Kısa Cevap
ROC eğrisi, bir tanı testinin tüm olası eşik değerlerinde duyarlılık (gerçek pozitif oranı) ile 1 eksi özgüllük (yanlış pozitif oranı) arasındaki ilişkiyi gösteren grafiktir; AUC ise bu eğrinin altında kalan alandır ve testin genel ayırt etme gücünü 0,5 (rastgele) ile 1,0 (kusursuz) arasında tek bir sayıyla özetler. ROC analizi, sürekli ya da sıralı bir ölçümün ikili bir sonucu (hasta, sağlıklı) ne kadar iyi ayırdığını değerlendirmek ve en uygun eşik değeri seçmek için kullanılır. AUC için kabaca 0,90 üstü mükemmel, 0,80 ile 0,90 arası iyi, 0,70 ile 0,80 arası kabul edilebilir yorumu yapılır, ancak değer mutlaka 95 güven aralığıyla birlikte raporlanmalıdır. En sık yapılan hata, ROC'un size en iyi eşiği otomatik verdiğini sanmaktır; eşik klinik bağlama göre seçilir (örneğin yanlış negatifin tehlikeli olduğu taramalarda duyarlılık önceliklendirilir) ve iki testin AUC'sini karşılaştırırken Youden index yerine DeLong testi gibi doğru yöntem kullanılmalıdır.
Serteser Danışmanlık, hakemli yayını ve PROSPERO kayıtlı sistematik derlemeleri olan bir biyomedikal mühendis (BME MSc) tarafından yürütülür; ROC eğrisi ve AUC ile tanısal doğruluk analizinin de içinde olduğu tez, makale ve klinik araştırma istatistiğini SPSS, R ve Python ile makaleye hazır ve jüri/hakem önünde savunulabilir biçimde tasarlar ve yürütür.
Yeni geliştirdiğiniz bir biyomarker ile hastalığı tespit etmeye çalışıyorsunuz. Hangi eşik değerin üzerinde "pozitif" diyeceğinize nasıl karar vereceksiniz? Duyarlılık mı daha önemli, özgüllük mü? İşte ROC analizi tam bu soruları yanıtlar.
ROC Eğrisi Nedir?
ROC (Receiver Operating Characteristic) eğrisi, bir tanı testinin farklı eşik değerleri için duyarlılık (sensitivity) ve 1-özgüllük (1-specificity) değerlerini gösteren grafiktir.
- Duyarlılık (Sensitivity): Hasta olanların doğru tespit edilme oranı (True Positive Rate)
- Özgüllük (Specificity): Sağlıklı olanların doğru tespit edilme oranı
- 1-Özgüllük: False Positive Rate (yatay eksen)
Eğri sol üst köşeye ne kadar yakınsa test o kadar iyidir. Köşegen çizgi (y=x) rastgele tahmin gücünü temsil eder.
AUC Nedir ve Nasıl Yorumlanır?
AUC (Area Under the Curve); eğrinin altındaki alan; testin genel tanısal performansını özetleyen tek bir sayıdır.
| AUC Değeri | Yorum |
|---|---|
| 0.90 – 1.00 | Mükemmel |
| 0.80 – 0.90 | İyi |
| 0.70 – 0.80 | Kabul edilebilir |
| 0.60 – 0.70 | Zayıf |
| 0.50 – 0.60 | Başarısız (rastgele tahmin) |
AUC'nin güven aralığı mutlaka raporlanmalıdır. 0.72 (95% CI: 0.64–0.81) gibi.
Eşik Değer Nasıl Seçilir?
ROC eğrisi size en iyi eşik değeri otomatik vermez; klinik bağlama göre seçim yapmanız gerekir.
Youden Index: Duyarlılık + Özgüllük - 1'i maksimize eden nokta. En sık kullanılan matematiksel kriterdir.
Klinik öncelik: Eğer yanlış negatif (hasta olanı atlamak) yanlış pozitiften daha tehlikeliyse, duyarlılığı yüksek tutun; özgüllükten biraz fedakârlık yapın. Kanser taramasında bu mantık geçerlidir.
Maliyet analizi: Bazı durumlarda yanlış pozitifin maliyeti (gereksiz biyopsi, hasta kaygısı) göz önüne alınarak eşik belirlenir.
SPSS ile ROC Analizi
Koordinat tablosundan Youden Index'i manuel hesaplayabilirsiniz: Her satır için (Sensitivity + Specificity - 1) değeri en yüksek olan eşiği seçin.
İki ROC Eğrisini Karşılaştırma
İki farklı testin tanısal performansını karşılaştırmak istiyorsanız DeLong yöntemi kullanılır. SPSS bunu doğrudan desteklemez; R'daki pROC paketi bu analiz için idealdir.
ROC analizi içeren çalışmanız için ücretsiz görüşme talep edin.
Bu Analizde En Çok Nerede Takılınır?
- AUC 0.72 çıktı ama bu "iyi" mi "kabul edilebilir" mi, klinik bağlamda ne anlama geldiğini yazamıyorsunuz.
- İki testi karşılaştırmanız gerekiyor ama DeLong testi SPSS'te yok, R'a geçemiyorsunuz.
- Eşik değer seçimi klinik gerekçeyle yapılmalı ama Youden index dışında bir şey bilmiyorsunuz.