很多医学生及医生经常会对诊断实验进行评价，评价诊断试验的常用指标及计算方法都比较容易掌握，但是少有人知道其相应的95%的置信区间的计算方法。我们简单的回顾一下，诊断试验评价的基本方法是用所谓的“金标准”，确诊区分患者和非患者，再应用待评价的方法测定这些研究对象，然后比较两种方法的一致性。

		预测值
		阳性	阴性
实际值	患者	a	b
实际值	非患者	c	d

公式法

评价诊断试验的常用指标主要有灵敏度、特异度、一致率、Youden指数、似然比等，由于灵敏度、特异度、似然比都是率或百分比变量，因此，相应的置信区间可以采用标准的率或百分比的方法来计算。例如，灵敏度 (Sensitivity, Se) 是指真实患者中诊断结果为阳性的概率，反映了正确诊断某种疾病的能力。其标准误和置信区间的计算可按照正态近似法利用率的标准误和置信区间进行。

开源网站实例

具体计算可以用R软件reportROC包实现，今天提供一个小技巧计算置信区间，输入以下链接： http://vassarstats.net/clin1.html#return ，在表格中按照输入a、b、c、d，然后点击calculate，就可以得到灵敏度、特异度、似然比等的95%置信区间。值得注意的是该网站的表格行列与上面常见的表格不一样，需要进行如下转换：

		实际值
		非患者	患者
预测值	阳性	c	a
预测值	阴性	d	b

假设上面表格 a、b、c、d 分别为125、10、25、120，可以得到以下结果，其中红色标记的 Sensitivity、Specificity、Positive、 Negative 分别是指灵敏度、特异度、阳性似然比和阴性似然比的95%置信区，带有[W]的 Positive 和 Negative 表示校正患病率后的似然比。

另外采用如上的灵敏度置信区间公式计算灵敏度的置信区间，得到的灵敏度的置信区为 (0.88, 0.97) ，由于置信区间的计算原理不同，公式法与网站的结果稍有差异，大家使用时注明参考文献即可。

补充

威尔逊置信区间

由于正态区间对于小样本并不可靠，因而，1927年，美国数学家 Edwin Bidwell Wilson提出了一个修正公式，被称为“威尔逊区间”，很好地解决了小样本的准确性问题。

在上面的公式中，^p表示样本的”赞成票比例”，n表示样本的大小，z表示对应某个置信水平的z统计量，这是一个常数，可以通过查前文表得到。一般情况下，在95%的置信水平下，z统计量的值为1.96。
威尔逊置信区间的均值为

下限为：

可以看到：当n的值足够大时，这个下限值会趋向^p。如果n非常小（投票人很少），这个下限值会大大小于p，实际上，起到了降低”赞成票比例”的作用，使得该项目的得分变小、排名下降。
根据离散型随机变量的均值和方差定义：
μ=E(X)=0*(1-p)+1*p=p
σ=D(X)=(0-E(X))2(1-p)+(1-E(X))2p=p2(1-p)+(1-p)2p=p2-p3+p3-2p2+p=p-p2=p(1-p)
因此上面的威尔逊区间公式可以写成：

灵敏度和特异度的置信区间怎么算？相关推荐

影像组学视频学习笔记(25)-查看准确度、灵敏度、特异度及混淆矩阵、Li‘s have a solution and plan.
本笔记来源于B站Up主: 有Li 的影像组学系列教学视频本节(25)主要讲解: 通过sklearn包输出准确度.灵敏度.特异度及混淆矩阵基本概念代码实现 from sklearn.metrics ...
python多分类画混淆矩阵_【AI基础】分类器评估一：混淆矩阵、准确率、精确率、召回率、灵敏度、特异度、误诊率、漏诊率...
混淆矩阵在机器学习中尤其是统计分类中,混淆矩阵(confusion matrix),也被称为错误矩阵(error matrix).之所以叫做混淆矩阵,是因为能够很容易的看到机器学习有没有将样本的类别 ...
Li‘s 影像组学视频学习笔记(25)-查看准确度、灵敏度、特异度及混淆矩阵
本笔记来源于B站Up主: 有Li 的影像组学系列教学视频本节(25)主要讲解: 通过sklearn包输出准确度.灵敏度.特异度及混淆矩阵基本概念代码实现 from sklearn.metrics ...
【深度学习-机器学习】分类度量指标 : 正确率、召回率、灵敏度、特异度，ROC曲线、AUC等
来源于博文:https://blog.csdn.net/tanzuozhev/article/details/79109311 在分类任务中,人们总是喜欢基于错误率来衡量分类器任务的成功程度.错误率指 ...
机器学习评价指标（1）——灵敏度（sensitivity）/查准率/召回率（Recall）/和特异度（Specificity）
1. 敏感性和特异性理想状态:标准或者阈值在分界点实际状况:漏诊和误诊二者择一若选用绿线作为判断标准,则没有误判一个正常人,但是漏掉了部分患者.这种情况下,特异度最高: 特异度(TNR):tru ...
为多模型寻找模型最优参数、多模型交叉验证、可视化、指标计算、多模型对比可视化（系数图、误差图、混淆矩阵、校正曲线、ROC曲线、AUC、Accuracy、特异度、灵敏度、PPV、NPV）、结果数据保存
使用randomsearchcv为多个模型寻找模型最优参数.多模型交叉验证.可视化.指标计算.多模型对比可视化(系数图.误差图.classification_report.混淆矩阵.校正曲线.ROC曲 ...
Python将classification_report的结论转化为字典（dict）形式并提取模型的灵敏度（sensitivity）、特异度（specificity）、PPV和NPV指标、混淆矩阵图
Python将classification_report的结论转化为字典(dict)形式并提取模型的灵敏度(sensitivity).特异度(specificity).PPV和NPV指标.混淆矩阵图 ...
R语言使用lightgbm包构建多分类的LightGBM模型、caret包的confusionMatrix函数输出多分类混淆矩阵（包含：准确率及其置信区、p值、Kappa、特异度、灵敏度等）
R语言使用lightgbm包构建多分类的LightGBM模型.caret包的confusionMatrix函数输出多分类混淆矩阵(包含:准确率及其置信区.p值.Kappa.特异度.灵敏度等) 目录
寻找模型最优参数、多模型交叉验证、可视化、指标计算、多模型对比可视化（系数图、误差图、混淆矩阵、校正曲线、ROC曲线、AUC、Accuracy、特异度、灵敏度、PPV、NPV）
使用randomsearchcv寻找模型最优参数.多模型交叉验证.可视化.指标计算.多模型对比可视化(系数图.误差图.classification_report.混淆矩阵.校正曲线.ROC曲线.AUC ...
ROC/AUC 简易试验最佳截断点混淆矩阵敏感度特异度约登指数各个指标置信区间
ROC/AUC 简易试验最佳截断点敏感度特异度约登召回率混淆矩阵学习链接, 鼠标放这里常规学习下面这个矩阵金标准 + - 模型 + True Positives(TP) False ...

灵敏度和特异度的置信区间怎么算？

公式法

开源网站实例

补充

威尔逊置信区间

灵敏度和特异度的置信区间怎么算？相关推荐

最新文章

热门文章