12. 临床诊断试验评价

Dr_long1996

已于 2023-06-05 19:15:01 修改

阅读量1.2k

点赞数 1

分类专栏：临床统计分析 R语言文章标签： r语言

于 2023-05-24 10:44:10 首次发布

本文链接：https://blog.csdn.net/Dr_long1996/article/details/130835725

版权

R语言同时被 2 个专栏收录

16 篇文章 16 订阅

订阅专栏

临床统计分析

13 篇文章 3 订阅

订阅专栏

1.二分类结果的评价指标

2.ROC及曲线下面积

1.二分类结果的评价指标

基本概念：

灵敏度：指患者检测结果为阳性的百分率，为真阳性率。

$\textup{sensitivity}=\frac{a}{a+c}$

特异度：未患病的人检出为阴性的百分率，为真阴性率。

$特异度=\frac{d}{b+d}$

阳性预测值（positive predictive value）：指在检测结果中为阳性的情况下受试者患病的比例。

$阳性预测值=\frac{a}{a+b}$

阴性预测值（negative predictive value）：指在检测结果中为阴性的情况下受试者不患病的比例。

$阴性预测值=\frac{d}{d+c}$

预测值受患病率的影响，患病率越低，阳性预测值越低，阴性预测值越高。灵敏度和特异度不受患病率的影响，但是受到疾病严重程度影响。

一项研究中100名患病，100名不患病，某一检测的灵敏度为80%，特异度为90%。

table1=as.table(cbind(c(80,20),c(10,90)))
dimnames(table1)=list("检测结果"=c("阳性","阴性"),"金标准"=c("有病","无病"))
table1
mosaicplot(t(table1),col=c("red","white"),main="")

灵敏度为左侧红色部分的相对高度，特异度为右侧白色部分的相对高度。阳性预测值是左侧红色占所有红色部分的比例。阴性预测值为右侧白色占所有白色的比例。

真实中的患病率比较低，比如患病率为5%，调查社区2000人，有100人患病，1900人不患病，灵敏度为80%，特异度 90%，则a=80，b=190，c=20，d=1710

table2=as.table(cbind(c(80,20),c(190,1710)))
dimnames(table2)=list("检测结果"=c("阳性","阴性"),"金标准"=c("有病","无病"))
table2
mosaicplot(t(table2),col=c("red","white"),main="")

阳性预测值明显降低，阴性预测值升高，所以罕见病进行临床诊断必须要谨慎。

综合评价指标：

1.正确率：检测结果与金标准符合的程度

$正确率=\frac{a+d}{a+b+c+d}$

虽然正确率能反映一项诊断试验能区分患者与非患者的能力，但是很大程度受限于人群患病率。患病率较低时，仍然可以有较高的正确率。

2.约登指数

$约登指数=灵敏度+特异度-1$

约登指数值在-1到1之间，其值越大表明诊断的真实性越好，为负值时，诊断试验没有任何临床价值。

3.似然比：患者与非患者中出现某种检验结果的概率比

$阳性似然比=\frac{灵敏度}{1-特异度}=\frac{\frac{a}{a+c}}{\frac{b}{b+d}}$

$阴性似然比=\frac{1-灵敏度}{特异度}=\frac{\frac{c}{a+c}}{\frac{d}{b+d}}$

似然比等于1说明在患者和非患者中得到该检验结果的概率时相同的，那么该检验无诊断价值，似然比离1越远表明根据该检验结果进行诊断的准确性越高。

2.ROC及曲线下面积

ROC曲线：以真阳性率（灵敏度）为纵坐标，以假阳性率（误诊率）为横坐标所绘制的曲线。

数据包含113例蛛网膜下腔出血患者的检测数据和预后。

1.求解曲线下面积

rm(list=ls())
library(pROC)
data(aSAH)
attr(aSAH,"var.labels") <- c("6个月格拉斯哥评分","结局","性别","年龄","入院时的wfns评分","诊断试验指标","血清指标")
library(epiDisplay)
des(aSAH)
str(aSAH)
roc1 <- roc(outcome~s100b,data=aSAH)#创建一个roc对象
attributes(roc1)#内容包括了敏感度，特异度，auc等等
roc1$auc

2.绘制ROC曲线

plot(1-roc1$specificities,roc1$sensitivities,type = "l",lwd=2)
#或pROC包中的plot.roc
plot.roc(roc1,print.auc = TRUE,auc.polygon = TRUE,
         grid = c(0.1,0.2),grid.col = c("green","red"),
         auc.polygon.col = "lightblue",print.thres = TRUE)
#print.auc是否显示曲线下面积，auc.polygon是否显示曲线下区域，
#auc，polygon.col曲线下区域颜色，print.thres是否挑选一组阈值显示，TURE：显示灵敏度+特异度最高的值，约登指数

3.选择合适的截断点

（1）找到约登指数最大的点

roc2 <-data.frame(threshold=roc1$thresholds,
                  sensitivity=roc1$sensitivities,
                  specificity=roc1$specificities)
#thresholds是截断点
roc2$youden <- roc2$sensitivity+roc2$specificity-1
roc2
which.max(roc2$youden)
roc2[18,]

（2）利用coord函数计算出最大值

coords(roc1,"best",transpose=F)
coords(roc1,"best",best.method="closest.topleft",transepose=F)

不指定best.method的时候默认为约登指数，closest topleft为左上角对应的截点值。

4.ROC曲线下面积的置信区间

使用函数ci.auc()求得：

ci.auc(roc1$auc)

95% CI: 0.6301-0.8326 (DeLong)可以见通过Delong法求得置信区间不包括0.5，具有统计学差异。

5.两个ROC的比较

比较上述题目中两种血清学检测s100b和ndka与结局指标之间的诊断效果

roc1 <- roc(outcome~s100b,data=aSAH)
roc2 <- roc(outcome~ndka,data=aSAH)
roc.test(roc1,roc2)
roc.test(roc1,roc2,method="venkatraman")

默认的Delong非参数检验法，还可以选择Venkatraman回归模型法，bootstrap法。

注意：roc.test（）默认进行两组相关检测结果的AUC比较，对于两组独立的诊断试验的比较，只需要将函数的参数paired设为FALSE。

plot.roc(roc1)
lines(roc2,col="red")
test <- roc.test(roc1,roc2)
text(0.5,0.5,labels=paste("p-value=",round(test$p.value,3)))
legend("bottomright",legend = c("s100b","ndka"),col=c("black","red"),lwd=2)

6.logistic回归的ROC曲线

二分类logistic回归模型可以得到结局事件的预测模型，从而判断结局事件是否发生。

案例：自发流产和人工流产与不孕事件发生风险：

data(infert)
str(infert)
attach(infert)
fit <- glm(case~induced+spontaneous,family=binomial,data=infert)
summary(fit)
library(epiDisplay)
logistic.display(fit)
lroc(fit,line.col = "red",lwd=2)

模型的AUC约为0.729，预测的准确性一般