Curva Característica Operativa del Receptor

Una curva característica operativa del receptor (ROC) grafica la sensibilidad de una prueba frente a su tasa de falsos positivos (uno menos la especificidad) a través de cada posible umbral de decisión. Resume cómo una prueba construida sobre una medición continua u ordinal discrimina entre personas con y sin una condición, independientemente de cualquier punto de corte único, y su área encerrada condensa esa discriminación en un solo número.

Definition

Una curva característica operativa del receptor es el gráfico de la sensibilidad (tasa de verdaderos positivos) versus la tasa de falsos positivos (uno menos la especificidad) trazado a medida que el umbral de decisión de una prueba se varía en todo su rango.

Scope

Esta entrada define la curva ROC, explica cómo se genera al barrer el umbral diagnóstico, describe el área bajo la curva (AUC) como un resumen de discriminación independiente del umbral, y señala sus orígenes en la teoría de detección de señales. Es un tema metodológico y no aconseja sobre el uso de ninguna prueba o umbral en particular.

Key concepts

• Compromiso entre sensibilidad y tasa de falsos positivos
• Umbral de decisión (punto de corte)
• Área bajo la curva (AUC)
• Discriminación independiente del umbral
• Teoría de detección de señales
• Comparación de pruebas competitivas

Mechanisms

Para una prueba que produce una puntuación continua u ordinal, cada umbral candidato produce un par de sensibilidad y tasa de falsos positivos; la conexión de estos pares a través de todos los umbrales traza la curva ROC en el cuadrado unitario. Una curva que se acerca a la esquina superior izquierda indica una fuerte discriminación, mientras que la diagonal corresponde a una prueba no mejor que el azar. El área bajo la curva resume el rendimiento en todos los umbrales y se interpreta como la probabilidad de que la prueba asigne una puntuación más alta a un sujeto enfermo elegido al azar que a uno no enfermo elegido al azar. Debido a que se calcula a partir de la sensibilidad y la especificidad en lugar de a partir de recuentos por fila, la curva y su área describen la discriminación independientemente de la prevalencia de la enfermedad, aunque la elección de un umbral operativo para su uso aún requiere sopesar los costos de los falsos positivos frente a los falsos negativos. El marco desciende de la teoría de detección de señales, donde se analiza el mismo compromiso entre aciertos y falsas alarmas.

Clinical relevance

El análisis ROC es una herramienta estándar para comparar pruebas diagnósticas y para examinar qué tan bien un marcador continuo separa a los sujetos enfermos de los no enfermos antes de que se fije cualquier punto de corte. El concepto apoya la evaluación crítica de la evidencia diagnóstica; caracteriza la discriminación de la prueba y no es una base para decisiones diagnósticas o de tratamiento individuales.

Epidemiology

Las curvas ROC y el área bajo ellas se utilizan ampliamente para informar y comparar el rendimiento discriminatorio de los marcadores diagnósticos y los modelos de predicción. Debido a que el área resume la discriminación pero no la calibración o las consecuencias prácticas de un umbral elegido, los estándares de informes como STARD fomentan una descripción clara de cómo se determinaron los umbrales y la precisión.

Evidence & guidelines

La declaración STARD cubre la notificación de la precisión diagnóstica, incluyendo cómo se definen y notifican los umbrales de las pruebas y las medidas de precisión, como el área bajo la curva ROC.

History

El análisis ROC se originó en la teoría de detección de señales desarrollada a mediados del siglo XX para caracterizar el compromiso entre aciertos y falsas alarmas, y se adaptó a la toma de decisiones médicas y a la imagen diagnóstica en la década de 1970. La exposición de Metz de 1978 estableció sus principios básicos para la medicina, el artículo de Hanley y McNeil de 1982 aclaró el significado y el manejo estadístico del área bajo la curva, y la síntesis de Swets de 1988 enmarcó los métodos ROC como un enfoque general para medir la precisión diagnóstica.

Debates

¿Es el área bajo la curva un resumen suficiente del rendimiento de la prueba?

El área condensa la discriminación en todos los umbrales, pero ignora la calibración y los diferentes costos de los falsos positivos y falsos negativos, por lo que puede ser un criterio único engañoso cuando un punto operativo específico es importante.

Key figures

• Charles Metz
• James Hanley
• Barbara McNeil
• John Swets

Seminal works

• metz-1978
• hanley-mcneil-1982
• swets-1988

Frequently asked questions

¿Qué significa el área bajo la curva ROC?

Es la probabilidad de que la prueba dé una puntuación más alta a un sujeto enfermo elegido al azar que a uno no enfermo elegido al azar; 0.5 indica que no hay discriminación y 1.0 indica una separación perfecta.

¿Por qué usar una curva ROC en lugar de una única sensibilidad y especificidad?

Un solo par fija un umbral, mientras que la curva ROC muestra todo el compromiso en todos los umbrales, lo que permite comparar las pruebas y elegir un punto operativo deliberadamente.