Kurva Karakteristik Operasi Penerima

Kurva karakteristik operasi penerima (ROC) memplot sensitivitas suatu tes terhadap tingkat positif palsunya (satu dikurangi spesifisitas) di setiap ambang keputusan yang mungkin. Kurva ini merangkum bagaimana suatu tes yang dibangun berdasarkan pengukuran kontinu atau ordinal membedakan antara orang dengan dan tanpa suatu kondisi, secara independen dari satu titik potong tunggal, dan area yang melingkupinya memadatkan diskriminasi tersebut menjadi satu angka.

Definition

Kurva karakteristik operasi penerima adalah grafik sensitivitas (tingkat positif benar) versus tingkat positif palsu (satu dikurangi spesifisitas) yang digambar saat ambang keputusan suatu tes bervariasi di seluruh rentangnya.

Scope

Entri ini mendefinisikan kurva ROC, menjelaskan bagaimana kurva tersebut dihasilkan dengan menyapu ambang diagnostik, menjelaskan area di bawah kurva (AUC) sebagai ringkasan diskriminasi yang independen ambang, dan mencatat asal-usulnya dalam teori deteksi sinyal. Ini adalah topik metodologis dan tidak menyarankan penggunaan tes atau ambang tertentu.

Key concepts

• Pertukaran sensitivitas versus tingkat positif palsu
• Ambang keputusan (titik potong)
• Area di bawah kurva (AUC)
• Diskriminasi independen ambang
• Teori deteksi sinyal
• Perbandingan tes yang bersaing

Mechanisms

Untuk tes yang menghasilkan skor kontinu atau ordinal, setiap ambang kandidat menghasilkan sepasang sensitivitas dan tingkat positif palsu; menghubungkan pasangan-pasangan ini di semua ambang akan membentuk kurva ROC dalam unit persegi. Kurva yang mendekati sudut kiri atas menunjukkan diskriminasi yang kuat, sedangkan diagonal sesuai dengan tes yang tidak lebih baik dari kebetulan. Area di bawah kurva merangkum kinerja di semua ambang dan memiliki interpretasi sebagai probabilitas bahwa tes memberikan skor yang lebih tinggi kepada subjek yang sakit yang dipilih secara acak daripada kepada subjek yang tidak sakit yang dipilih secara acak. Karena dihitung dari sensitivitas dan spesifisitas daripada dari hitungan baris, kurva dan areanya menggambarkan diskriminasi secara independen dari prevalensi penyakit, meskipun memilih ambang operasi untuk digunakan masih memerlukan penimbangan biaya positif palsu terhadap negatif palsu. Kerangka kerja ini berasal dari teori deteksi sinyal, di mana pertukaran yang sama antara "hits" dan "false alarms" dianalisis.

Clinical relevance

Analisis ROC adalah alat standar untuk membandingkan tes diagnostik dan untuk memeriksa seberapa baik penanda kontinu memisahkan subjek yang sakit dari yang tidak sakit sebelum titik potong ditetapkan. Konsep ini mendukung penilaian kritis bukti diagnostik; ini mengkarakterisasi diskriminasi tes dan bukan dasar untuk keputusan diagnostik atau pengobatan individu.

Epidemiology

Kurva ROC dan area di bawahnya banyak digunakan untuk melaporkan dan membandingkan kinerja diskriminatif penanda diagnostik dan model prediksi. Karena area tersebut merangkum diskriminasi tetapi bukan kalibrasi atau konsekuensi praktis dari ambang yang dipilih, standar pelaporan seperti STARD mendorong deskripsi yang jelas tentang bagaimana ambang dan akurasi ditentukan.

Evidence & guidelines

Pernyataan STARD mencakup pelaporan akurasi diagnostik, termasuk bagaimana ambang tes dan ukuran akurasi seperti area di bawah kurva ROC didefinisikan dan dilaporkan.

History

Analisis ROC berasal dari teori deteksi sinyal yang dikembangkan pada pertengahan abad kedua puluh untuk mengkarakterisasi pertukaran antara "hits" dan "false alarms", dan diadaptasi untuk pengambilan keputusan medis dan pencitraan diagnostik pada tahun 1970-an. Eksposisi Metz tahun 1978 menetapkan prinsip-prinsip dasarnya untuk kedokteran, makalah Hanley dan McNeil tahun 1982 mengklarifikasi makna dan penanganan statistik area di bawah kurva, dan sintesis Swets tahun 1988 membingkai metode ROC sebagai pendekatan umum untuk mengukur akurasi diagnostik.

Debates

Apakah area di bawah kurva merupakan ringkasan yang cukup untuk kinerja tes?

Area tersebut memadatkan diskriminasi di semua ambang tetapi mengabaikan kalibrasi dan perbedaan biaya positif palsu dan negatif palsu, sehingga dapat menjadi kriteria tunggal yang menyesatkan ketika titik operasi tertentu penting.

Key figures

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

Seminal works

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

Frequently asked questions

Apa arti area di bawah kurva ROC?

Ini adalah probabilitas bahwa tes memberikan skor yang lebih tinggi kepada subjek yang sakit yang dipilih secara acak daripada kepada subjek yang tidak sakit yang dipilih secara acak; 0,5 menunjukkan tidak ada diskriminasi dan 1,0 menunjukkan pemisahan yang sempurna.

Mengapa menggunakan kurva ROC daripada sensitivitas dan spesifisitas tunggal?

Sepasang tunggal menetapkan satu ambang, sedangkan kurva ROC menunjukkan seluruh pertukaran di semua ambang, memungkinkan tes untuk dibandingkan dan titik operasi untuk dipilih secara sengaja.