ROC analysis in clinical decision making

Abstract

ROC curve is a graphic presentation of the relationship between both sensitivity and specificity. By the help of curves we can decide the optimal model through determining the best threshold for a diagnostic test. They also provide comparision the success of different tests in correct clinical diagnosis. ROC analysis is an analysis method that will contribute to the process of clinical decision-making when the diagnosis process will take a long time, the cost will be high, special method-equipment and qualified human resources will be needed by determining appropriate cut-off values for indicators that will be determined in short-time, low-cost, and easily obtainable.

Keywords

• true positive, false positive, curve, threshold value

Klinik karar vermede ROC analizi

Öz

ROC eğrisi duyarlılık ve seçicilik arasındaki ilişkinin grafiksel bir gösterimidir. Eğriler yardımı ile bir tanı testi için en iyi eşik değer saptanarak en uygun modele karar verebiliriz. Ayrıca farklı tanı testlerinin doğru klinik tanı koymadaki başarısının karşılaştırılmasına olanak sağlarlar. ROC analizi; tanı sürecinin uzun zaman alacağı, maliyetin yüksek, özel yöntem-ekipman ve nitelikli insan gücüne gereksinim duyulacağı durumlarda; kısa zamanda, düşük maliyetle, kolay elde edilebilen belirteçler için uygun kesim noktalarını belirleyerek klinik karar verme sürecine önemli katkı sağlayacak bir analiz yöntemidir.

Anahtar Kelimeler

• doğru pozitif, yanlış pozitif, eğri, eşik değer

References

1. Mason SJ, Graham NE. Areas beneath the relative operating characteristics (ROC) and relative operating levels (ROL) curves: Statistical significance and interpretation. Quarterly Journal of the Royal Meteorological Society. 2002;128:2145–66.
2. Hayran M, Hayran M. ROC Analizi, Sağlık Araştırmaları İçin Temel İstatistikler. Omega Araştırma Yayınları. Ankara, 2011, 403-416.
3. Hanley JA, McNeil BJ. The Meaning and Use of the Area under a Receiver Operating Characteristic (ROC) Curve. Radiology.1982;143: 29–36.
4. Obuchowski NA. ROC Analysis. American Journal of Roentgenology. 2005;184:364-72.
5. Ratcliff R, McCoon G, Tindall M. Empirical generality of data from recognition memory ROC functions and implications for GMMs. Journal of Experimental Psychology: Learning, Memory, and Cognition.1994;20:763–85.
6. Zhang J; Mueller ST. A note on ROC analysis and non-parametric estimate of sensitivity. Psychometrika. 2005;70:203-12.
7. Swets JA. Indices of Discrimination or Diagnostic Accuracy Signal Detection Theory and Roc Analysis in Psychology and Diagnostics: Collected Papers. Lawrence Erlbaum Associates. 1996, USA, 59-62. Alpar R. Basit Doğrusal Regresyon Çözümlemesi. Spor, Sağlık ve Eğitim Bilimlerinden Örneklerle Uygulamalı İstatistik ve Geçerlik Güvenirlik. Detay Yayıncılık, Ankara, 2010, 338-42.
8. Kirkwood BR, Sterne JAC. Regression Modelling. Medical Statistics. Blackwell Science. 2003. Australia, 432-3.

9. Dawson B, Trapp RG. Statistical Methods for Multiple Variables. Basic & Clinical Biostatistics. Lange Medical Books/McGraw Hill Medical Publishing Division, 2001, USA, 274-76.
10. Pagano M, Gauvreau K. Simple Linear Regression. Principles of Biostatistics . Duxbury Press, 1993, USA, 128-30.
11. Hulley SB, Cummings SR, Browner WS, Grady D, Hearst N, Newman TB. Studies of the Accuracy of Tests.Designing Clinical Research An Epidemiologic Approach. Second Edition. Lippincott Williams&Wilkins, 2001, USA, 181-2. http://calcnet.mth.cmich.edu/org/spss/StaProcROCCurve.htm. Erişim tarihi 15.08.2013.