
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。

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
関連するタスク

データ分析アシスタント
CSV/XLSX をアップロードし、会話でデータの確認、研究用の統計分析、論文に使えるグラフの作成を行います。

追跡データから Kaplan–Meier 生存曲線を作成
追跡期間とイベントの列を含む表をアップロードしてください。Yila が number at risk を添えた生存曲線を描き、群間の差を検定して Cox モデルを当てはめます。再現用のスクリプトも付きます。

原稿に載せる Table 1 を作成
データセットをアップロードして群を指定してください。Yila が変数ごとに分布を確認し、査読者が期待する形で要約して行ごとに検定を選び、編集できる Word の表として保存します。
