El análisis de la curva ROC (Receiver Operating Characteristic (ROC) curve analysis is useful for evaluating the performance of diagnostic tests that classify individuals into categories of those with and those without a condition ) es útil para evaluar el rendimiento de las pruebas diagnósticas que clasifican a los individuos en categorías de individuos con una afección y sin ella (Zou et al. 2007; Metz et al. 1978). The data obtained from a diagnostic test will often exist on a scale (i.e. blood pressure, hormone concentration), and a decision will need to be made on whether a certain test value indicates that the condition is present (positive test) or not (negative test). Where this ‘line’ is drawn is termed the decision or positivity threshold. For example, a blood pressure cut-off value for hypertension is 135/80.The choice of a decision threshold will have a large effect on the sensitivity and specificity of a test. While setting a low threshold will result in a large proportion of true positives being correctly identified as positive, it will also decrease the rate of true negatives. In other words, a lower threshold increases sensitivity but decreases specificity. The inverse is also true for high thresholds. As sensitivity and specificity depend on the selection of a decision threshold, ROC analysis is used to plot the sensitivity (y-axis) against 1-specificity (x-axis) as the threshold value changes Los datos obtenidos en una prueba diagnóstica se sitúan a menudo en una escala (por ejemplo, presión arterial, concentración hormonal), y es necesario decidir si un determinado valor de la prueba indica que la afección está presente (prueba positiva) o no (prueba negativa). El punto en el que se traza esta "línea" se denomina umbral de decisión o positividad. Por ejemplo, un valor límite de presión arterial para la hipertensión es 135/80.
La elección de un umbral de decisión tendrá un gran efecto sobre la sensibilidad y la especificidad de una prueba. Si bien un umbral bajo hará que una gran proporción de verdaderos positivos se identifiquen correctamente como positivos, también disminuirá la tasa de verdaderos negativos. En otras palabras, un umbral bajo aumenta la sensibilidad pero disminuye la especificidad. Lo contrario ocurre con los umbrales altos. Como la sensibilidad y la especificidad dependen de la selección de un umbral de decisión, el análisis ROC se utiliza para representar gráficamente la sensibilidad (eje y) frente a la 1-especificidad (eje x) a medida que cambia el valor del umbral (Macaskill et al. 2010). This gives a visual representation of the relationship between sensitivity and specificity of a diagnostic test as the threshold value changes. This can be measured quantitatively by assessing the area under the curve Esto ofrece una representación visual de la relación entre la sensibilidad y la especificidad de una prueba diagnóstica a medida que cambia el valor umbral. Esto puede medirse de manera cuantitativa evaluando el área bajo la curva (AUC) (Hanley and y McNeil. 1982). The AUC for a perfect test is 1.0, and a test with no differentiation between disorder and no disorder has an AUC of 0.5 (Lalkhen and El AUC para una prueba perfecta es de 1,0, y una prueba sin diferenciación entre trastorno y no trastorno tiene un AUC de 0,5 (Lalkhen y McCluskey. 2008).
Figure La Figura 9.1 shows an ROC curve from muestra una curva ROC de Erol et al. 2014 with an con un AUC of de 0.,81 (95%CI 0.80 to 0.IC del 95 %: 0,80 a 0,82).
The diagonal line shows the baseline result of a test with no differential power La línea diagonal muestra el resultado de referencia de una prueba sin potencia diferencial (AUC=0.,5).
Figure Figura 9.1: ROC graph for the use of prostate specific antigen free/total ratios for the diagnosis of prostate cancerGráfico ROC para el uso de los cocientes antígeno prostático específico libre/total para el diagnóstico del cáncer de próstata