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).
Como cozinhar batata na fervura?
Quando começou a valer a regra 85-95?
Como tomar Tribulus Terrestris com Maca peruana em pó?
Como fica a situação do professor com a reforma da Previdência?
Para que serve Simeticona Gotas 75mg mL?
Quanto tempo demora ceab reconhecimento de direito da SRI?
Qual o melhor horário para tomar PROCORALAN?
Quantos Seakalm devo tomar por dia?
Como tomar risperidona em gotas?
Qual o melhor horário para tomar Pholia magra?
Pode guardar o arroz na geladeira?
Como tomar chá de salsinha para emagrecer?
Quanto tempo posso tomar Permese?
Como armazenar um espumante aberto?
Quantas cápsulas de tribulus devo tomar por dia?
Como habilitar bandeira Ticket?