Anwendung: Vergleich der diagnostischen Güte Tumormarker Bronchialkarzinom: AUC

Größe: px

Ab Seite anzeigen:

Download "Anwendung: Vergleich der diagnostischen Güte Tumormarker Bronchialkarzinom: AUC"

Gerburg Fleischer
vor 6 Jahren
Abrufe

1 Anwendung: Vergleich der diagnostischen Güte Tumormarker Bronchialkarzinom: AUC ROC curve for CYFRA21_1 Area under the ROC curve = 0,860 Standard error = 0,018 95% Confidence interval = 0,822 to 0,892 ROC curve for Area under the ROC curve = 0,785 Standard error = 0,022 95% Confidence interval = 0,742 to 0,824 ROC curve for NSE Area under the ROC curve = 0,754 Standard error = 0,024 95% Confidence interval = 0,709 to 0, BB-Life Seminar 76

2 Anwendung: Vergleich der diagnostischen Güte Tumormarker Bronchialkarzinom: AUC Pairwise comparison of ROC curves CYFRA21_1 Difference between areas = 0,075 Standard error = 0,026 95% Confidence interval = 0,024 to 0,125 Significance level P = 0,004 CYFRA21_1 NSE Difference between areas = 0,106 Standard error = 0,028 95% Confidence interval = 0,050 to 0,162 Significance level P = 0,000 AUC: Unterschied Cyfra21-1 vs. NSE, vs. NSE Difference between areas = 0,031 Standard error = 0,031 95% Confidence interval = -0,029 to 0,092 Significance level P = 0, BB-Life Seminar 77

3 Bsp.: Tumormarker Bronchialkarzinom: Sens klinisch relevanter Bereich: hohe Spezifität Vergleich der Sensitivität bei gleicher Spezifität (95%) BB-Life Seminar 78

4 Vergleich mittels Sensitivität bei gleicher Spezifität Schritte: 1. Festlegen des Vergleichslevels (z.b. 95% Spezifität) 2. Ermittlung des Cut-Off 3. Berechnen der T+, T- für beide Tests 4. Aufstellen von zwei 2x2-Felder-Tafeln: D+ Test2 T+ T- Test1 T+ T++ T+- T- T-+ T-- sens1 D- Test2 T+ T- Test1 T+ T++ T+- T- T-+ T-- spec1 sens2 spec2 5. McNemar-Test für D+: Vergleich von T+- und T-+ 6. oder Berechnen des Konfidenzintervals von rtpf=tpf 1 /TPF 2

5 Vergleich mittels Sensitivität bei gleicher Spezifität Schritte: 1. Festlegen des Vergleichslevels (z.b. 95% Spezifität) 2. Ermittlung der zugehörigen Cut-Off-Werte

6 Vergleich mittels Sensitivität bei gleicher Spezifität Schritte: 1. Festlegen des Vergleichslevels (z.b. 95% Spezifität) 2. Ermittlung der zugehörigen Cut-Off-Werte Cyfra 21-1

7 Vergleich mittels Sensitivität bei gleicher Spezifität Schritte: 1. Festlegen des Vergleichslevels (z.b. 95% Spezifität) 2. Ermittlung der zugehörigen Cut-Off-Werte 3. Berechnen der T+, T- für beide Tests 4. Aufstellen von zwei 2x2-Felder-Tafeln: Cyfra 21-1 D+ T- T+ N N T T Cyfra 21-1 D- T- T+ N N T T >49, Signifikanz? 4~5, wegen gleicher Spec (= nicht immer exakt erreichbar)

8 Vergleich mittels Sensitivität bei gleicher Spezifität 58>49, Signifikanz? 1. McNemar-Test: (hier: Software Medcalc)

9 Vergleich mittels Sensitivität bei gleicher Spezifität 58>49, Signifikanz? 1. McNemar-Test: (hier: Software Medcalc) 2. Berechnen von rtpf = (83+58)/(83+49)=1,07 95%-Konfidenzintervall: 0,921 1,24. 1 ist enthalten rtpf unterscheidet sich nicht von 1. Schlussfolgerung: Es lässt sich kein Unterschied der Sensitivität von Cyfra21-1 und bei 95% Spezifität nachweisen!

10 Maße zum Vergleich von Sens und Spec Gegeben zwei Tests Test A und Test B rtpf = TPF A /TPF B, rfpf = FPF A /FPF B TPF = true positive fraction = Sensitivität FPF = false positive fraction = 1-Spezifität Konfidenzintervalle aus: var(log(rtpf(a,b)=1/n D+ (TPF A +TPF B -2TPPF)/TPF A TPF B var(log(rfpf(a,b)=1/n D- (FPF A +FPF B -2FPPF)/FPF A FPF B mit TPPF, FPPF: Anteil der Fälle mit positivem Testergebnis für beide Tests

11 Einschub für Statistiker rtpf und rfpf lassen sich mittels 2 GLM (Verallgemeinerten Linearen Modellen) berechnen: model testresult = test / link=log dist=bin repeated subject=patid mit testresult = postitive, negative test = test1, test2 repeated statement: je Fall (=patid) 2 Ergebnisse (test1, test2) exp(estimate) = rtpf bzw. rfpf Vorteil: Der Einfluss von Kovariaten (z.b. Altersgruppe, Krankheitsstadium) lässt sich so einfach mitbestimmen. model testresult = test covariate /link=log dist=bin repeated subject=patid

12 Zur Erinnerung: anderes Resultat via ROC Analyse Pairwise comparison of ROC curves CYFRA21_1 Difference between areas = 0,075 Standard error = 0,026 95% Confidence interval = 0,024 to 0,125 Significance level P = 0,004 CYFRA21_1 NSE Difference between areas = 0,106 Standard error = 0,028 95% Confidence interval = 0,050 to 0,162 Significance level P = 0,000 AUC: Unterschied Cyfra21-1 vs. NSE Difference between areas = 0,031 Standard error = 0,031 95% Confidence interval = -0,029 to 0,092 Significance level P = 0, BB-Life Seminar 87

13 Maße für Vergleiche von diagnostischen Güten rtpf und rfpf sind die adäquaten Maße, um diagnostische Güten zu vergleichen. Sie beziehen sich auf das binäre Outcome der Tests. Das binäre Testergebnis (Sens, Spec o.a. Paar) spiegelt die klinische Anwendungssituation wider und ist das relevante Ergebnis. Zulassungsbehörden (FDA) verlangen binäres Outcome als Nachweis der diagnostischen Güte. ROC-Analyse kann zusätzlich berichtet werden, um z.b. Charakteristika des Test zu beschreiben Dr. Th. Keller, ACOMED statistik 88

Ähnliche Dokumente

2. Statistische Methoden in der Diagnostik. Elemente des Studiendesigns

2. Statistische Methoden in der Diagnostik Elemente des Studiendesigns Diagnosestudien in der Medizin Klassifikation in krank - nicht krank basierend auf diagnostischem Test Beispiel: Diagnose von Brustkrebs