您好,登录后才能下订单哦!
任何用SPSS、MedCalc做ROC曲线,相信很多没有经验的人对此束手无策,为此本文总结了问题出现的原因和解决方法,通过这篇文章希望你能解决这个问题。
ROC曲线
ROC曲线(receiver operator characteristic curve),即受试者工作特征曲线,是以诊断试验的(1-特异度)为横坐标,灵敏度为纵坐标所绘制的曲线。该曲线与对角线构成的曲面面积(area under the curve, AUC)可反映检测方法的真实性。一般地,AUC越接近1,检测方法真实性越高;AUC在0.5~0.7之间,表示检测方法真实性较低;AUC在0.7~0.9之间,表示检测方法真实性中等;AUC在0.9以上,表示检测方法真实性较高。
AUC | 指标 |
<0.5 | 无价值 |
0.5~0.7 | 较低 |
0.7~0.9 | 中等 |
0.9~1 | 较高 |
(ROC曲线 本图来自网络)
ROC分布资料大致分为有序分类资料和连续型资料两种形式,下面属有序分类资料。
【筛检试验的评价指标】
筛检试验 | 病人 | 非病人 |
阳性 | 真阳性(TP) | 假阳性(FP) |
阴性 | 假阴性(FN) | 真阴性(TN) |
合计 | C1 | C2 |
金标准指当前公认的诊断疾病最可靠的标准方法。
真阳性(true positive):经金标准诊断的病人,筛检试验为阳性者,反之为假阳性(false negative);
假阳性(false positive):经金标准诊断为非病人,筛检试验为阳性者,反之为真阴性(true negative);
灵敏度(sensitivity):即真阳性率,反映筛检试验发现病人的能力。
阳性预测值:筛检发现的阳性者中患目标疾病的人所占比例。
灵敏度=TP/(TP+FN)
阳性预测值=TP/(TP+FP)
特异度(specificity),即真阴性率,反映筛检试验鉴别排除病人的能力。
阴性预测值:筛检发现阴性者中不患目标疾病的人所占比例。
特异度=TN/(TN+FP)
阴性预测值=TN/(TN+FN)
【ROC曲线的用处】
1.ROC 曲线能很容易地查出任意界限值时的对疾病的识别能力。
2. 选择最佳的诊断界限值。
3. 用来比较两种或两种以上不同诊断试验对疾病的识别能力。(在对同一种疾病的两种或两种以上诊断方法进行比较时,可将各试验的 ROC 曲线绘制到同一坐标中,以直观地鉴别优劣,靠近左上角的 ROC 曲线所代表的受试者工作最准确。亦可通过分别计算各个试验的 ROC 曲线下的面积 (AUC) 进行比较,哪一种试验的 AUC 最大,则哪一种试验的诊断价值最佳。)
【案例解析】
有109份CT影像,其中有51份采用金标准准确为异常,58份确诊为正常。某放射医生对这些CT影像的异常程度按1,2,3,4,5的顺序进行分类,结果如图所示。若想知道放射医生利用CT影像诊断能力(数据来源宇传华书籍)
①因为该资料为分类变量,故需要对频数加权;即
②“分析”→“ROC曲线图”
③,点击“选项”,
【输出结果】
ROC曲线下的面积为0.893,诊断结果中等;当然也可以参考各结果
大家发现没,SPSS做出的ROC曲线并不美观,下面我们用另一款统计软件MedCalc做ROC曲线(MedCalc可以说是做ROC曲线最好的),其结果相差不大。
【案例分析】
某医院内科医生想知道吸烟是否对肺癌的发生有害(假设其他因素已确定,值考虑吸烟),并预知准确性如何?(本数据来源网络)“PRE_1”即为肺癌发生的预测值,本数据为连续性资料。
①单击“statistic”→“ROC curve”→“ROC curve analysis”
②点击,如图所示,“OK”即可
【输出结果】
ROC曲线
其结果的读取和SPSS基本类似,这里就不重复赘述了!
看完上述内容,你们掌握任何用SPSS、MedCalc做ROC曲线的方法了吗?如果还想学到更多技能或想了解更多相关内容,欢迎关注亿速云行业资讯频道,感谢各位的阅读!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。