
Eine ROC-Kurve zeichnen und die AUC korrekt berichten
Laden Sie eine Tabelle mit der Zielgröße und den Markern hoch. Yila passt das Modell an, validiert es außerhalb der Trainingsdaten, zeichnet die ROC-Kurve mit der AUC und ihrem Konfidenzintervall und wählt einen begründbaren Cut-off.
Verwenden Sie aus meinen Daten als Prädiktoren einer logistischen Regression zur Vorhersage von , bewerten Sie das Modell mit 5-facher Kreuzvalidierung und zeichnen Sie eine publikationsreife ROC-Kurve mit der AUC und ihrem 95-%-Konfidenzintervall. Vergleichen Sie es mit dem besten einzelnen Marker und geben Sie Sensitivität und Spezifität beim Cut-off nach dem Youden-Index an. Speichern Sie die Abbildung als PNG und SVG, eine Tabelle der Kennzahlen und das Skript.
Öffnet sich in der Yila-Arbeitsumgebung, wo Sie im Gespräch alles anpassen können.
Eine fertige ROC-Analyse
Ein offizieller Durchlauf mit einem offenen diagnostischen Datensatz. Hier sehen Sie die gespeicherte Abbildung; der Download enthält sie zusammen mit der Kennzahlentabelle und dem Python-Skript.

Das erhalten Sie
- ROC-Abbildung
- Die Kurve des Modells neben einer Vergleichskurve und der Zufallslinie, jede AUC mit ihrem 95-%-KI in der Legende und der gewählte Cut-off markiert.
- Kennzahlentabelle
- AUC mit Konfidenzintervall, Cut-off, Sensitivität und Spezifität für jedes Modell sowie Odds Ratios für die Prädiktoren.
- Ehrliche Validierung
- Die Kurve beruht auf Vorhersagen außerhalb der Trainingsdaten, sodass die AUC nicht dadurch geschönt wird, dass das Modell an den Daten getestet wird, an die es angepasst wurde.
- Das Skript
- Die vollständige Analyse in Python (oder auf Wunsch in R), fertig für Ihr Supplement.
So funktioniert es

Tabelle hochladen und Zielgröße nennen
Geben Sie Yila eine CSV- oder Excel-Datei und sagen Sie, was aus welchen Markern vorhergesagt werden soll. Auch ein einzelner Marker ist möglich.

Yila prüft die Daten und plant die Validierung
Yila zählt Fälle und Kontrollen, sucht nach fehlenden Werten und nach Merkmalen auf sehr unterschiedlichen Skalen und legt die Validierung fest, bevor ein Modell angepasst wird.

Kurve, Kennzahlen und Skript erhalten
ROC-Abbildung und Kennzahlentabelle werden gerendert, geprüft und mit dem Skript gespeichert. Eine andere Regel für den Cut-off, ein Bootstrap-KI oder weitere Modelle können Sie im selben Gespräch anfordern.
Geeignet für
Eine Studie zur diagnostischen Genauigkeit
Zeigen Sie, wie gut ein Marker oder Score Fälle von Kontrollen trennt, mit dem Cut-off und der zugehörigen Sensitivität und Spezifität.
Ein Artikel über ein Vorhersagemodell
Vergleichen Sie ein multivariables Modell mit einem einzelnen Marker anhand validierter Vorhersagen statt anhand der Anpassung an die Trainingsdaten.
Ein Kapitel einer Abschlussarbeit über Biomarker
Berichten Sie die Diskriminationsfähigkeit mit Konfidenzintervallen und einem reproduzierbaren Skript, das die Prüfungskommission nachprüfen kann.
Häufige Fragen
Weitere Aufgaben

Datenanalyse-Assistent
Eine CSV/XLSX-Datei hochladen und im Chat Daten prüfen, statistische Auswertungen durchführen und publikationsreife Diagramme erstellen.

Kaplan-Meier-Kurven aus Ihren Follow-up-Daten zeichnen
Laden Sie eine Tabelle mit Nachbeobachtungszeit und Ereignisspalte hoch. Yila zeichnet die Überlebenskurven mit Number at Risk, testet den Unterschied und passt ein Cox-Modell an, samt Skript zur Reproduktion.

Die Table 1 für Ihr Manuskript erstellen
Laden Sie den Datensatz hoch und nennen Sie die Gruppen. Yila prüft die Verteilung jeder Variablen, fasst sie so zusammen, wie Gutachter es erwarten, wählt den Test Zeile für Zeile und speichert eine bearbeitbare Word-Tabelle.
Bewerten Sie Ihren eigenen Marker
Laden Sie die Daten hoch und nennen Sie die Zielgröße. Yila validiert das Modell, zeichnet die Kurve und liefert das Skript mit.
Mit Ihren Daten beginnen