February 19, 2007Circulation2,117 citationsOpen Access
Verwendung und Missbrauch der Receiver Operating Characteristic Curve in der Risikoprognose
View Full Paper
Key Points
- Ziel ist die Bewertung der Angemessenheit und Einschränkungen der Verwendung der c-Statistik, oder der Fläche unter der Receiver Operating Characteristic Curve, zur Bewertung klinischer Modelle, die zukünftige Krankheitsrisiken vorhersagen.
- Bewertung der statistischen Eigenschaften der c-Statistik im Vergleich zur Modellkalibrierung im Kontext der Risikostratifikation von Krankheiten.
- Analyse der Auswirkungen etablierter kardiovaskulärer Risikofaktoren (Lipide, Bluthochdruck, Rauchen) und hypothetischer Biomarker auf individuelle 10-Jahres-Risikoabschätzungen und Behandlungsklassifikationen.
- Starke Risikofaktoren mit einem Odds Ratio von 3 und Standardrisikofaktoren verschieben die c-Statistik nur marginal, obwohl sie die individuellen 10-Jahres-Kardiovaskulärrisikoabschätzungen signifikant verändern (z.B. von 8 % auf 24 %).
- Perfekt kalibrierte Risikomodelle für komplexe Krankheiten erreichen c-Statistikwerte deutlich unter 1.0, was zeigt, dass eine bloße Abhängigkeit von der c-Statistik fälschlicherweise gültige Risikofaktoren aus klinischen Scores ausschließen kann.
Abstract
Die c-Statistik, oder die Fläche unter der Receiver Operating Characteristic (ROC)-Kurve, hat in der diagnostischen Testung an Popularität gewonnen, bei der die Testcharakteristika von Sensitivität und Spezifität relevant sind, um kranke von nicht kranken Patienten zu unterscheiden. Die c-Statistik ist jedoch möglicherweise nicht optimal zur Bewertung von Modellen, die zukünftige Risiken vorhersagen oder Personen in Risikokategorien einteilen. In diesem Kontext ist die Kalibrierung ebenso wichtig für die exakte Risikobewertung. Ein Beispiel: Ein Biomarker mit einem Odds Ratio von 3 kann wenig Einfluss auf die c-Statistik haben, doch ein erhöhter Wert könnte das geschätzte 10-Jahres-Kardiovaskulärrisiko für einen einzelnen Patienten von 8 % auf 24 % verschieben, was unter den aktuellen Richtlinien des Adult Treatment Panel III zu unterschiedlichen Behandlungsempfehlungen führen würde. Akzeptierte Risikofaktoren wie Lipide, Bluthochdruck und Rauchen haben individuell nur einen marginalen Einfluss auf die c-Statistik, führen jedoch zu einer genaueren Reklassifizierung großer Patientengruppen in höhere oder niedrigere Risikokategorien. Perfekt kalibrierte Modelle für komplexe Krankheiten können tatsächlich nur Werte für die c-Statistik erzielen, die weit unter dem theoretischen Maximum von 1 liegen. Der Einsatz der c-Statistik zur Modellauswahl könnte somit naiv etablierte Risikofaktoren aus den kardiovaskulären Risikoprognosescores ausschließen. Mit der Entdeckung neuer Risikofaktoren scheint es daher unklug, sich allein auf die c-Statistik zur Bewertung ihrer Nützlichkeit als Risikopredictoren zu verlassen.