灵敏度和特异度的置信区间怎么算?
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 |
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 |
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 ...
最新文章
- 怎么做合格的首席信息主管CIO?
- python selenium 进入新标签页_Python 爬虫 | 用selenium实现批改网的自动翻译
- 使用Ant Design 和Vue,React中后台开发套餐
- [Swift]loadNibNamed方法
- SonarQube 质量配置,设置各个语言默认的扫描规则
- PhoneGap学习笔记(一) 框架搭建
- 【java】java的Jaas授权与鉴权
- CRM系统开发过程中的CRUD模板
- 网站安全之存储型跨站脚本编制
- 标记偏见_人工智能的影响,偏见和可持续性
- java unsafe cas_java并发Unsafe和CAS
- synergy共享屏幕
- 统信系统安装京瓷打印机驱动步骤 针对京瓷系列复合机的UOS操作系统用户使用说明
- 经纬度坐标相互转换度分秒
- R、Rstudio、Rtools的下载与安装
- jDBC连接mysql数据库的5种方式
- MyEclipse出现弹窗提示“当前页面的脚本发生错误”
- 《富爸爸穷爸爸 》 读书笔记
- 微型计算机48MHz辐射超,EMI辐射测试超标 求高手指点
- app如何更换用户头像信息呢?不妨这样做
热门文章
- bootstrap导航栏.nav与.navbar区别
- matlab设置保存图像分辨率_matlab saveas 分辨率
- 杂记(梯度,散度,旋度)// kron函数 //numpy.clip()函数// if __name__ == '__main__'
- c语言语法 英语,英语干货:英语语法基础知识大全
- 2021抖音上热门技巧有哪些?
- Xshell 颜色配置
- 轻松解决vscode官网下载慢问题
- 懂点excel作图, 怎么让pyechart作的图更具“职场范“呢?丨pyechart工作作图模板
- 重新认识JavaScript面向对象: 从ES5到ES6
- 基于layui 下拉多选 三级联动省市区demo