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 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.
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".
Quanto maior a razão de verossimilhança positiva, maior a probabilidade de doença; Quanto menor a razão de verossimilhança negativa, menor a probabilidade de doença.
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.
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.
Ab urbe condita (normalmente abreviado AUC ou a.u.c.) é uma expressão latina que significa 'desde a fundação da cidade'.
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.
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.
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).
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.
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.
Las curvas ROC en la evaluación de las pruebas diagnósticas Sensibilidad y especificidad diagnósticas
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).
O que responder para um tudo bem?
Como jogar Super Nintendo no celular com controle?
Como o messianismo foi possível *?
Como baixar um site completo wget?
Como responder defeitos e qualidades em entrevista?
Como surgiu o nome da cidade de Belo Horizonte?
O que é o comando xref no AutoCAD?
Qual o país de onde partiu a esquadra de Cabral?
Como se faz o símbolo de copyright?
Como era organizado o governo do Consulado?
O que é formatação condicional e para que serve?
Como foi possível saber a estrutura interna da Terra?
Como conectar o controle do Xbox One no PC com cabo USB?
Quem inventou a primeira caneta do mundo?
Tem como usar o controle do Xbox One no 360?
Como foi o processo das Grandes Navegações no Brasil?
Como funciona o controle remoto do LG?
Como foi criado o filme Jurassic Park?