Loading...
Publication
Sensibilidade e especificidade na curva roc: um caso de estudo
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 5.54 MB | Adobe PDF |
Abstract(s)
A fiabilidade de qualquer diagnóstico clínico é fundamental para o sucesso de um sistema
de saúde. Deste modo, é crucial dispor de medidas que permitam aferir, de forma intuitiva,
a qualidade de testes para classificar indivíduos como doentes ou saudáveis relativamente a
determinada doença.
Conceitos básicos da epidemiologia, tais como acurácia, sensibilidade, especificidade,
valores preditivos positivo e negativo, razões de verosimilhança positiva e negativa
permitem aferir o melhor desempenho entre diferentes testes. A curva ROC, ao representar
a sensibilidade e a especificidade para todos os possíveis valores para o ponto de corte, é
uma das ferramentas mais utilizadas para avaliar e comparar diferentes tipos de
metodologias de diagnóstico. Além disso, a área sob a curva ROC é uma medida objetiva do
desempenho do teste associado.
Nesta dissertação aplica-se a curva ROC a um caso de estudo cujos dados representam os
resultados de um teste de diagnóstico ao cancro da pele que, com recurso a técnicas de
imagiologia, procura detetar a presença de padrão reticular de forma a diagnosticar
melanomas. A base de dados utilizada contém informação sobre 158 imagens
dermatoscópicas. Através de técnicas de processamento de imagem, cada imagem foi filtrada
em 9 escalas diferentes e cada escala dividida em 26 medidas. Para cada um dos 234
resultados, foram aplicadas três avaliações distintas: desvio padrão, energia e entropia.
Como aplicação ao caso de estudo, foram analisadas duas metodologias distintas. A
primeira procura a medida que gera a “melhor” curva, considerando a área abaixo da mesma.
A segunda consiste na procura do “melhor” ponto de corte de uma dada curva, através da
maximização da soma da sensibilidade e especificidade ou da minimização da distância ao
ponto ideal (ausência de erros de classificação). Em ambas as metodologias utilizaram-se
medidas agrupadas, através da média aritmética ou da média ponderada, recorrendo ao
algoritmo Adaboost, ou simplesmente os dados originais.
Os resultados obtidos evidenciam que o agrupamento de medidas permite alcançar
resultados mais fiáveis. Todavia, devem ser utilizadas técnicas que permitam uma análise
prévia das medidas a utilizar, bem como das ponderações adequadas para cada uma dessas
medidas, uma vez que a utilização da média aritmética (ponderação igual em todas as
medidas), na maioria das situações, demonstrou mau desempenho.
Description
Keywords
Curva ROC Diagnóstico Sensibilidade Especificidade Padrão reticular