Como analisar a curva ROC?

Como analisar a curva ROC?

A área sob a curva é, então, empregada como uma medida do desempenho do teste como discriminador de pacientes doentes e saudáveis. Um teste ideal é aquele cuja área sob a curva ROC é igual a 1. Quando a curva ROC é a bissetriz, ou seja, área igual a 0.5, o teste não permite distinguir entre os grupos.

O que significa área sob a curva ROC?

O significado da área sob a curva ROC é claro: ela é uma medida da capacidade discriminativa de um teste, isto é, a capacidade de um teste classificar corretamente aqueles com e sem a doença.

Quando usar curva ROC?

As curvas ROC (receiver operator characteristic curve) são uma forma de representar a relação, normalmente antagónica, entre a sensibilidade e a especificidade de um teste diagnóstico quantitativo, ao longo de um contínuo de valores de "cutoff point".

Como interpretar a razão de verossimilhança?

Quanto maior a razão de verossimilhança positiva, maior a probabilidade de doença; Quanto menor a razão de verossimilhança negativa, menor a probabilidade de doença.

O que é sensibilidade Imunologia?

A sensibilidade de um teste diagnóstico corresponde ao percentual de resultados positivos dentre as pessoas que tem uma determinada doença ou condição clínica. A especificidade é a capacidade do mesmo teste ser negativo nos indivíduos que não apresentam a doença que está sendo investigada.

O que é um valor preditivo?

Valor preditivo positivo (VPP): é a probabilidade de um indivíduo avaliado e com resultado positivo ser realmente doente. Valor preditivo negativo (VPN): é a probabilidade de um indivíduo avaliado e com resultado negativo ser realmente normal.

O que significa a sigla AUC?

Ab urbe condita (normalmente abreviado AUC ou a.u.c.) é uma expressão latina que significa 'desde a fundação da cidade'.

O que é AUC em Estatística?

AUC é a área entre curvas 0 e 1. É uma métrica que mede o quão bem o modelo separa as classes da variável resposta baseado na sua distribuição acumulada.

Como calcular falso positivo?

Probabilidade de Falso-Positivo (PFP): PFP = P(D = 0|T = +) = 1 − P(D = 1|T = +) = 1 − VPP. Proporção de indivíduos que não tem a doença entre aqueles com o teste positivo. Probabilidade de Falso-Negativo (PFN): PFN = P(D = 1|T = −) = 1 − P(D = 0|T = −) = 1 − VPN.

Qual a característica mais importante de um teste diagnóstico?

São cinco as principais características de performance dos testes diagnósticos com resultados numéricos: sensibilidade, especificidade, valor preditivo (positivo e negativo), acurácia e razão de verossimilhança (positiva e negativa)(2).

¿Cuál es la diferencia entre dos curvas ROC?

Comparación de dos curvas ROC Figura 2. Gráfica de dos curvas ROC . Observando la figura 2, vemos que la curva con mayor capacidad discriminatoria es la curva B puesto que es la que está más próxima al borde superior izquierdo y también es la que mayor área tiene bajo ella.

¿Qué es un área por debajo de la curva ROC?

El área por debajo de la curva ROC (AUC) es una medida de discriminación; un modelo con un área por debajo de la curva ROC alta sugiere que el modelo puede predecir con exactitud el valor de la respuesta de una observación. Hosmer y Lemeshow proporcionan reglas generales para interpretar valores de AUC.

¿Qué son las curvas ROC en la evaluación de las pruebas diagnósticas?

Las curvas ROC en la evaluación de las pruebas diagnósticas Sensibilidad y especificidad diagnósticas

¿Qué es el análisis ROC?

El análisis ROC se aplicó posteriormente en medicina, radiología, psicología y otras áreas durante varias décadas. Solo recientemente ha encontrado aplicación en áreas como aprendizaje automático (o machine learning en inglés), y minería de datos ( data mining en inglés).