Yila

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.

Vorhersage der Malignität bei 569 Brusttumoren — 1
1 / 1

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

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