ROC eğrisi ve eksiksiz bir hassasiyet / özgüllük raporu oluşturmayı sağlar.
ROC eğrisinde, gerçek pozitif oran (Hassasiyet), bir parametrenin farklı kesme noktaları için yanlış pozitif oranı (100-Özgüllük) işlevinde çizilir. ROC eğrisindeki her nokta belirli bir karar eşiğine karşılık gelen bir duyarlılık / özgüllük çifti temsil eder. ROC eğrisi altındaki alan (AUC), bir parametrenin iki  grubun ne kadar iyi ayırt edilebildiğinin bir ölçüsüdür.
Örneğin iki ayrı tanı üzerinden gidelim. Hastalığa sahip bir popülasyondaki, hastalığı olmayan diğer popülasyondaki belirli bir testin sonuçlarını değerlendirirken, nadiren iki grup arasında mükemmel bir ayrım gözlemlenir. Aslında, test sonuçlarının dağılımı, aşağıdaki şekilde görüldüğü gibi çakışacaktır.

roc_egri1.png

İki popülasyon arasında ayrım yapmak için seçtiğiniz olası her kesme noktası veya kriter değeri için, hastalığın doğru pozitif olarak sınıflandırıldığı bazı durumlar olacaktır (TP = Gerçek Pozitif), ancak hastalığa yakalanmış bazı olgular negatif olarak sınıflandırılacaktır FN = Yanlış Negatif). Öte yandan, hastalığı olmayan bazı vakalar doğru olarak negatif olarak sınıflandırılacaktır (TN = Gerçek Negatif) ancak hastalıksız bazı vakalar pozitif olarak sınıflandırılacaktır (FP = Olumsuz Pozitif).

roc_egri2.png

roc_egri3.png

  • Duyarlılık: Hastalık mevcutken bir test sonucunun pozitif çıkma ihtimali (gerçek pozitif oran yüzde olarak ifade edilir).
    = A / (a ​​+ b)
  • Özgüllük: hastalık mevcut değilken bir test sonucunun negatif olması ihtimali (gerçek negatif oran yüzde olarak ifade edilir).
    = D / (c + d)
  • Pozitif olasılık oranı: Hastalığın varlığı göz önüne alındığında pozitif bir test sonucunun olasılığı ile hastalığın yokluğunda verilen pozitif bir test sonucunun olasılığı arasındaki oran;
    = Gerçek pozitif oran / Yalancı pozitif oranı = Duyarlılık / (1-Özgüllük)
  • Negatif olasılık oranı: Hastalığın varlığı göz önüne alındığında negatif bir test sonucunun olasılığı ile hastalığın bulunmadığı durumda negatif bir test sonucu olasılığı arasındaki oran;
    = Yanlış negatif oranı / Doğru negatif oranı = (1-Hassasiyet) / Özgüllük
  • Pozitif prediktif değer: test pozitif olduğunda hastalığın varlığı olasılığı (yüzdelik olarak ifade edilir).
    = A / (a ​​+ c)
  • Negatif prediktif değer: test negatifken hastalığın bulunma ihtimali (yüzdelik olarak ifade edilir).
    = D / (b + d)

Duyarlılık ve özgüllük, ölçüt değerine karşı

Daha yüksek bir kriter değeri seçtiğinizde yanlış pozitif oranı artan özgüllükle azalır, ancak diğer taraftan gerçek pozitif oranı ve duyarlılık azalır:

roc_egri4.png

Daha düşük bir eşik değeri seçtiğinizde, gerçek pozitif kesir ve hassaslık artacaktır. Öte yandan sahte pozitif fraksiyon da artacak ve bu nedenle gerçek negatif oranı ve özgüllük azalacaktır.

ROC eğrisi

Bir Alıcı Çalışma Karakteristiği( Receiver Operating Characteristic )(ROC) eğrisinde, gerçek pozitif oranı (Hassasiyet), farklı kesme noktaları için yanlış pozitif oranın (100-Özgüllük) fonksiyonunda çizilir. ROC eğrisindeki her nokta belirli bir karar eşiğine karşılık gelen bir duyarlılık / özgüllük çifti temsil eder. Mükemmel ayrımcılıkla (iki dağılımda çakışma olmaz) yapılan bir test, sol üst köşeden geçen bir ROC eğrisine sahiptir (% 100 hassasiyet,% 100 özgüllük). Bu nedenle, ROC eğrisinin sol üst köşeye yaklaştıkça, testin genel doğruluğu artar (Zweig & Campbell, 1993).

roc_egri5.png