Yila

ROC 曲線を描き、AUC を正しく報告

アウトカムとマーカーを含む表をアップロードしてください。Yila がモデルを当てはめてサンプル外で検証し、AUC とその信頼区間を示した ROC 曲線を描いて、根拠を説明できるカットオフ値を選びます。

アップロードしたデータで、からを予測するロジスティック回帰モデルを当てはめてください。5 分割交差検証で評価し、AUC とその 95% 信頼区間を示した ROC 曲線を、論文にそのまま使える形で描いてください。さらに、最も性能のよい単一のマーカーと比較し、Youden 指数によるカットオフ値での感度と特異度を報告してください。図は PNG と SVG で保存し、評価指標の表とスクリプトも保存してください。

Yila のワークベンチで開きます。会話の中でいつでも調整できます。

完成した ROC 解析

公開されている診断データセットで実行した公式の作例です。下の図は実行時に保存されたもので、ダウンロードにはこの図と評価指標の表、Python スクリプトが含まれます。

乳房腫瘍 569 例における悪性の予測 — 1
1 / 1

得られるもの

ROC 曲線の図
モデルの曲線を、比較対象の曲線と偶然の水準を示す対角線とともに描きます。凡例にそれぞれの AUC と 95% CI を示し、選んだカットオフ値に印を付けます。
評価指標の表
すべてのモデルについて、信頼区間付きの AUC、カットオフ値、感度、特異度をまとめ、予測因子のオッズ比も示します。
AUC を過大評価しない検証
曲線はサンプル外の予測値から描くので、モデルを当てはめたデータでそのまま評価することによって AUC が水増しされることはありません。
解析スクリプト
解析全体を Python(ご希望なら R)で記述しているので、そのまま補足資料に含められます。

進め方

表をアップロードしてアウトカムを指定

CSV または Excel ファイルを Yila に渡し、何を、どのマーカーから予測するかを伝えます。マーカー 1 つだけの評価もできます。

Yila がデータを確認して検証方法を計画

症例と対照の数を数え、欠測値や、尺度が大きく異なる特徴量がないかを確認して、モデルを当てはめる前に検証の方法を決めます。

曲線・数値・スクリプトが完成

ROC 曲線の図と評価指標の表を描画して確認し、スクリプトとともに保存します。別のカットオフ値の決め方、別の方法で求めた CI、モデルの追加が必要なときは、同じ会話の中で依頼してください。

主な用途

診断精度研究

マーカーやスコアが症例と対照をどの程度識別できるかを、カットオフ値とその感度・特異度とともに示せます。

予測モデルの論文

学習データへの当てはまりではなく、検証した予測値にもとづいて、多変量モデルと単一のマーカーを比較できます。

バイオマーカー研究の学位論文の 1 章

信頼区間付きの識別能と、審査委員会が確認できる再現可能なスクリプトを報告できます。

よくある質問

お手元のマーカーを評価

データをアップロードしてアウトカムを指定してください。Yila がモデルを検証して曲線を描き、スクリプトも残します。

データをアップロードして始める