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
P(ei sairas|positiivinen tulos)
1-PPV
26
P(ei sairas|negatiivinen tulos)
NPV
27
P(sairas|negatiivinen tulos)
1-NPV
28
Mitä tapahtuu PPV:lle kun prevalenssi kasvaa?
Se kasvaa
29
Mitä tapahtuu NPV:lle kun prevalenssi kasvaa?
Se pienenee
30
Minkä avulla PPV ja NPV lasketaan?
Posteriorisen todennäköisyyden avulla
31
Määrittele uskottavuusosamäärä
Kahden tiheysfunktion suhde testien tuloksessa joko sairaiden tai ei sairaden osalta
32
Tulkitse LR+ = 6.3
Satunnaisesti valitulla sairaalla potilaalla on 6.3 oddsit saada positiivinen tulos verrattuna ei sairaaseen
33
Tulkitse LR- = 0.1
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
34
Mitä tarkoittaa suurempi arvo negatiiviselle uskottavuusosamäärälle?
vähemmän informaatioarvoa
35
Mitä tarkoittaa suurempi arvo positiiviselle uskottavuusosamäärälle?
enemmän informaatioarvoa
36
Mitä tarkoittaa pienempi arvo negatiiviselle uskottavuusosamäärälle?
enemmän informaatioarvoa
37
Mitä tarkoittaa pienempi arvo positiiviselle uskottavuusosamäärälle?
vähemän informaatioarvoa
38
Miten posterioriset oddsit lasketaan sairaudelle?
Uskottavuusosamäärä x prioritodennäköisyys
39
Miksi konventionaaliset analyysit pitävät TPF ja TNF ensisijaisina tarkkuuden tunnuslukuina?
Koska ne ovat riippumattomia prioritodennäköisyydestä
40
Miksi pelkästään TPF ja TNF käyttö yksittäisinä tunnuslukuina on ongelmallista?
Koska ne riippuu diagnostisesta kriteeristä (joka usein on subjektiivisesti valittu
41
Mistä lähtien ROC analyysia on käytetty?
1950-luvulta
42
Minkä teorian kanssa ROC analyysi ilmestyi 1950 luvulla?
signaalidetektioteorian
43
Miten ROC analyysia käytettiin tutkissa?
erottamaan havainnoijan vaihtelevuus sisäsyntyisestä signaalista
44
Mihin ROC analyysia käytettiin psykologiassa 1950 luvulla?
Yhteyksien päätöksien tekemiseen fyysisen ärsykkeen ja psykologisten kokemusten ominaisuuksista
45
Missä sovellusalalla alettiin käyttämään ROC analyysia 1960 luvulla?
Radiologiassa ja radionuklidi kuvantamisessa
46
Mikä on "separator" scale
Päätöskriteereistä muodostettu vektori
47
Mitä tunnuslukuja käytetään useimmiten tarkastelemaan testin diagnostista tarkkuutta?
1. AUC 2. Partial Area Index 3. TPF_ {FPF}
48
Mitä tarkoittaa "latent" tai ei-havaittavissa oleva muuttuja
Subjektiivisesti määritelty muuttuja
49
Mitä pistettä ROC käyrän tulee lähestyä, jotta se olisi mahdollisimman hyvä?
(0,1)
50
Mitä diagonaaliviiva yksikköneliössä tarkoittaa?
satunnaisen testin ROC-käyrää
51
Mikä on satunnaisen testin ROC käyrän funktio?
f(x)=x Huomaa F(FPF)=FPF, eli kaikki pisteet ovat muotoa (FPF,FPF)
52
Minkälainen on monotonisesti kasvavan uskottavuusosamäärän ROC-käyrä?
konkaavinen
53
Mitä AUC kuvaa?
Kuvaa testin luonnollista validiteettia
54
AUC tiivistää...
ROC-käyrän sijainnin
55
Miten AUC voidaan tulkita?
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
Mitä AUC = 1 tarkoittaa?
Täydellisesti erottavaa testiä
57
Mitä AUC = 0,5 tarkoittaa?
Satunnaisesti erottavaa testiä
58
Mitä AUC = 0 tarkoittaa?
Täydellisesti väärin erottavaa testiä, pitää kääntää
59
Milloin Partial Area Index:iä halutaan käyttää?
Kun kahden testin ROC-käyrät risteävät jossakin pisteessä
60
Voivatko AUC:t olla yhtäsuuret vaikka niiden ROC-käyrät risteävät?
Kyllä
61
Milloin halutaan käyttää TPFfpf testiä?
Kun kahden testin ROC-käyrät risteävät jossakin pisteessä
62
Miten TPFfpf kuvaajasta voidaan nähdä mikä testi on paras?
Se testi, joka saa suurempia arvoja (x= kriteerivektori, y= TPFfpf)
63
Mikä on TPFfpf heikkous?
eri tutkijat voivat antaa eri arvon TPF:lle samalla FPF:n arvolla --> tällöin testejä ei voida vertailla
64
Mitkä ovat ROC-käyrän vahvuudet?
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
Miten tarkastellaan, että mikä piste ROC-käyrällä on lähimpänä pistettä (0,1)?
d^2 = (FNF)^2-(FPF)^2
66
Miten Youdenin indeksi lasketaan?
TPF-FPF = TPF+TNF-1
67
Mikä Youdenin indeksin kaavassa halutaan maksimoida?
TPF+TNF
68
Miten Youdenin indeksi tulkitaan matemaattisesti?
Mikä piste ROC-käyrällä on kauimpana funktiosta f(x)=x
69
Mitkä ovat hypoteesit kun halutaan tietää, erosiko testin tulos sattumasta?
H0: AUC = 0,5 H1: AUC ei yhtäkuin 0,5
70
Mikä on yhden normaaliapproksimoidun AUC tunnusluvun z-testin kaava?
Z= (AUC-AUC0)/SE(AUC)
71
Miten saadaan tietää SE(AUC)
Tilasto-ohjelman avulla
72
Voidaanko laskea AUC:lle luottamusväli
Kyllä
73
Milloin kahden muuttujan kovarianssi on 0
Kun niiden välillä ei ole yhteyttä, eli r = 0
74
Minkälainen testiasetelma on, kun kovarianssi on 0
Mittauskerrat tehdään eri ryhmille, joissa on siis eri henkilöt
75
Minkälainen testiastelma on, kun kovarianssi ei ole 0
Mittauskerrat tehdään samoille henkilöille
76
Mitkä ovat hypoteesit kun verrataan kahden eri testin tarkkuutta?
H0: AUC1 = AUC2 H1: AUC ei ole sama kuin AUC2
77
Miten Cov(AUC1,AUC2) lasketaan?
r*SE(AUC1)SE(AUC2)
78
Miten SE(AUC1-AUC2) lasketaan?
sqrt(Var(AUC1)+Var(AUC2)-2Cov(AUC1,AUC2))
79
"spectrum"
miten tarkoituksenmukainen tapauksien ja kontrollien määrä on
80
Mitkä kaksi heikkoutta liittyvät diagnostisiin tutkimuksiin?
1. " Spectrum" | 2. Vinoumien esiintyvyys
81
Minkälaisia vinoumia diagnostisissa tutkimuksissa esiintyy?
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
Kovariaatti
Tutkittavassa ryhmässä oleva muuttuja / selittävä muuttuja
83
Milloin kovariaatti voi olla sekoittava tekijä?
Kun sillä on yhteyttä sairauden olemassaoloon ja testitulokseen
84
Miten sekoittava tekijä vaikuttaa ROC-käyrään?
Muuttamalla sen sijaintia/muotoa | Johtaa yli- tai alidiagnosointi tarkkuuteen
85
Miten sekoittavien tekijöiden vaikutusta voidaan tutkimusasetelmassa ottaa huomioon?
Rajoitteilla ja ryhmien vertaistamisella sekä tilastollisten menetelmien avulla