gms | German Medical Science

54. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

07. bis 10.09.2009, Essen

Ein nichtparametrischer Ansatz zur ROC-Analyse bei mehrfacher Datenerhebung an jeder Beobachtungseinheit

Meeting Abstract

  • Joachim Gerß - Universität Münster, Münster
  • Michael Püsken - Universität Münster, Münster
  • Boris Buerke - Universität Münster, Münster
  • Johannes Weßling - Universität Münster, Münster

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. 54. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds). Essen, 07.-10.09.2009. Düsseldorf: German Medical Science GMS Publishing House; 2009. Doc09gmds151

doi: 10.3205/09gmds151, urn:nbn:de:0183-09gmds1510

Published: September 2, 2009

© 2009 Gerß et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en). You are free: to Share – to copy, distribute and transmit the work, provided the original author and source are credited.


Outline

Text

Einleitung: In einer ROC-Analyse, in der ein stetiger Prädiktor hinsichtlich seiner diagnostischen Fähigkeit bewertet wird, berechnet man üblicherweise die Fläche unter der ROC-Kurve (AUC) aus der Richtigpositiv- und Falschpositiv-Rate des Prädiktors bei unterschiedlichen Cutoff-Werten. Die Berechnung des Standardfehlers der AUC wird erschwert, wenn die genutzten Daten nicht aus je einer Messung, sondern aus Mehrfachmessungen an jeder Beobachtungseinheit bestehen. In der Literatur werden verschiedene Lösungsansätze des Problems vorgeschlagen. Keiner dieser Ansätze kann jedoch aufgrund z.T. nicht unerheblicher Schwächen als anerkanntes Standardverfahren angesehen werden. So setzt der Ansatz von Gönen und Heller [1] eine spezielle Form der ROC-Kurve voraus, die den empirischen Gegebenheiten in der Praxis nicht immer entspricht. Pepe et al. [2] schlagen einen nichtparametrischen Ansatz vor und gewinnen den Standardfehler der AUC mit Hilfe von Bootstrap-Verfahren. Einem solchen Ansatz ist eine Lösung vorzuziehen, in der der Standardfehler direkt berechnet wird.

Material und Methoden: In der vorliegenden Arbeit wird ein neu entwickeltes Verfahren zur approximativen Berechnung der AUC unter der ROC-Kurve vorgestellt, das als nichtparametrischer Ansatz keine spezielle Form der ROC-Kurve unterstellt [3]. Die gesuchte Fläche wird zunächst mit Hilfe trigonometrischer Argumente auf die Differenz zwischen der Richtigpositiv- und Falschpositiv-Rate des Prädiktors bei unterschiedlichen Cutoff-Werten zurückgeführt. Anschließend werden diese Differenzen als Funktion des Mittelwertes des Prädiktors ausgedrückt. Das Verfahren entwickelt seine volle Leistungsfähigkeit, wenn man in einem ersten Schritt von den Originalwerten des Prädiktors zu deren Rängen übergeht. Es funktioniert im Falle unabhängiger Stichprobendaten und lässt sich relativ leicht auf den Fall vorliegender Mehrfachmessungen an jeder Beobachtungseinheit erweitern.

Ergebnisse: Zunächst wird die Güte des neuartigen Verfahrens anhand simulierter Daten untersucht und belegt. Darüber hinaus erfolgt eine Anwendung auf Echtdaten einer radiologischen Studie. Bei jedem Studienpatienten wurden mehrere Lymphknoten hinsichtlich der Existenz eines Lymphoms bewertet, indem der wirkliche Befall anhand einer PET-Untersuchung ermittelt und als stetiger Prädiktor das RECIST-Kriterium angewandt wurde, d.h. der Durchmesser in längster Ausdehnung.


Literatur

1.
Gönen M, Heller G. Lehmann Family of ROC Curves. Under review. 2007. Available at http://works.bepress.com/mithat_gonen/13 External link
2.
Pepe M, Longton GM, Janes H. Estimation and Comparison of Receiver Operating Characteristic Curves. UW Biostatistics Working Paper Series 2008; Working Paper 323. 2008. Available at http://www.bepress.com/uwbiostat/paper323 External link
3.
Gerß J. A Nonparametric Approach to ROC Analysis for Clustered Data. Submitted to Statistics in Medicine.