Определение чувствительности и специфичности комбинации маркеров Опции

[Zaycho]

Здравствуйте!

Есть задача определить диагностическую ценность ряда маркеров (допустим, А, В и С) и их комбинаций в диагностике некоторого заболевания.
Я расчитал все параметры (чувствительность, специфичность, PPV, NPV, LR) и построил в SPSS ROC-кривые отдельно для А, В и С.
Как теперь сделать то же самое для комбинаций этих маркеров, допустим, А+В и В+С? Где копать?

Заранее огромное спасибо!

[Диана]

[p2004r]

взял показатели без пропусков.

1) смотрим чем отличаются (и можно ли различить группы лечения)

Код

tmp <- as.vector(table(factor(data2[,13])));
num_clases <- length(tmp);
min_size <- tmp[order(tmp,decreasing=FALSE)[1]];
vector_for_sampsize.13 <- rep(min_size,num_clases);


rf<-randomForest(data.frame(data2[,c( 65, 69, 72, 43, 3)],
                            factor(data2[,63]),
                            factor(data2[,2]) ,
                            factor(data2[,14]>0)),
                 factor(data2[,13]),
                 sampsize=vector_for_sampsize.13,
                 proximity=TRUE,
                 do.trace=TRUE)

> rf

Call:
randomForest(x = data.frame(data2[, c(65, 69, 72, 43, 3)], factor(data2[,      63]), factor(data2[, 2]), factor(data2[, 14] > 0)), y = factor(data2[,      13]), sampsize = vector_for_sampsize.13, proximity = TRUE,      do.trace = TRUE)
               Type of random forest: classification
                     Number of trees: 500
No. of variables tried at each split: 2

        OOB estimate of  error rate: 50.53%
Confusion matrix:
   1  2  3 class.error
1 14 10  6   0.5333333
2 13  9  8   0.7000000
3  8  3 24   0.3142857


MDSplot(rf,factor(data2[,13]), pch=as.character(factor(data2[,13])))

varImpPlot(rf)

Отличается только третья группа от первых двух. На графике восстановленных расстояний между случаями видно что группы скорее перетекают 1-2-3. Ведущие переменные разделения групп лечения это ЧСС до., Возраст, Время пережатия аорты1 и слабо Традиц.терапия.

Если осложнения не преобразовывать в два уровня, то картина еще четче становится

Код

rf<-randomForest(data.frame(data2[,c( 65, 69, 72, 43, 3)],
                            factor(data2[,63]),
                            factor(data2[,2]) ,
                            data2[,14]),
                 factor(data2[,13]),
                 sampsize=vector_for_sampsize.13,
                 proximity=TRUE,
                 do.trace=TRUE)

MDSplot(rf,factor(data2[,13]), pch=as.character(factor(data2[,13])))

> rf

Call:
randomForest(x = data.frame(data2[, c(65, 69, 72, 43, 3)], factor(data2[,      63]), factor(data2[, 2]), data2[, 14]), y = factor(data2[,      13]), sampsize = vector_for_sampsize.13, proximity = TRUE,      do.trace = TRUE)
               Type of random forest: classification
                     Number of trees: 500
No. of variables tried at each split: 2

        OOB estimate of  error rate: 45.26%
Confusion matrix:
   1  2  3 class.error
1 17  9  4   0.4333333
2 12 10  8   0.6666667
3  6  4 25   0.2857143

фактически группы две - 1 и 3, вторая размазана между ними.

Эскизы прикрепленных изображений