Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 164 vistas

    Curva Cor

    Cargado por

    Joel Brayam Lulo Mendoza
    El documento describe el análisis de curvas ROC (Receiver Operating Characteristic), las cuales proporcionan una herramienta gráfica para evaluar y comparar la capacidad de clasificación de pruebas diagnósticas. El análisis de curvas ROC mide la sensibilidad frente a la especificidad de una prueba al variar su punto de corte. Cuanto más cercana esté una curva ROC a la esquina superior izquierda, mayor será la exactitud de la prueba. El área bajo la curva se usa como medida del valor predictivo de una

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Curva Cor

    Cargado por

    Joel Brayam Lulo Mendoza
    164 vistas6 páginas
    El documento describe el análisis de curvas ROC (Receiver Operating Characteristic), las cuales proporcionan una herramienta gráfica para evaluar y comparar la capacidad de clasificación de pruebas diagnósticas. El análisis de curvas ROC mide la sensibilidad frente a la especificidad de una prueba al variar su punto de corte. Cuanto más cercana esté una curva ROC a la esquina superior izquierda, mayor será la exactitud de la prueba. El área bajo la curva se usa como medida del valor predictivo de una

    Descripción original:

    Econometria de la investigacion

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El documento describe el análisis de curvas ROC (Receiver Operating Characteristic), las cuales proporcionan una herramienta gráfica para evaluar y comparar la capacidad de clasificación de pruebas diagnósticas. El análisis de curvas ROC mide la sensibilidad frente a la especificidad de una prueba al variar su punto de corte. Cuanto más cercana esté una curva ROC a la esquina superior izquierda, mayor será la exactitud de la prueba. El área bajo la curva se usa como medida del valor predictivo de una

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    164 vistas6 páginas

    Curva Cor

    Cargado por

    Joel Brayam Lulo Mendoza
    El documento describe el análisis de curvas ROC (Receiver Operating Characteristic), las cuales proporcionan una herramienta gráfica para evaluar y comparar la capacidad de clasificación de pruebas diagnósticas. El análisis de curvas ROC mide la sensibilidad frente a la especificidad de una prueba al variar su punto de corte. Cuanto más cercana esté una curva ROC a la esquina superior izquierda, mayor será la exactitud de la prueba. El área bajo la curva se usa como medida del valor predictivo de una

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 6

    Curvas ROC o COR (Receiver Operating

    Characteristic/Caracterstica Operativa del


    Receptor)

    Introducci
    on
    El analisis de la curva ROC, o simplemente analisis ROC, proporciona herramientas
    para seleccionar los modelos posiblemente optimos y descartar modelos suboptimos
    independientemente de (y antes de especificar) el coste de la distribucion de las dos
    clases sobre las que se decide. La curva ROC es tambien independiente de la distribucion
    de las clases en la poblacion (en diagnostico, la prevalencia de una enfermedad en la
    poblacion). El analisis ROC se relaciona de forma directa y natural con el analisis de
    coste/beneficio en toma de decisiones diagnosticas.

    1.

    LA Curva COR o ROC

    La curva ROC o COR es un grafico en el que se observan todos los pares sensibilidad/especificidad resultantes de la variacion continua de los puntos de corte en todo el
    rango de resultados observados. Esta herramienta grafica es muy u
    til cuando el objetivo
    del analisis se refiere a la clasificacion.

    2.

    An
    alisis Gr
    afico

    En el eje y de coordenadas se sit


    ua la sensibilidad o fraccion de verdaderos positivos.
    En el eje x se sit
    ua la fraccion de falsos positivos o 1-especificidad.
    La sensibilidad es la fraccion de casos positivos que se clasifican correctamente por la
    prueba, mientras que la especificidad es la fraccion de casos negativos que se clasifican
    correctamente. As, la sensibilidad es la tasa de verdaderos positivos, y la especificidad
    es la tasa de verdaderos negativos.
    Desde un enfoque cualitativo, cuanto mas proxima es una curva ROC a la esquina
    superior izquierda, mas alta es la exactitud global de la prueba. Se puede comparar cualitativamente por simple observacion cuando al dibujar dos curvas de distintas pruebas,
    tendra mayor exactitud aquella que este situada mas hacia arriba y a la izquierda. Los
    conceptos planteados podran ser mejor entendidos a partir de un ejemplo practico.

    Figura 1.

    Curva COR

    *El
    area bajo la curva se usa como medida de valor predictivo.

    3.
    3.1.

    Ejemplo Pr
    actico
    Pruebas diagn
    osticas para el cuidado de los pacientes

    La calidad de una prueba diagnostica utilizada para el cuidado de los pacientes no


    se juzga solo por sus caractersticas analticas sino, fundamentalmente, por su capacidad para distinguir entre estados alternativos de salud. El medico solicita una prueba
    para decidir, junto con otros datos disponibles, si el paciente tiene o no una condicion
    clnica. Por lo tanto, para que una prueba se incluya en la practica medica rutinaria
    es necesario que sea capaz de reducir la incertidumbre asociada con una determinada
    situacion clnica. La principal cualidad clnica de una prueba diagnostica es su exactitud, definida como la capacidad para clasificar de manera correcta a los individuos en
    subgrupos clnicamente relevantes. En su forma mas simple es la capacidad para distinguir entre dos estados de salud. Clasicamente, la exactitud de una prueba diagnostica
    se ha evaluado en funcion de dos caractersticas: la sensibilidad y la especificidad1. Sin
    embargo, estas varan en funcion del criterio elegido como punto de corte entre la poblacion sana y la enferma. Una forma mas global de conocer la calidad de la prueba
    en el espectro completo de puntos de corte es mediante el uso de curvas ROC (receiver
    2

    operating characteristics, caractersticas operativas del receptor) que, como veremos a


    lo largo de esta ((Revision)), constituyen una herramienta fundamental y unificadora en
    el proceso de evaluacion y uso de las pruebas diagnosticas.
    3.2.

    Sensibilidad y especificidad diagn


    osticas

    Siempre que una cuestion clnica y el resultado de la prueba diagnostica encaminada a resolverla puedan plantearse en terminos de dicotoma (presencia o ausencia de
    enfermedad; positivo o negativo), la exactitud de la prueba puede definirse en funcion
    de su sensibilidad y especificidad diagnosticas.
    La sensibilidad de una prueba diagnostica es la probabilidad de obtener un resultado
    positivo cuando el individuo tiene la enfermedad. Mide su capacidad para detectar la
    enfermedad cuando esta presente.
    La especificidad de una prueba indica la probabilidad de obtener un resultado negativo
    cuando el individuo no tiene la enfermedad. Mide su capacidad para descartar la enfermedad cuando esta no esta presente.
    No existe ninguna manera teorica de medicion de estas dos caractersticas de una prueba. El u
    nico procedimiento es el experimental, sometiendo a un grupo de pacientes,
    sanos y enfermos, clasificados mediante un metodo diagnostico de referencia exacto e
    independiente, a la prueba que queremos estudiar.
    La sensibilidad se obtiene en el subgrupo de enfermos y la especificidad en el de sanos,
    por lo que ambos valores son independientes de la prevalencia en la muestra estudiada.
    La prueba diagnostica ideal debera tener una sensibilidad y una especificidad tan
    proximas al 100 por cinto como fuera posible.Esto constituye una excepcion, pero en
    principio se debe dudar de pruebas cuyas sensibilidad y especificidad sean inferiores al
    80 por ciento.

    A partir de la tabla de contingencia se puede definir el valor predictivo del resultado


    positivo como la proporcion de resultados validos entre los resultados positivos de la
    prueba.
    El valor predictivo del resultado negativo sera la proporcion de resultados validos
    entre los negativos, y el valor global la proporcion de resultados validos entre la totalidad
    de pruebas efectuadas.
    Los valores predictivos de una prueba, a diferencia de la sensibilidad y la especificidad, varan en funcion de la prevalencia de la enfermedad. Si se estudia una enfermedad
    3

    cuya prevalencia es baja, incluso una prueba muy especfica dara lugar a muchos falsos
    positivos, dado el elevado n
    umero de individuos sanos de la colectividad. Si la prevalencia es alta se puede esperar un mayor n
    umero de resultados falsamente negativos.
    Por lo tanto, cuanto menor sea la prevalencia de la enfermedad menor sera el VPP y
    mayor el VPN; lo contrario sera cierto si la prevalencia es elevada.

    4.

    Comandos

    Se han propuesto metodos parametricos y no parametricos para generar las curvas


    ROC.
    El comando roctab realiza un analisis no parametrico para un solo clasificador.
    Y roccomp extiende la funcion no parametrica del analisis de la curva ROC de roctab
    a situaciones en las que tenemos m
    ultiples pruebas diagnosticas de interes que deben
    compararse y probarse.
    El comando rocgold, tambien proporciona un analisis para m
    ultiples clasificadores. Compara la curva ROC de cada clasificador y realiza ajustes para comparaciones
    m
    ultiples en el analisis. Tanto rocgold y roccomp tambien permiten la estimacion parametrica de la curva ROC a traves de un ajuste binomial. En una binomial tanto el
    control y el ajuste de casos, las poblaciones son normales.
    El comando rocfit tambien estima la curva ROC de un clasificador a traves de de
    un ajuste binomial, diferente a roctab, roccomp, y rocgold; rocfit es una instruccion de
    estimacion.
    4.1.

    Ejemplo

    El comando roccomp aplicado a los datos de marcadores de pancreas-cancer muestra


    en la figura los siguientes resultados
    4

    Las tablas de resultados de rutina de carga se generan por el comando bootstrap de


    Stata.

    5.

    Observaciones

    -Las curvas ROC, meramente descriptivas, son un magnfico instrumento para comparar visualmente diferentes ndices, facilitando enormemente la tarea de decidir que
    componentes de una escala compuesta seran mas eficaces para nuestra tarea de prediccion.
    -El enfoque o modelo de curvas ROC no parametrico es muy aplicable para muchos
    conjuntos de datos de la vida real, puesto que no requiere el cumplimiento de supuestos
    distribucionales.
    -El enfoque parametrico de analisis de curvas ROC es generalmente mas potente,aunque mas complejo tambien pues exige distribuciones normales de partida.
    -El analisis de curvas ROC es quiza el mejor enfoque para estudiar la eficacia predictiva de un sistema diagnostico, y ademas permite integrar el analisis costebeneficio
    perfectamente.

    También podría gustarte