Analys av myokardiella hastighetsvariabler för diagnos av ...

More documents

Recommendations

Info

28 KAPITEL 3. METODER 3.4 ROC – Reciever-Operator Characteristic För att mäta och jämföra prestandan p˚a olika analyser i denna rapport används ROC-diagram. ROC st˚ar för Reciever Operator Characteristic och är en metod som kan användas när man har försöksuppsättning där varje objekt, i det här fallet individ, ska kategoriseras in i en av tv˚a grupper. För att göra det utformas analysen s˚a att den ger en utvaribel y som f˚ar ett värde som ligger inom ett begränsat intervall. Ocks˚a nödvändigt för att använda ROC-diagram är att ha ett otvivelaktigt sant referenssvar som analysen testas emot, här kallat t. I referenssvaret finns tv˚a grupper, positiva och negativa. L˚at kalla dem P respektive N. Analysens utvärde jämförs sedan med ett tröskelvärde θ enligt y ′ 1 om y ≥ θ = (3.10) 0 om y < θ Alla individer med värden över tröskelvärdet antas vara positiva och alla individer med värden under tröskelvärdet antas vara negativa. Om grupperna är linjärt separerbara samt om tröskelvärdet är p˚a rätt ställe hamnar alla individer i den rätta gruppen enligt referenssvaret. Om däremot analysens värde inte är linjärt separerbart kommer vissa individer att kategoriseras i fel grupp. De olika grupperna kan betecknas med sant positiva (SP) vilka är de som är positiva och tolkas som positiva, falskt positiva (FP) vilka är de som är negativa men tolkas som positiva, sant negativa (SN) vilka är de som är negativa och tolkas som negativa samt slutligen falskt negativa (FN) vilka är de som är positiva men tolkas som negativa. I tabell 3.1 visas schematiskt hur indelningen ser ut. Det t = 1 t = 0 y ′ = 1 SP FP y ′ = 0 FN SN Tabell 3.1: De fyra grupperna i ett ROC-diagram kan konstateras att SP + F N = P samt F P + SN = N. [21] 3.4.1 Sensitivitet och specificitet Det finns flera kvoter som kan användas för att presentera prestandan för en viss analys med ett visst tröskelvärde. De tv˚a som används här är Sensitivitet (Se) som är förm˚agan att korrekt klassificera individer i den positiva gruppen och beräknas enligt Se = SP SP + F N (3.11) Den andra kvoten är Specificitet (Sp) som är förm˚agan att korrekt klassificera individer i den negativa gruppen och beräknas enligt Sp = SN SN + F P (3.12) Dessa tv˚a kvoter är individuella för just det tröskelvärdet och ger en indikation p˚a hur väl analysen är utformad och tröskelvärdet valt. [21]
3.5. BOXPLOT 29 3.4.2 ROC-diagramet För att göra en större utvärdering av analysens förm˚aga kan ett komplett ROC-diagram göras. D˚a visualiseras prestandan samtidigt som tröskelvärdet ej bestäms. Det görs genom att tröskelvärdet stegas igenom med lämpligt intervall och för varje steg beräknas Se och Sp. Sedan ritas ett diagram där Se utgör y-axeln och motsvarande 1 − Sp utgör x-axeln. [22] 3.4.3 Area under ROC-grafen Ett generellt m˚att p˚a hur väl analysen fungerar är att beräkna arean under grafen i ROC-diagramet. Främst arean är viktig d˚a olika nät jämförs mot varandra d˚a det är ett enkelt och skalärt m˚att som gäller oavsett valt tröskelvärde d˚a sensitivitet och specificitet är olika för olika tröskelvärden. Det är ocks˚a arean som används oftast i denna rapport för jämförelse. Arean för en analys där grupperingen slumpas fram är 0.5 vilket innebär att det aktiva omr˚adet är 0.5 ≤ A ≤ 1 för de flesta analyser. En area p˚a 1 motsvarar perfekt gruppering. I regressionsmodellen plockas ofta ett specifikt tröskelvärde med motsvarande sensitivitet och specificitet med urvalsregeln att maximera sensitiviteten med en specificitet p˚a minst 80 procent. Det används även p˚a vissa resultat här, mest i jämförande syfte. Det finns m˚anga metoder för att försöka maximera tröskelvärdet för fullt utnyttjande av metoden men det görs inte i denna rapport. [22] 3.5 Boxplot Boxplot finns som inbyggt funktion i matlab och presenterar en box där gränserna g˚ar för övre och undre kvartilen samt medianvärden indikeras med en linje. Fr˚an boxen g˚ar ocks˚a tv˚a linjer som markerar spridningen av värdena. Möjliga outliers markeras med plus utanför dessa.
Page 1 and 2: Examensarbete 205 Analys av myokard
Page 3 and 4: Abstract This master of science the
Page 5 and 6: INNEH˚ALL 3 3.4.2 ROC-diagramet .
Page 7 and 8: Tabeller 2.1 Publicerade resultat f
Page 9 and 10: Kapitel 2 Bakgrund Underrubrikerna
Page 11 and 12: 2.1. MEDICINSK BAKGRUND 9 descendin
Page 13 and 14: 2.2. VÄVNADS-DOPPLER 11 ges av 2
Page 15 and 16: 2.2. VÄVNADS-DOPPLER 13 där ˜v
Page 17 and 18: 2.3. MYDISE-STUDIEN 15 Försöken u
Page 19 and 20: 2.3. MYDISE-STUDIEN 17 LAD, Cx och
Page 21 and 22: 2.4. ARTIFICIELLA NEURALA NÄTVERK
Page 23 and 24: 2.4. ARTIFICIELLA NEURALA NÄTVERK
Page 25 and 26: Kapitel 3 Metoder Detta kapitel beh
Page 27 and 28: 3.2. STRUKTURERING AV TRÄNINGSMÄN
Page 29: 3.3. FLERLAGERSNÄT I NEURAL NETWOR
Page 33 and 34: 4.1. FLERLAGERSNÄT KONTRA LINJÄR
Page 43 and 44: 4.2. ANALYS AV ALTERNATIVA PARAMETR
Page 45 and 46: Kapitel 5 Diskussion & slutsatser 5
Page 47 and 48: 5.3. SLUTSATSER 45 5.3 Slutsatser F
Page 49 and 50: Bilaga A Examensarbetets utförande
Page 51 and 52: Se sensitivitet Sp specificitet SSE
Page 53 and 54: LITTERATURFÖRTECKNING 51 [12] Manu

Analys av myokardiella hastighetsvariabler för diagnos av ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?