CURVA ROC

1. Área bajo la curva

1.1. La mayor exactitud diagnóstica de una prueba se traduce en un desplazamiento "hacia arriba y a la izquierda" de la curva ROC. Esto sugiere que el área bajo la curva ROC (ABC) se puede emplear como un índice conveniente de la exactitud global de la prueba

1.2. La exactitud máxima correspondería a un valor de ABC de 1 y la mínima a uno de 0.5 (si fuera menor de 0.5 debería invertirse el criterio de positividad de la prueba).

2. Área parcial

2.1. Son imaginables situaciones en las que las propias características ventajosas del ABC se conviertan en un inconveniente para su uso clínico.

2.2. El ABC puede interpretarse como un promedio de la sensibilidad (especificidad) sobre todos los valores posibles de especificidad (sensibilidad).

2.3. Se han propuesto índices de área parcial que pueden ser empleados para evaluar laexactitud restringida a los puntos de operación de interés de la curva ROC

3. Exactitud diagnóstica: Es muy importante conocer la exactitud de distintas pruebas diagnósticos para clasificar a los pacientes en diferentes estados en una enfermedad. La exactitud diagnóstica se expresa como sensibilidad y especificidad diagnósticas.

3.1. Sensibilidad: Es la probabilidad de clasificar a una persona cuyo estado sea definido como positivo. También es denominada fracción de verdaderos positivos (FVP).

3.2. Especificidad: Probabilidad de clasificar a un individuo cuyo estado sea definido como negativo. Es igual al resultado de restar a uno la fracción de falsos positivos (FFP).

3.3. Prueba dicotómica: Los resultados se interpretan como negativos o positivos.

4. Métodos de cálculo de la curva ROC: La elección del método adecuado depende de varios factores, como tipo de datos, tamaño de la muestra, distribución de datos y precisión deseada.

4.1. Métodos no paramétricos:

4.1.1. Método emperírico: Es el más sencillo, no asume ninguna distribución particular para los datos. Se basa en calcular la sensibilidad y especificidad para cada posible valor de corte y trazar la curva directamente a partir de estos putos. Es adecuado para datos continuos y discretos.

4.1.2. Métodos no paramétricos suavizados: Utilizan técnicas de suavizado; como estimadores de kernel; para obtener una curva ROC más suave que el empírico. Útiles para una representación más precisa de la curva ROC.

4.2. Métodos paramétricos

4.2.1. Método binormal: Asume que los datos de las poblaciones sana y enferma siguen una distribución normal, estima los parámetros de estas distribuciones y calcula la curva ROC teórica. Puede ser menos preciso.

4.2.2. Método semiparamétrico de Metz: Combina los elementos de los métodos paramétricos y no parampetricos, agrupa los datos en categorías y luego aplica un modelo paramétrico para obtener una curva ROC suave.

5. Elección del valor de corte

5.1. El empleo en la práctica médica de una prueba diagnóstica exige la elección de un valor de corte. Para ello es imprescindible un conocimiento detallado de los riesgos y beneficios de las decisiones médicas derivadas del resultado de la prueba. Un enfoque sencillo 3,16, que utiliza la razón de costes de un resultado falso positivo frente a un falso negativo, requiere calcular el coeficiente

6. Curva ROC

6.1. Con los resultados de una prueba dictómica, asumimos que los resultados de una prueba solamente se clasifican en positivo o negativo. Pero hay muchas pruebas médicas que no funcionan así, por ejemplo; un examen de glucosa o una prueba de imagen.

6.2. La curva ROC es una herramienta que usamos para evaluar la exactitud en la que una prueba médica puede distinguir entre las personas sanas y enfermas. En lugar de tener un solo resultado (positivo o negativo); estas pruebas nos dan un número.

6.3. La curva ROC nos muestra como cambia la capacidad de las pruebas para detectar a las personas enfermas (sensibilidad), mientras controla cuántas personas sanas son identificadas errónamente como enfermas (FP)

6.4. Para decidir si alguien esta enfermo o sano, necesitamos fijar un límite (valor de corte); si el resultado esta por encima de ese límite, podemos decir que la persona esta enferma. La curva ROC nos ayuda a entender que tan exacto es ese límite. Al cambiar ese límite, podemos obtener diferentes combinaciones de sensibilidad y especificidad.

6.5. La curva ROC nos muestra todas esas combinaciones posibles y cuanto más cerca esté de la esquina superior izquierda, la prueba será más exacta.

7. Comparación de dos pruebas

7.1. En principio, al comparar dos pruebas preferiremos la que tenga mayor ABC, por ser la de mayor exactitud diagnóstica de las dos.

7.2. Desde un punto de vista estadístico el problema es valorar si la diferencia observada entre las ABC calculadas para dos pruebas distintas es debida a la variabilidad inherente al muestreo o es más bien atribuible a una diferencia real en la exactitud de ambas pruebas.