Zamana bağlı roc analizi ve sağlık alanında uygulamaları
Time-dependent roc analysis and applications in the field of medicine
- Tez No: 484955
- Danışmanlar: YRD. DOÇ. DR. İLKER ÜNAL
- Tez Türü: Yüksek Lisans
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: Biyobelirteçler, Biyoistatistik, ROC analizi, Sağkalım, Sağkalım analizi, Sağlık, Sağlık araştırmaları, Sağlık sektörü, Teşhis testleri, İstatistik, Biomarkers, Bioistatistics, ROC analysis, Survival, Survival analysis, Health, Health surveys, Health sector, Diagnostic tests, Statistics
- Yıl: 2017
- Dil: Türkçe
- Üniversite: Çukurova Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
ROC analizi, hastalık tanısında kullanılan niceliksel tanı testlerinin veya biyolojik belirteçlerin sınıflama başarısını ölçmeye yarayan popüler bir yöntemdir. Ancak sağkalım verilerinde veya boylamsal verilerde olduğu gibi, ilgilenilen olay ile ölçüm yapılan belirteç arasında bir zamana bağlılık söz konusu ise, klasik ROC analizi belirtecin gerçek performansını tahmin edemeyebilir. Bu nedenle, sonuçları zamana bağlı olarak değişkenlik gösteren bir biyolojik belirtecin tanı performansını değerlendirirken zaman kavramını da hesaba katarak işlem yapan Zamana Bağlı ROC Analizi yöntemi geliştirilmiştir. Bu tez çalışmasında, ROC analizinin zamana bağlı durumlara uyarlanmış bu versiyonu incelenmiş ve çeşitli alanlardan elde edilmiş veriler üzerinde uygulamaları yapılmıştır. Zamana bağlı ROC analizi yöntemlerinden Kaplan-Meier (KM) kestiriminin klasik ROC analizi ile karşılaştırması yapılmış, kullanılan tüm veri setlerinde zamanı göz önünde bulundurmanın klasik ROC'a göre daha başarılı olduğu saptanmıştır. Ayrıca KM yaklaşımı kullanılarak elde edilen, tüm zaman noktalarında yapılan ölçüm değerlerine ait ROC eğrileri altında kalan alanlar (EAKA) kendi aralarında karşılaştırılmıştır. Genel olarak, olayın gerçekleşmesine yaklaşıldıkça belirtecin performansının arttığı; özellikle 1 yıl veya 6 ay kala yapılan ölçümlerin daha eski ölçümlere göre daha belirleyici olduğu tespit edilmiştir. KM kestirimine alternatif olarak önerilmiş bir yaklaşım olan En Yakın Komşu kestirimi (Nearest Neighbor Estimator - NNE) ile yapılan uygulamalar sonucunda her iki yöntem karşılaştırılmıştır. Tüm veri setlerinde KM ve NNE yaklaşımları benzer sonuçlar vermiştir. KM için elde edilen ROC eğrilerinin EAKA değerleri genellikle NNE'den daha yüksek olsa da, sansürlü verilerde belirtecin değerlendirilmesinde NNE yaklaşımına başvurulmasının daha uygun olabileceği düşünülmektedir. Bu tez çalışması ile, olay ve/veya belirteç üzerinde zamanın etkisinin bulunduğu durumlarda belirtecin daha doğru değerlendirilmesi adına klasik ROC analizi yerine zamana bağlı ROC analizi yöntemlerinin tercih edilmesinin daha doğru olacağı sonucuna varılmıştır.
Özet (Çeviri)
ROC analysis is a commonly used method for evaluating the accuracy of a continuous diagnostic test or a biomarker. However, when there is a time-dependency between the biomarker and the event of interest (death, disease, relapse etc.), using classical ROC analysis may not be able to estimate the true performance of the biomarker. For such cases, time-dependent ROC, an extended version of the standard ROC analysis, is developed. In this thesis, this modified ROC analysis adapted to the time dependent situations is investigated and applications are performed using datasets derived from several medical fields. A comparison between classical ROC analysis and Kaplan-Meier (KM) estimator, which is a time-dependent ROC analysis method has been made on all datasets used in this study. From this comparison, it is concluded that time-dependent ROC method is superior to the standard ROC analysis. In addition, performance of biomarkers measured at each time-point are compared. In general, the closer to the event time, the higher performance is observed. Especially, biomarkers measured at last 12 or 6 months before the event are determined to be better at classification than the earlier measurements. Nearest Neighbor Estimator (NNE), an alternative to KM estimator, is also applied on all datasets. Then, the findings obtained from these two approaches are compared. In all datasets, KM and NNE applications yielded very similar results. Although the KM-AUC values are mostly higher than the NNE-AUC values, it is more appropriate to use NNE method to evaluate the performance of a biomarker when time dependency exists in a censored data. According to the results obtained from this study, when there is a time dependency between the biomarker and the event of interest, to measure a diagnostic performance of the biomarker accurately, the time-dependent ROC analysis is recommended instead of the classical ROC analysis.
Benzer Tezler
- Pediatrik göğüs ağrısı ile kalp hastalığı tanısında makine öğrenmesi uygulamaları
Machine learning applications in the diagnosis of heart disease in pediatric chest pain
ASUDE DEMİR
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
- Yeni Cami'nin akustik açıdan performans değerlendirmesi
Evaluation of the acoustical performance of the New Mosque
EVREN YILDIRIM
- Psödoinvazyon/invajinasyon alanı içeren adenomatöz kolorektal polipler ile kolorektal malign polipler arasında ve normal mukoza ile konvansiyonel adenokarsinom tanısı alan kolorektal tümörlerin 5-hidroksimetilsitozin (5HMC) ve 5-metilsitozin (5MC) ekspresyonun değerlendirilmesi
Evaluation of 5-hydroxymethylcytosine (5HMC) and 5-methylcytosine (5MC) expression in adenomatous colorectal polyps containing areas of pseudoinvasion/invagination and in colorectal malignant polyps, and in colorectal tumors diagnosed as conventional adenocarcinoma compared with normal mucosa
İREM AYLİN ÖZKAN
