Belirteç değerlerinin monoton olmaması durumunda genelleştirilmiş ROC eğrilerinin parametrik ve parametrik olmayan yöntemlerle kestirilmesi ve en iyi kesim noktalarının saptanması

Abstract

Sağlık alanında, düşük veya yüksek değerlerin hastalığın göstergesi olduğu tanı testleri ile sıklıkla karşılaşılır. Monoton bir azalış ya da artış gösteren bu tanı testleri için ROC analizi kullanılır. Ancak, bazı tanı testlerinin hem düşük hem de yüksek değerleri hastalığın göstergesidir. Monoton bir azalış ya da artış göstermeyen bu tanı testleri için genelleştirilmiş ROC (gROC) analizi kullanılmalıdır. Bu amaçla tiroid hastalığını tanılamak için kullanılan, yüksek ve düşük değerleri hastalığın göstergesi olan T4 (Tiroksin) testi ele alınmıştır. gROC analizinde, pozitifliği tanımlamak için alt ve üst kesim noktası olmak üzere iki kesim noktası belirlenir. T4 testinin farklı alt ve üst kesim noktalarında, hastalıklı ve sağlıklı bireylere ilişkin testin yanlış pozitif oranın (1-seçicilik) doğru pozitif oranına (duyarlılık) karşı noktalanması ile gROC eğrisi elde edilir. gROC eğrisi altında kalan alan (gAUC), rastgele ve birbirinden bağımsız olarak seçilen hastalıklı bir bireyle sağlıklı bir bireyin doğru bir sınıflandırma alt kümesinde olma olasılığını verir. gROC eğrisi ve gROC eğrisi altında kalan alan, tanı testinin veri yapısına göre parametrik ve parametrik olmayan yöntemlerle elde edilir. T4 (Tiroksin) testine ilişkin parametrik ve parametrik olmayan yöntemlerle gROC analizi yapılmıştır. Analizler için R programlama dilinde, parametrik yöntemlerde `movieROC` paketi ve parametrik olmayan yöntemlerde `nsROC` paketi ile ilgili fonksiyonlar kullanılmıştır. Hasta veya sağlıklı bireylerin belirteç değerleri, normal dağılıma sahip olmadığında parametrik olmayan yöntemler parametrik yöntemlere göre daha iyi sonuçlar verir. Bu çalışmada, hasta bireylerin T4 testinin dağılımı normal dağılım göstermediği için parametrik olmayan yöntemler daha iyi sonuçlar vermiştir. En iyi kesim noktalarının belirlenmesi için Youden indeksi kullanılmıştır.

In the healthcare field, diagnostic tests are frequently encountered where low or high values are indicative of a disease. The ROC analysis is used for these diagnostic tests that show a monotonous decrease or increase. However, both low and high values of some diagnostic tests are indicative of the disease. The generalized ROC (gROC) analysis should be used for these diagnostic tests that do not show a monotonous decrease or increase. For this purpose, a T4 (Thyroxine) test which is used to diagnose thyroid disease and whose high and low values are indicative of the disease is discussed. In the gROC analysis, two cut-off points, the lower and the upper cut-off point, are determined to define positivity. The gROC curve is obtained by plotting the false-positive rate (1-specificity) versus the true-positive rate (sensitivity) of the test for diseased and healthy individuals at different lower and upper cut-off points of the T4 test. The area under the gROC curve (gAUC) gives the probability that a randomly and independently selected one diseased and one healthy individual are in a correct classification subset. The gROC curve and the area under the gROC curve are obtained by parametric and non-parametric methods according to the data structure of the diagnostic test. The gROC analysis was performed with parametric and non-parametric methods related to the T4 (Thyroxine) test. For the analysis, functions related to the package `movieROC` package in parametric methods and `nsROC` package in non-parametric methods were used in R programming language. When the marker values of patients or healthy individuals do not have a normal distribution, non-parametric methods give better results than parametric methods. In this study, non-parametric methods gave better results because the distribution of the T4 test of the patients did not show a normal distribution. Youden index was used to determine the best cut-off points.