Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

flashcards > ROC - käyrä > Flashcards

ROC - käyrä Flashcards

1
Q

TPF

A

Sensitiivisyys

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

TNF

A

Spesifisyys

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

FPF

A

1 - Spesifisyys

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

FNF

A

1 - Sensitiivisyys

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

PPV

A

TP/TP+FP

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

NPV

A

TN/TN+FN

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

LP+

A

TPF/FPF

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

LP-

A

FNF/TNF

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Mikä on ROC käyrän piste?

A

(FPF,TPF)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Millä kaavalla saadaan tietää mikä piste ROC käyrällä on lähimpänä pistettä (0,1)?

A

d = sqrt((1-TPF)^2)+(1-TNF)^2)
tai vaihtoehtoisesti
d^2 = (1-TPF)^2+FPF^2

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Miten Youdenin indeksi tulkitaan?

A

Missä kohdassa käyrä on mahdollisimman kaukana referenssiviivasta

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Mitä arvoja Youdenin indeksi voi saada?

A

kuuluu reaalilukujen joukkoon [0,1]

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Miten voidaan laskea Youdenin indeksi?

A

TPF-FPF = TPF-TNF-1

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Millainen on sensitiivisyyden yhteys spesifisyyteen?

A

Käänteinen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Golden standard

A

Toista tarkempaa ja kallimpaa tai invasiivisempaa testiä

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

P(positiivinen tulos | sairas ) =

A

sensitiivisyys = TPF

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

P(negatiivinen tulos | sairas) =

A

1-sensitiivisyys = FNF

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

P(negatiivinen tulos | ei sairas) =

A

spesifisyys = TNF

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

P(positiivinen tulos | ei sairas) =

A

1-spesifisyys = FPF

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

P(havaitaan ärsyke | ärsyke esitetty ) =

A

TPF

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

P(ei havaita ärsykettä | ärsyke esitetty ) =

A

FNF

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
22
Q

P(ei havaita ärsykettä | ärsykettä ei esitetty ) =

A

TNF

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
23
Q

P(havaitaan ärsyke | ärsykettä ei esitetty ) =

A

FPF

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q

P(sairas|positiivinen tulos)

A

PPV

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
25
Q

P(ei sairas|positiivinen tulos)

A

1-PPV

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
26
Q

P(ei sairas|negatiivinen tulos)

A

NPV

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
27
Q

P(sairas|negatiivinen tulos)

A

1-NPV

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
28
Q

Mitä tapahtuu PPV:lle kun prevalenssi kasvaa?

A

Se kasvaa

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
29
Q

Mitä tapahtuu NPV:lle kun prevalenssi kasvaa?

A

Se pienenee

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
30
Q

Minkä avulla PPV ja NPV lasketaan?

A

Posteriorisen todennäköisyyden avulla

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
31
Q

Määrittele uskottavuusosamäärä

A

Kahden tiheysfunktion suhde testien tuloksessa joko sairaiden tai ei sairaden osalta

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
32
Q

Tulkitse LR+ = 6.3

A

Satunnaisesti valitulla sairaalla potilaalla on 6.3 oddsit saada positiivinen tulos verrattuna ei sairaaseen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
33
Q

Tulkitse LR- = 0.1

A

Satunnaisesti valitulla sairaalla potilaalla on 0.1 oddsit saada negatiivinen testi verrattuna ei-sairaaseen

Satunnaisesti valitulla ei-sairalla on 1/0.1 = 10 oddsit saada negatiivinen testi verrattuna sairaaseen henkilöön

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
34
Q

Mitä tarkoittaa suurempi arvo negatiiviselle uskottavuusosamäärälle?

A

vähemmän informaatioarvoa

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
35
Q

Mitä tarkoittaa suurempi arvo positiiviselle uskottavuusosamäärälle?

A

enemmän informaatioarvoa

36
Q

Mitä tarkoittaa pienempi arvo negatiiviselle uskottavuusosamäärälle?

A

enemmän informaatioarvoa

37
Q

Mitä tarkoittaa pienempi arvo positiiviselle uskottavuusosamäärälle?

A

vähemän informaatioarvoa

38
Q

Miten posterioriset oddsit lasketaan sairaudelle?

A

Uskottavuusosamäärä x prioritodennäköisyys

39
Q

Miksi konventionaaliset analyysit pitävät TPF ja TNF ensisijaisina tarkkuuden tunnuslukuina?

A

Koska ne ovat riippumattomia prioritodennäköisyydestä

40
Q

Miksi pelkästään TPF ja TNF käyttö yksittäisinä tunnuslukuina on ongelmallista?

A

Koska ne riippuu diagnostisesta kriteeristä (joka usein on subjektiivisesti valittu

41
Q

Mistä lähtien ROC analyysia on käytetty?

A

1950-luvulta

42
Q

Minkä teorian kanssa ROC analyysi ilmestyi 1950 luvulla?

A

signaalidetektioteorian

43
Q

Miten ROC analyysia käytettiin tutkissa?

A

erottamaan havainnoijan vaihtelevuus sisäsyntyisestä signaalista

44
Q

Mihin ROC analyysia käytettiin psykologiassa 1950 luvulla?

A

Yhteyksien päätöksien tekemiseen fyysisen ärsykkeen ja psykologisten kokemusten ominaisuuksista

45
Q

Missä sovellusalalla alettiin käyttämään ROC analyysia 1960 luvulla?

A

Radiologiassa ja radionuklidi kuvantamisessa

46
Q

Mikä on “separator” scale

A

Päätöskriteereistä muodostettu vektori

47
Q

Mitä tunnuslukuja käytetään useimmiten tarkastelemaan testin diagnostista tarkkuutta?

A
  1. AUC
  2. Partial Area Index
  3. TPF_ {FPF}
48
Q

Mitä tarkoittaa “latent” tai ei-havaittavissa oleva muuttuja

A

Subjektiivisesti määritelty muuttuja

49
Q

Mitä pistettä ROC käyrän tulee lähestyä, jotta se olisi mahdollisimman hyvä?

A

(0,1)

50
Q

Mitä diagonaaliviiva yksikköneliössä tarkoittaa?

A

satunnaisen testin ROC-käyrää

51
Q

Mikä on satunnaisen testin ROC käyrän funktio?

A

f(x)=x

Huomaa F(FPF)=FPF, eli kaikki pisteet ovat muotoa (FPF,FPF)

52
Q

Minkälainen on monotonisesti kasvavan uskottavuusosamäärän ROC-käyrä?

A

konkaavinen

53
Q

Mitä AUC kuvaa?

A

Kuvaa testin luonnollista validiteettia

54
Q

AUC tiivistää…

A

ROC-käyrän sijainnin

55
Q

Miten AUC voidaan tulkita?

A
  1. todennäköisyys, että satunnaisesti valittu sairas henkilö on todennäköisemmin testin avulla luokitelu positiiviseksi kuin ei-sairas satunnaisesti valittu henkilö (perustuu Mann-whitneyn U-jakaumaan)
  2. sensitiivisyyden keskiarvo kaikilla mahdollisilla spesifisyyden arvoilla
56
Q

Mitä AUC = 1 tarkoittaa?

A

Täydellisesti erottavaa testiä

57
Q

Mitä AUC = 0,5 tarkoittaa?

A

Satunnaisesti erottavaa testiä

58
Q

Mitä AUC = 0 tarkoittaa?

A

Täydellisesti väärin erottavaa testiä, pitää kääntää

59
Q

Milloin Partial Area Index:iä halutaan käyttää?

A

Kun kahden testin ROC-käyrät risteävät jossakin pisteessä

60
Q

Voivatko AUC:t olla yhtäsuuret vaikka niiden ROC-käyrät risteävät?

A

Kyllä

61
Q

Milloin halutaan käyttää TPFfpf testiä?

A

Kun kahden testin ROC-käyrät risteävät jossakin pisteessä

62
Q

Miten TPFfpf kuvaajasta voidaan nähdä mikä testi on paras?

A

Se testi, joka saa suurempia arvoja (x= kriteerivektori, y= TPFfpf)

63
Q

Mikä on TPFfpf heikkous?

A

eri tutkijat voivat antaa eri arvon TPF:lle samalla FPF:n arvolla –> tällöin testejä ei voida vertailla

64
Q

Mitkä ovat ROC-käyrän vahvuudet?

A
  1. Analyysi ei riipu kriteeristä eikä prioritodennäköisyydestä (eli prevalenssista)
  2. Voidaan vertailla eri testien tarkkuutta
  3. Voidaan helposti selvittää FPF kuvaajasta
  4. Voidaan selvittää optimaalinen rajapiste=kriteeri
65
Q

Miten tarkastellaan, että mikä piste ROC-käyrällä on lähimpänä pistettä (0,1)?

A

d^2 = (FNF)^2-(FPF)^2

66
Q

Miten Youdenin indeksi lasketaan?

A

TPF-FPF = TPF+TNF-1

67
Q

Mikä Youdenin indeksin kaavassa halutaan maksimoida?

A

TPF+TNF

68
Q

Miten Youdenin indeksi tulkitaan matemaattisesti?

A

Mikä piste ROC-käyrällä on kauimpana funktiosta f(x)=x

69
Q

Mitkä ovat hypoteesit kun halutaan tietää, erosiko testin tulos sattumasta?

A

H0: AUC = 0,5
H1: AUC ei yhtäkuin 0,5

70
Q

Mikä on yhden normaaliapproksimoidun AUC tunnusluvun z-testin kaava?

A

Z= (AUC-AUC0)/SE(AUC)

71
Q

Miten saadaan tietää SE(AUC)

A

Tilasto-ohjelman avulla

72
Q

Voidaanko laskea AUC:lle luottamusväli

A

Kyllä

73
Q

Milloin kahden muuttujan kovarianssi on 0

A

Kun niiden välillä ei ole yhteyttä, eli r = 0

74
Q

Minkälainen testiasetelma on, kun kovarianssi on 0

A

Mittauskerrat tehdään eri ryhmille, joissa on siis eri henkilöt

75
Q

Minkälainen testiastelma on, kun kovarianssi ei ole 0

A

Mittauskerrat tehdään samoille henkilöille

76
Q

Mitkä ovat hypoteesit kun verrataan kahden eri testin tarkkuutta?

A

H0: AUC1 = AUC2
H1: AUC ei ole sama kuin AUC2

77
Q

Miten Cov(AUC1,AUC2) lasketaan?

A

r*SE(AUC1)SE(AUC2)

78
Q

Miten SE(AUC1-AUC2) lasketaan?

A

sqrt(Var(AUC1)+Var(AUC2)-2Cov(AUC1,AUC2))

79
Q

“spectrum”

A

miten tarkoituksenmukainen tapauksien ja kontrollien määrä on

80
Q

Mitkä kaksi heikkoutta liittyvät diagnostisiin tutkimuksiin?

A
  1. ” Spectrum”

2. Vinoumien esiintyvyys

81
Q

Minkälaisia vinoumia diagnostisissa tutkimuksissa esiintyy?

A
  1. “Work up bias”: diagnoosien antaminen peräkkäin lisää todennäköisyyttä saada diagnoosi
  2. “Non-blind design”: tutkija on tietoinen tutkimushenkilöiden diagnooseista
  3. “Incorporating bias”: tulokset ovat sisällytetty osana näyttöä, jota käytetään diagnoosin tekemisessä
82
Q

Kovariaatti

A

Tutkittavassa ryhmässä oleva muuttuja / selittävä muuttuja

83
Q

Milloin kovariaatti voi olla sekoittava tekijä?

A

Kun sillä on yhteyttä sairauden olemassaoloon ja testitulokseen

84
Q

Miten sekoittava tekijä vaikuttaa ROC-käyrään?

A

Muuttamalla sen sijaintia/muotoa

Johtaa yli- tai alidiagnosointi tarkkuuteen

85
Q

Miten sekoittavien tekijöiden vaikutusta voidaan tutkimusasetelmassa ottaa huomioon?

A

Rajoitteilla ja ryhmien vertaistamisella sekä tilastollisten menetelmien avulla

flashcards (7 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2024 Bold Learning Solutions. Terms and Conditions