Lojistik regresyon modelinizin klinik faydasını, Python veya R kullanmadan, tarayıcınızda değerlendirin.
Reklamsız kullanım deneyimi için lütfen üye olunuz veya giriş yapınız.
Karar eğrisi analizi (decision curve analysis, DCA), bir tahmin modelinin veya tanı testinin klinik karar vermede ne kadar fayda sağladığını gösteren yöntemdir. AUC yalnızca ayırt ediciliği ölçerken DCA, yanlış pozitif ve yanlış negatif kararların klinik bedelini eşik olasılığı (pt) üzerinden hesaba katar. Her eşikte net fayda = DP/n − YP/n × pt/(1 − pt) formülüyle hesaplanır ve model, “herkesi tedavi et” ile “kimseyi tedavi etme” stratejileriyle karşılaştırılır.
Analyze → Regression → Binary Logistic menüsünde bağımlı ve bağımsız değişkenleri seçin, Save… düğmesinde Predicted Values: Probabilities kutusunu işaretleyin. Analiz sonunda veri setinize PRE_1 sütunu eklenir. Karşılaştırmak istediğiniz her model için işlemi tekrarlayın (PRE_2, PRE_3…).
SPSS Data View veya Excel'de önce sonuç değişkenini (0/1), ardından PRE_ sütunlarını seçip kopyalayın; tablonun ilk hücresine tıklayıp Ctrl+V yapın. Başlık satırı kopyalanırsa değişken adları otomatik alınır; ondalık virgül ve nokta desteklenir. Her eğriye lejantta görünecek adı, rengi ve çizgi tipini ayrı ayrı verebilirsiniz.
Bir modelin eğrisi belirli bir eşik aralığında hem “Hepsini tedavi et” hem de “Hiçbirini tedavi etme” çizgilerinin üzerindeyse, o eşiklerde modele göre karar vermek klinik olarak yararlıdır. Eğriler arasında daha yüksekte olan model, o eşikte daha fazla net fayda sağlar. Araç ayrıca her model için faydalı eşik aralığını, AUC değerini ve seçtiğiniz eşiklerde net fayda tablosunu verir.
Hayır. Tüm hesaplamalar tarayıcınızda yapılır; yapıştırdığınız veriler Medhesap sunucularına iletilmez.
Sınır yoktur. Her PRE_ sütunu ayrı bir eğri olarak çizilir; okunabilirlik için 2–5 model önerilir.
Araç iki farklı değeri otomatik tanır. Hangi değerin “olay” olduğunu Olay (event) kodu alanından seçebilirsiniz.
Evet. Grafiği yüksek çözünürlüklü PNG (yaklaşık 300 dpi) veya vektörel SVG olarak indirebilir, net fayda tablosunu CSV olarak dışa aktarabilirsiniz.
Standardize net fayda, net faydanın prevalansa bölünmüş hâlidir (0–1 arası). “100 hastada önlenen gereksiz müdahale”, modelin herkesi tedavi etme stratejisine göre kaç gereksiz işlemi önlediğini gösterir.
Kaynak: Vickers AJ, Elkin EB. Decision curve analysis: a novel method for evaluating prediction models. Med Decis Making. 2006;26(6):565-74.
Hesap Araçları
AI Asistan