ROC-Kurven-Regressionanalyse: Die Verwendung ordinaler Regressionsmodelle zur Bewertung diagnostischer Tests.

Diagnosetests zeichnen sich üblicherweise durch ihre positiven (Sensitivität) und negativen (Spezifität) Klassifikationsraten aus, die auf einer einzigen Entscheidungsgrenze beruhen, um ein Testergebnis als positiv zu klassifizieren. Eine vollständigere Beschreibung der Testgenauigkeit wird durch die Receiver Operating Characteristic (ROC)-Kurve gegeben, einem Graphen der falschen positiven und echten positiven Raten, die erhalten werden, wenn die Entscheidungsgrenze variiert wird. Eine generalisierte Regressionsmethodik, die eine Klasse von ordinalen Regressionsmodellen verwendet, um geglättete ROC-Kurven zu schätzen, wurde beschrieben. Daten aus einer multizentrischen Studie, die die Genauigkeit der Magnetresonanztomographie (MRT) im Vergleich zur Computertomographie (CT) beim Nachweis von Lebermetastasen untersucht, die sich ideal für die ROC-Regressionanalyse eignen, werden beschrieben. Das allgemeine Regressionsmodell wird eingeführt und eine Schätzung für die Fläche unter der ROC-Kurve und ihren Standardfehler unter Verwendung der Parameter des ordinalen Regressionsmodells gegeben. Eine Analyse der Leberdaten, die den Nutzen der Methodik zur sparsamen Anpassung von Vergleichen für Kovariaten hervorhebt, wird präsentiert.