|
看点 ROC曲线的“正反”之忧  在SPSS里面画ROC曲线是很简单的，只需要选择好检验变量（TestVariable）和状态变量（StateVariable）即可出来ROC曲线图，但在画ROC曲线图的时候，很多新手会纠结疑惑：为什么我画出来的ROC曲线在对角线的下方呢？为什么ROC曲线的面积AUC<0.5呢？在SPSS里该怎么设置状态变量（Valueof state variable）的值呢？ 检测54名非糖尿病人以及64名2型糖尿病人的成纤维生长因子21，用ROC分析评价成纤维生长因子21（FGF_21）对2型糖尿病（Group）的诊断价值。 所得结果为 按理说，本例子做出来的ROC曲线面积AUC应该在0.5以上的，可为什么做出来的结果只有0.105，而且ROC曲线在对角线的下方呢？好纠结，问题究竟出在哪里？ 步骤一：探索分析 首先看一下正常组及糖尿病组中成纤维生长因子21的数据特征，所以我们先对数据进行探索性分析。点击分析——描述统计——探索，从“描述”表中可以看到，糖尿病组中的成纤维生长因子（203.12）大于正常组（159.90）。 在了解了数据特征后，接下来开始绘制ROC曲线，将FGF_21（成纤维生长因子21）放在检验变量里，Group（正常组/2型糖尿病组）放在状态变量里，状态变量的值是指定义阳性事件的值，本例中阳性事件为糖尿病，值为2，所以填入2。 在探索分析里面，我们知道糖尿病组的成纤维生长因子21的值大于正常组，因此选项里面的检验方向（TestDirection）选择较大的检验结果表示更肯定的检验（Largertest result indicates more positivetest），即较大的检验结果表示阳性诊断。就是因这点没选好导致ROC曲线反了。
ROC曲线下面积为0.895，面积的标准误为0.030，成纤维生长因子用于判断糖尿病有显著意义（P=0.000<0.05）,成纤维生长因子越大是糖尿病的可能性越大。面积的95%可信区间（Asymptotic95% Confidence Interval）是（0.836,0.954），不包含0.5，得出相同的结论。 一般情况下，曲线下的面积AUC为0.5～0.7时，表示诊断准确性较低；面积AUC为0.7～0.9时，表示诊断准确性中等；而面积AUC大于0.9时，表示诊断准确性较高。 在实际应用中，SPSS会给出不同界值下的敏感度和1-特异度，对于最佳诊断界值点，最重要一点就是要结合临床实际进行选择。如果不是特殊情况，一般以约登指数（Youdenindex）（灵敏度 特异度-1）最大时所对应的点为最佳诊断界值。 将SPSS里的“曲线的坐标”的数据复制到Excel里进行计算，Youden指数刚好是敏感度-（1-特异性），设置公式后直接下拉计算，Youden指数最大值为0.703，对应的敏感度为0.766，特异度为0.937，成纤维生长因子21的值为189.68，因此可认为成纤维生长因子诊断糖尿病的最佳界值为189.68。
通过以上三个步骤，相信大家已经能正确地绘制ROC曲线，终于不用再纠结啦！
我得意的笑~我得意的笑~~ 想了解“医学方”最新课程动态？可登陆腾讯课堂收看 目前已有课程： （1）医学方|医学统计学公开课|石小白老师教您轻松学统计（公益免费课程） （2）医学方|医学数据挖掘精品课程|豪斯医生手把手教您如何数据挖掘 网易云课堂：http://study.163.com/u/ykt1467466791112 客服电话：15821255568 客服微信：yixuefang1234
|
|
|
