Courbe Caractéristique de Fonctionnement du Récepteur

Une courbe caractéristique de fonctionnement du récepteur (ROC) représente la sensibilité d'un test en fonction de son taux de faux positifs (un moins la spécificité) pour chaque seuil de décision possible. Elle résume la manière dont un test basé sur une mesure continue ou ordinale discrimine entre les personnes atteintes et non atteintes d'une affection, indépendamment de tout seuil unique, et son aire sous la courbe condense cette discrimination en un seul chiffre.

Definition

Une courbe caractéristique de fonctionnement du récepteur est le graphique de la sensibilité (taux de vrais positifs) en fonction du taux de faux positifs (un moins la spécificité) tracé lorsque le seuil de décision d'un test est varié sur toute son étendue.

Scope

Cette entrée définit la courbe ROC, explique comment elle est générée en faisant varier le seuil diagnostique, décrit l'aire sous la courbe (AUC) comme un résumé de la discrimination indépendant du seuil, et note ses origines dans la théorie de la détection de signal. Il s'agit d'un sujet méthodologique qui ne donne pas de conseils sur l'utilisation d'un test ou d'un seuil particulier.

Key concepts

• Compromis entre sensibilité et taux de faux positifs
• Seuil de décision (point de coupure)
• Aire sous la courbe (AUC)
• Discrimination indépendante du seuil
• Théorie de la détection de signal
• Comparaison de tests concurrents

Mechanisms

Pour un test produisant un score continu ou ordinal, chaque seuil candidat donne une paire de sensibilité et de taux de faux positifs ; relier ces paires pour tous les seuils trace la courbe ROC dans le carré unitaire. Une courbe se rapprochant du coin supérieur gauche indique une forte discrimination, tandis que la diagonale correspond à un test qui n'est pas meilleur que le hasard. L'aire sous la courbe résume la performance sur tous les seuils et peut être interprétée comme la probabilité que le test attribue un score plus élevé à un sujet malade choisi au hasard qu'à un sujet non malade choisi au hasard. Parce qu'elle est calculée à partir de la sensibilité et de la spécificité plutôt qu'à partir de dénombrements par ligne, la courbe et son aire décrivent la discrimination indépendamment de la prévalence de la maladie, bien que le choix d'un seuil de fonctionnement pour l'utilisation nécessite toujours de peser les coûts des faux positifs par rapport aux faux négatifs. Le cadre découle de la théorie de la détection de signal, où le même compromis entre les détections correctes et les fausses alarmes est analysé.

Clinical relevance

L'analyse ROC est un outil standard pour comparer les tests diagnostiques et pour examiner dans quelle mesure un marqueur continu sépare les sujets malades des sujets non malades avant qu'un seuil ne soit fixé. Le concept soutient l'évaluation critique des preuves diagnostiques ; il caractérise la discrimination des tests et ne constitue pas une base pour les décisions diagnostiques ou thérapeutiques individuelles.

Epidemiology

Les courbes ROC et l'aire sous celles-ci sont largement utilisées pour rapporter et comparer la performance discriminante des marqueurs diagnostiques et des modèles de prédiction. Étant donné que l'aire résume la discrimination mais pas le calibrage ou les conséquences pratiques d'un seuil choisi, les normes de rapport telles que STARD encouragent une description claire de la manière dont les seuils et la précision ont été déterminés.

Evidence & guidelines

La déclaration STARD couvre le rapport de la précision diagnostique, y compris la manière dont les seuils de test et les mesures de précision telles que l'aire sous la courbe ROC sont définis et rapportés.

History

L'analyse ROC est née de la théorie de la détection de signal développée au milieu du XXe siècle pour caractériser le compromis entre les détections correctes et les fausses alarmes, et elle a été adaptée à la prise de décision médicale et à l'imagerie diagnostique dans les années 1970. L'exposé de Metz en 1978 a énoncé ses principes de base pour la médecine, l'article de Hanley et McNeil en 1982 a clarifié la signification et le traitement statistique de l'aire sous la courbe, et la synthèse de Swets en 1988 a encadré les méthodes ROC comme une approche générale de la mesure de la précision diagnostique.

Debates

L'aire sous la courbe est-elle un résumé suffisant de la performance d'un test ?

L'aire condense la discrimination sur tous les seuils mais ignore le calibrage et les coûts différents des faux positifs et des faux négatifs, elle peut donc être un critère unique trompeur lorsqu'un point de fonctionnement spécifique est important.

Key figures

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

Seminal works

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

Frequently asked questions

Que signifie l'aire sous la courbe ROC ?

C'est la probabilité que le test attribue un score plus élevé à un sujet malade choisi au hasard qu'à un sujet non malade choisi au hasard ; 0,5 indique une absence de discrimination et 1,0 indique une séparation parfaite.

Pourquoi utiliser une courbe ROC plutôt qu'une sensibilité et une spécificité uniques ?

Une paire unique fixe un seul seuil, tandis que la courbe ROC montre l'ensemble du compromis sur tous les seuils, permettant de comparer les tests et de choisir délibérément un point de fonctionnement.