什么是接受者操作特性曲线(ROC曲线).docx

什么是接受者操作特性曲线（ROC曲线） 在过去的15年中，接受者操作特性（ROC）曲线分析已成为越来越受欢迎在生物医学科学。它在评价医疗诊断测试为连续或有序分类（等级）的结果中起着重要的作用。诊断检查一般可通过测量确定受试者谁可能能够从具体的干预受益。可以诊断通过比较试验结果与一个适当的阈值或临界值0，将其进行分类，说，从而判断是否有疾病。当然，这种二分法导致亏损的信息存在一定的误诊率、漏诊率,对进一步的治疗进行分析；测试的灵敏度的概率，就是那患病的病人患病，有一定的概率被正确的分类。ROC曲线诊断测试是通过绘制的灵敏度与1—特异性的各种临界值，并加入该点的线段（非参数方法）或添加一个平滑的曲线，对应于参数化模型。ROC曲线曲线下的面积通常被视为一个总结指数的性能测试。它可以直观地解释为正确的概率测试结果。 迄今，不同的回归模型，广义线性模型和广义非线性模型都被提出了可以用于ROC曲线分析；他们有一个重要的临床优势，可以纳入变量的信息。他们允许测定的增量价值的诊断测试和上面的信息已纳入变量，参数较多，再进行对比和分层处理，这通常导致小样本大小，因此，会导致模型不准确的估计。回归系数可以通过最大似然估计，或利用广义估计方程（GEE）来获得。 贝叶斯方法可以改善这些因为他们允许进一步纳入事先知识和信仰，例如，定性临床证据或其他研究结果（荟萃分析）。贝叶斯使用概率量化的不确定性因此认为，未知参数是随机的和已知的数据是固定6第一个贝叶斯分析一般回归模型的曲线，即有序回归模型最近才由一些学者发现。他们运用马尔可夫链蒙特卡洛（MC MC方法）采用吉布斯采样和大都市algorithm-to获取样品的边缘后验分布的模型参数，由点估计和可靠的地区可以计算。为应付序性质的评价数据，他们估算观测连续测量从一个潜在分布，技术要求及dquo；数据增强。与dquo；使用无信息先验分布，他们再分析讨论的例子，通过tosteson和贝格并获得了估计，出现不一致与传统的毫升结果。他们的做法是基本上而不是充分贝叶斯经验贝叶斯因为他们使用的实证分位数估计截止值从数据。本文提供了一个扩展的思想介绍由彭和大厅，与所有的模型参数在处理一个完全贝叶斯方法和临床优点贝叶斯方法为例详细的。数据可以通过tosteson和贝格提供的免费软件包sugs9来分析，产生后的汇总统计上非常类似于在可以预料结局情况下的无信息先验分布。除了可能纳入事先的知识和信仰，贝叶斯框架允许计算后预测未来分配病人的结果，这可能支持的临床医生的理解诊断测试的问题。贝叶斯也可以确定的概率测试性能更好在一个比另一个，许多医生会找到一个方便的方式来思考性能。 本文由数据统计分析专业网站star统计分析工作室撰写，转载请注明出处