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).
Qual a sequência do Velho Testamento?
Como melhorar a qualidade dos ovos?
O que é uma tirinha definição?
Como contabilizar financiamento de imóvel?
O que pode ser feito para melhorar a saúde dos homens?
Como ler QR Code de uma imagem?
Como ler mangas online legalmente?
Como melhorar assimetria do rosto?
Como é praticado o shuffleboard?
O que atrapalha a rotina de trabalho?
Quando um poliedro é chamado de regular?
Quais são as competências específicas da BNCC?
Como funciona a transformação de fração imprópria em número misto?