Ein typischer Diagnosetest hat zwei Ergebnisse: positiv oder negativ mit dem Ziel, Probanden basierend auf einem „Goldstandard“ oder einem bekannten Ergebnis richtig zu klassifizieren. Diese Diagnosetests verfügen über spezifische Leistungsmessungen, mit denen der klinische Wert eines Tests bewertet wird. Zwei grundlegende Maßnahmen für einen diagnostischen Test sind Sensitivität und Spezifität. Die Sensitivität ist der Prozentsatz der Probanden, die durch Ihren Test positiv getestet wurden, und die Spezifität ist der Prozentsatz der negativen Probanden, die durch Ihren Test negativ getestet wurden. Es gibt auch weitere interessierende Maßnahmen, die in den FDAs beschrieben sind Statistische Anleitung zur Berichterstellung von Ergebnissen aus Studien zur Bewertung diagnostischer Tests . Diese Leistungsmaße basieren auf der 2x2-Kontingenztabelle der Wahrheit (dh Diagnose durch einen bekannten Standard - häufig invasiv) - und das Testergebnis.
Betrachten wir zum Beispiel ein Beispiel aus Zhou et. al. ( Statistische Methoden in der diagnostischen Medizin , Wiley 2002).
Unsere Datentabelle hat zwei interessierende Spalten: "Wahrheit" und "Testergebnis". Wir können eine Kontingenztabelle (siehe unten) erhalten, indem Sie die Plattform "Plattform für Y durch X" mit Y = Wahrheit und X = Testergebnis verwenden. Anhand dieser Kontingenztabelle können wir unsere Leistungsmaße erfassen.
Erinnern wir uns daran, dass die Sensitivität der Anteil wahrer Positiver ist, die bei unserem Test positiv sind. In unserem Beispiel sind dies 29/30 oder der Col% -Wert von 96,67 aus unserer Tabelle. Ein weiteres Leistungsmaß ist der negative Vorhersagewert (NPV). Der Kapitalwert ist der Anteil der Probanden, die negativ testen, die wirklich negativ sind. In unserem Beispiel beträgt der Kapitalwert 11/12 oder die Reihen-% von 91,67. Wenn Sie also wissen, wo Sie suchen müssen, befinden sich unsere diagnostischen Leistungsergebnisse in unserer Kontingenztabelle. Ihre Vertrauensintervalle fehlen jedoch. Um zu den Konfidenzintervallen zu gelangen, können wir die Vertriebsplattform verwenden, solange wir für jede Leistungskennzahl die richtige Teilmenge der Probanden verwenden. Die Empfindlichkeit basiert auf wahren Positiven. NPV auf diejenigen, die negativ testen, und so weiter.
Da ich regelmäßig Leistungskennzahlen benötigte und diese in einem klaren Format mit anderen teilen wollte, wandte ich mich an JSL. Jetzt die JMP-Add-In "Leistungsmessungen" enthält alle zusammenfassenden Statistiken, die ich für einen Diagnosetest an einem Ort benötige. Wenn Sie das Add-In aufrufen, wird ein Dialogfeld angezeigt, in dem Sie die Diagnosespalte (dh das tatsächliche Ergebnis) und die Testergebnisspalte (dh das Testergebnis) eingeben können. Wenn Sie eine Gruppierungsspalte haben, können Sie dies tun benutze das auch. In diesem Dialogfeld können Sie auch das Signifikanzniveau (für Ihre Konfidenzintervalle) festlegen.
Als nächstes werden Sie aufgefordert, die Stufen anzugeben, die einem positiven Test entsprechen. Wenn Sie möchten, dass Ihre 2x2-Tabelle im "Standard" -Format der oberen linken Zelle als positive / positive Zelle ist, müssen Sie Ihre Spalteneigenschaften "Wertereihenfolge" verwenden, um die positiven Ergebnisse als oberste Ebene festzulegen Wert für jede Ihrer Spalten.
Die resultierende Ausgabe lautet wie folgt:
Die Ausgabe wurde in Bezug auf das erstellt, was ich am häufigsten benötigte: die 2x2-Tabelle der Zählungen und die Tabelle der Leistungsmessungen mit Vertrauensintervallen. Ich habe eine Grafik in meiner Ausgabe beibehalten, um den Geist der grafisch orientierten JMP-Plattformen beizubehalten. Das Skript verwendet die kategoriale Modellierungsplattform zum Abrufen der 2x2-Tabelle und des Frequenzdiagramms und referenziert dann die Werte in der 2x2-Tabelle, um die Tabelle mit den Leistungskennzahlen zu generieren. Die Konfidenzintervalle sind Score-Konfidenzintervalle mit Ausnahme derjenigen für die Wahrscheinlichkeitsverhältnisse, die auf der im Artikel beschriebenen Methode basieren: "Wahrscheinlichkeitsverhältnisse mit Sicherheit: Abschätzung der Stichprobengröße für diagnostische Teststudien." J Clin Epidemiol . 1991; 44 (8): 763–70. Simel DL, Samsa GP, Matchar DB.
Das Leistungskennzahlskript ist als Teil von verfügbar Add-In „Medizinische Diagnosetools“ im JMP File Exchange (Download erfordert ein kostenloses SAS-Login). Bisher verfügt dieses Toolkit über zwei Tools: das oben beschriebene und ein zweites Tool, das Vertrauensintervalle für die AUC aus einer ROC-Kurve berechnet.
Thomas Passler schrieb:
Ich habe versucht, das medizinische Diagnosetool zu finden, das Sie in diesem Blog beschrieben haben, aber es scheint aus der Datenbank entfernt worden zu sein. Hast du irgendwelche Vorschläge? Vielen Dank
Hallo. Funktionieren diese Add-Ins mit JMP Pro 14? Vielen Dank, Bill
Hallo Bill,
Solange Sie die neueste Version haben (aktualisiert in 2016), sollte sie einwandfrei funktionieren (funktioniert für mich). Möglicherweise finden Sie auch das interessierende Add-In Exploring Model Classification. Es beinhaltet das obige Tool sowie einige interaktive Grafiken.
Blog und Links zu Add-In
https://community.jmp.com/t5/JMP-Add-Ins/Exploring-Model-Classification-Thresholds/ta-p/66964
Entdecken Sie das Gespräch mit der Demo
https://community.jmp.com/t5/Discovery-Summit-2018/Beyond-ROC-Curves-Finding-Meaning-and-Balancing-Trade-Offs-US/ta-p/73708
Karen
