bahis oranları için standart meta-regresyon yöntemleri kullanılarak araştırılabilir.
Alternatif olarak, Littenberg-Moses regresyon yöntemi, her bir potansiyel etki değiştiricisi için regresyon denklemine bir ortak değişken eklenerek genişletilebilir. Bu terimlerin her birinin üstel değeri, her faktör için tanısal olasılık oranlarındaki çarpımsal artışları tahmin eder. Lijmer bu yaklaşımı, rapor edildiği gibi, tanısal olasılık oranları üzerindeki çalışma kalitesinin etkilerini araştırmak için kullandı.
ROC eğrilerini havuzlama
Yukarıda açıklanan tüm yöntemler, her çalışmanın bir tanı eşiğinde duyarlılık ve özgüllük tahminleri sağladığı durumu dikkate alır.
Bazen, bireysel çalışmalar ROC eğrilerini veya bunların oluşturulabileceği verileri yayınlayacaktır. Yukarıda ana hatları verilen yöntemleri kullanarak bu tür verilerin bir meta-analizini gerçekleştirmek için (a) verileri her bir kesme noktası için ayrı ayrı toplamak veya (b) yayınlanmış tüm veri noktalarından bir özet ROC eğrisi sığdırmak (çalışma başına birden çok noktaya izin vererek) mümkündür. Her ikisi de aynı verilerin birden fazla analizini içerdiğinden, bu yaklaşımların hiçbiri tamamen tatmin edici görünmüyor.
Bir alternatif, tanı gücünü çalışmalar arasında bir araya getirilebilecek tek bir sayı olarak özetleyen ROC grafiğinden eğri altındaki alanı (AUC) hesaplamaktır. Mükemmel testlerin AUC’si 1’e yakındır ve zayıf testlerin AUC’leri 0,5’e yakındır. Bununla birlikte, farklı şekillerdeki ROC eğrileri aynı AUC’ye sahip olabilir, bu nedenle bir özet AUC’yi bir dizi benzersiz duyarlılık ve özgüllük kombinasyonu açısından yorumlamak mümkün değildir.
İkinci bir alternatif, Littenberg ve Moses yöntemi için açıklananlara benzer kesme ve eğim parametrelerinin tahminlerini veren çalışmaların her biri için ROC eğrilerinin denklemlerini hesaplamaktır. Bu parametreler bir “ortalama” ROC eğrisi vermek üzere bir araya toplanabilir, ancak bu yöntem her çalışma için kesişme ve eğim parametreleri arasındaki korelasyonu göz ardı ettiğinden yetersizdir.
Ek olarak, bu alternatif yaklaşımların hiçbiri, çalışmaların birkaçının ROC eğrilerini rapor ederken diğerlerinin sadece bir kesme noktasında test performansını rapor ettiği ortak durumda kullanılamaz.
Python ROC eğrisi ROC analizi PDF ROC curve roc eğrisi cut-off Roc eğrisi nasıl çizilir Roc eğrisi nasıl hesaplanır roc eğrisi nedir ROC eğrisi SPSS