风险预测模型 ROC 曲线下面积的解读
定量方法
2021-02-23 v1
摘要
受试者工作特征曲线（ROC）下的面积（AUC）用于评估患者与非患者或判别能力之间的分离度。对于风险预测模型，这些风险分布可由人群风险分布导出，因此并不像诊断中那样独立。基于底层人群风险分布的 ROC 曲线 AUC 公式阐明了判别能力在数学上的定义，并且等效 c 统计量的生成实现了对该公式的蒙特卡洛积分。针对若干连续风险分布，给出了 ROC 曲线 AUC 与重叠度量的精确解析公式或数值结果，并展示了它们对其标准差的线性或近似线性依赖。ROC 曲线 AUC 还被证明高度依赖于平均人群风险，这一点区别于诊断试验中对疾病患病率的独立性。判别能力的反面对应于重叠，已由重叠度量加以量化，其似乎提供了等价信息。由于获得更宽的人群风险分布是面向临床风险分层的的风险预测建模之目标，在比较风险预测模型时，将 ROC 曲线 AUC 解读为离散程度而非判别能力的度量可能更为贴切。
引用
@article{arxiv.2102.11053,
title = {Interpretation of the Area Under the ROC Curve for Risk Prediction Models},
author = {Ralph H. Stern},
journal= {arXiv preprint arXiv:2102.11053},
year = {2021}
}