如何在R中针对金标准数据集计算特异性、敏感性、预测值及绘制ROC曲线？

一、基础概念回顾 #

• 敏感性（Sensitivity）：真阳性率，即金标准阳性的样本中被检测为阳性的比例，公式：TP/(TP+FN)
• 特异性（Specificity）：真阴性率，即金标准阴性的样本中被检测为阴性的比例，公式：TN/(TN+FP)
• 阳性预测值（PPV）：检测阳性的样本中实际为阳性的比例，公式：TP/(TP+FP)
• 阴性预测值（NPV）：检测阴性的样本中实际为阴性的比例，公式：TN/(TN+FN)
  其中：
• TP：真阳性（检测阳性，金标准阳性）
• FN：假阴性（检测阴性，金标准阳性）
• TN：真阴性（检测阴性，金标准阴性）
• FP：假阳性（检测阳性，金标准阴性）

二、基于交叉表计算诊断指标 #

你已经构建了两个交叉表tab1和tab2，结构为table(检测结果, 金标准)，可以直接从中提取TP/FN/TN/FP来计算指标：

针对SIH_NMM_TOTAL vs NMM_TOTAL（tab1） #

# 提取交叉表中的数值
TP <- tab1[2, 2]  # 检测阳性，金标准阳性
FN <- tab1[1, 2]  # 检测阴性，金标准阳性
TN <- tab1[1, 1]  # 检测阴性，金标准阴性
FP <- tab1[2, 1]  # 检测阳性，金标准阴性

# 计算各指标
sensitivity_nmm <- TP / (TP + FN)
specificity_nmm <- TN / (TN + FP)
ppv_nmm <- TP / (TP + FP)
npv_nmm <- TN / (TN + FN)

# 输出结果
cat("SIH_NMM的诊断指标：\n")
cat("敏感性：", round(sensitivity_nmm, 2), "\n")
cat("特异性：", round(specificity_nmm, 2), "\n")
cat("阳性预测值：", round(ppv_nmm, 2), "\n")
cat("阴性预测值：", round(npv_nmm, 2), "\n")

针对SIH_CPAV_TOTAL vs CPAV_TOTAL（tab2） #

# 提取交叉表中的数值
TP <- tab2[2, 2]
FN <- tab2[1, 2]
TN <- tab2[1, 1]
FP <- tab2[2, 1]

# 计算各指标
sensitivity_cpav <- TP / (TP + FN)
specificity_cpav <- TN / (TN + FP)
ppv_cpav <- TP / (TP + FP)
npv_cpav <- TN / (TN + FN)

# 输出结果
cat("\nSIH_CPAV的诊断指标：\n")
cat("敏感性：", round(sensitivity_cpav, 2), "\n")
cat("特异性：", round(specificity_cpav, 2), "\n")
cat("阳性预测值：", round(ppv_cpav, 2), "\n")
cat("阴性预测值：", round(npv_cpav, 2), "\n")

三、绘制ROC曲线 #

ROC曲线用于评估诊断试验的准确性，我们可以使用pROC包来实现：

步骤1：安装并加载包 #

install.packages("pROC")  # 首次使用需安装
library(pROC)

步骤2：绘制SIH_NMM vs NMM的ROC曲线 #

# 构建ROC对象
roc_nmm <- roc(response = data$NMM_TOTAL, predictor = data$SIH_NMM_TOTAL)

# 绘制ROC曲线
plot(roc_nmm, 
     main = "ROC Curve: SIH_NMM vs NMM Gold Standard",
     col = "blue", 
     lwd = 2,
     print.auc = TRUE)  # 自动显示AUC值

步骤3：绘制SIH_CPAV vs CPAV的ROC曲线 #

# 构建ROC对象
roc_cpav <- roc(response = data$CPAV_TOTAL, predictor = data$SIH_CPAV_TOTAL)

# 绘制ROC曲线
plot(roc_cpav, 
     main = "ROC Curve: SIH_CPAV vs CPAV Gold Standard",
     col = "red", 
     lwd = 2,
     print.auc = TRUE)

注：由于你的检测指标是二分类（0/1），ROC曲线会呈现为一个点加两条线段，AUC值反映整体诊断准确性，越接近1说明准确性越高。

内容的提问来源于stack exchange，提问作者Lana Meijinhos