大家好,又见面了,我是你们的朋友全栈君。
ROC曲线,即受试者工作特征曲线(receiver operating characteristic curve),是以灵敏度为纵坐标,1-特异度为横坐标绘制而成的曲线,其在临床医学诊断类稿件中受到人们的广泛关注且应用逐渐深入。而稿件中的ROC曲线应用是否合理及数据逻辑能否行得通,还需认真分析。今天,小编就跟大家聊一聊ROC曲线在医学诊断类稿件中的应用。
传统的诊断试验评价方法要求将试验结果分为2种,即阳性或阴性,然后再进行统计。而ROC曲线无此限制要求,即允许有中间状态,可以将试验结果划分为多个有序分类,如正常、大致正常、可疑、大致异常和异常五个等级再进行统计分析。那么,什么情况下可以应用ROC曲线?
对诊断方法、技术的效能做出客观评价
例如,评估超声和X线摄影对乳腺癌的诊断价值,以病理学确诊结果为金标准进行分析。这时的诊断结果即阳性或阴性,结果只有1个,不存在其他状态,绘制出来的ROC曲线表现为左上角有个折点。严格来说,这种情况下应用ROC曲线有“屈才”的感觉,而改用我们常见的四格表展示结果可能更为清晰、明了。因此,我们建议选择适宜的统计方法,避免“盲目”地追求“高级”。
确定最佳的检测阈值
如文献[1]所示,通过ROC曲线分别寻找到了血清CA125、CA199和CEA诊断卵巢癌时的最佳诊断点,并通过比较AUC得出单一诊断与联合诊断的价值大小(图1);这种情况最能发挥ROC曲线的意义,也能体现文章数据的科学性。但值得注意的是,有些文献在列出AUC时,同时说明了P值,但没有对应的统计值,这肯定是不合理的。诊断类文章常见配对试验设计,检验方法多为Z检验、q检验,因此,在列出P值时,应该给出对应的统计值,确保试验结果的客观、科学性。
最后,小编跟大家分享一些做ROC曲线的软件。首先,我们应该明确ROC曲线的绘制包括参数法和非参数法2种;非参数法没有条件限制,适用于任何诊断试验的ROC曲线绘制,常见的软件有SPSS、SAS,绘制出来的曲线为顶点较多的折线;参数法是假设患者和非患者的试验结果属于正态分布,常见于一些专业的ROC分析软件,如ROCKIT,绘制出来的是光滑的曲线。因此,ROC曲线类型与对应的软件也要合情合理哦!
参考文献
[1]赵瑞珩.ROC曲线评价血清CA125、CA199和CEA对卵巢癌的诊断价值[J].中国实验诊断学,2015(11):1954-1955.[2]冯广龙,姜慧杰.ROC曲线分析在医学影像学诊断中的价值[J].中华医学杂志,2015,95(3):231-233.
[3] 王曼,徐春燕,施学忠.医学论文中ROC曲线应用错误例析[J].编辑学报,2019,31(2):46-48.
编辑:魏婷 审校:郑淑
临床医学研究与实践杂志社
微信公众号lcyxyjysj
电话:029-87558695;87558690
投稿邮箱:lcyxyjysj@vip.126.com
发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/145285.html原文链接:https://javaforall.cn
【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛
【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...