Muzaffer BİLGİN, Aşkın DOĞAN, Ertugrul COLAK

Sü rekli Yapıdaki Çoklü Tanı Testleri İ çin Birleştirme Yo ntemlerinin ROC Eğ risi Analizi Küllanarak Karşılaştırılması

Tıp alanında, eksik klinik bilgilere ve klinik sonuçlarla ilgili belirsizliğe rağmen, hastanın tedavisi ve bakımı ile ilgili doğru ve mantıklı kararlar vermek gerekmektedir. Medikal testler tıbbi tanı açısından önemli bir role sahip olmanın yanı sıra doğru tedavinin planlanması ile tedavi maliyetlerinin azaltılması yönünden göz ardı edilemeyecek katkılar sağlamaktadırlar. Hastanın durumu hakkında güvenilir bilgi sağlamak, hasta ile sağlıklı birimleri doğru sınıflamak ve hastanın tedavisi için sağlık personelinin doğru planlama yapmasına olumlu katkılar sağlamak medikal testin temel amaçlarını oluşturmaktadır. Sınıflandırma kuralının performansını değerlendirmek için yaygın olarak kullanılan istatistiksel tekniklerden biri, Receiver Operating Characteristic (ROC) eğrisidir. Günümüzde, tek bir tanı testi sonucu kullanılarak hastalığa ait tanının belirlenmesi yerine birden fazla test kullanılarak daha kesin bir tanı ya da sınıflandırma yapmak mümkündür. Sağlık alanında yapılan çalışmalarda farklı tanı testleri, hastalığın farklı yönlerine duyarlıdır. Dolayısıyla, bireyin sağlık durumunu değerlendirmek için her zaman tek bir tanı testine güvenilemez. Birden fazla tanı testi kullanılarak gerçeğe daha yakın ve doğru sınıflandırma yapmak mümkündür. Bu amaç doğrultusunda çeşitli modeller öne sürülmüştür. Bu modeller, en iyi doğrusal birleştirme yöntemi, doğrusal ayırma analizi, karesel ayırma analizi ve lojistik ayırma analizi yöntemleridir. Bu çalışmasının amacı, tanı testlerinin birleştirilmesinde kullanılan yöntemlere alternatif olarak lojistik regresyon modeli ile doğrusal ve karesel ayırma analizlerinin tanı testlerinin birleştirilmesinde kullanılabilirliğini göstermek, lojistik, doğrusal ve karesel ayırma analizlerinin tanı testlerinin birleştirilmesindeki performanslarını, minimax prosedürü ile en iyi doğrusal birleştirme yönteminin performansını parametrik ve parametrik olmayan ROC analizleri ile karşılaştırmak, çok değişkenli normal dağılım varsayımının gerçekleştiği ve gerçekleşmediği durumlarda hangi yöntemin iyi performans gösterdiğini belirlemektir.

Comparison of Combininğ Methods for Mültiple Continüoüs Diağnostic Tests Usinğ ROC Cürve Analysis

In the field of medicine, despite the uncertainty about incomplete clinical information and clinical outcomes, it is necessary to make accurate and logical decisions about the treatment and care of the patient. Medical tests have an important role in terms of medical diagnosis, but they also provide indispensable benefits in terms of planning of correct treatment and reduction of treatment costs. Providing reliable information about the patient's condition, correctly classifying patients and healthy units, and providing positive contributions to healthcare staff's correct planning for the treatment of the patient constitute the main objectives of the medical test. One of the widely used statistical techniques for evaluating the performance of the classification rule is the Receiver Operating Characteristic (ROC) curve. Nowadays, rather than using a single diagnostic test result to determine the diagnosis of the disease, it is possible to make more precise diagnosis or classification using more than one test. Different diagnostic tests in health field studies are sensitive to different aspects of the disease. Therefore, a single diagnostic test can not always be relied upon to assess an individual's health condition. It is possible to make more accurate and closer classification using more than one diagnostic test. Various models have been proposed for this purpose. These models are best linear combination method, linear discriminant analysis, quadratic discriminant analysis and logistic discriminant analysis methods. The purpose of this study is to demonstrate the utility of the logistic regression model as an alternative to the methods used in the combination of diagnostic tests in combining diagnostic tests of linear and quadratic discriminant analysis. The second objective is to compare the performance of combining diagnostic tests of logistic, linear and quadratic discriminant analyzes with parametric and nonparametric ROC analyzes of the performance of the best linear combination method with the minimax procedure. It is to determine which method performs well in cases where the assumption of the multivariate normal distribution is realized and not realized.

PDF

___

1. Nicoll D. Pocket guide to diagnostic tests: Univerza v Ljubljani, Medicinska fakulteta; 2012.
2. Epstein AM, Begg CB, McNeil BJJNEJoM. The use of ambulatory testing in prepaid and fee-forservice group practices. 1986;314:1089-94.
3. Zhang DD, Zhou XH, Freeman Jr DH, Freeman JLJSim et al. A non‐parametric method for the comparison of partial areas under ROC curves and its application to large health care data sets. 2002;21:701-15.
4. Friedman J, Hastie T, Tibshirani R. The elements of statistical learning: Springer series in statistics New York; 2001.
5. Colak E, Mutlu F, Bal C, et al. Comparison of semiparametric, parametric, and nonparametric ROC analysis for continuous diagnostic tests using a simulation study and acute coronary syndrome data. 2012;2012.
6. Hanley JA, McNeil BJJR. The meaning and use of the area under a receiver operating characteristic (ROC) curve. 1982;143:29-36.
7. Metz CE, editor Basic principles of ROC analysis. Seminars in nuclear medicine; 1978: Elsevier.
8. Fawcett TJPrl. An introduction to ROC analysis. 2006;27:861-74.
9. Li J, Fine JPJB. ROC analysis with multiple classes and multiple tests: methodology and its application in microarray studies. 2008;9:566-76.
10. Su JQ, Liu JSJJotASA. Linear combinations of multiple diagnostic markers. 1993;88:1350-5.
11. Reiser B, Faraggi DJB. Confidence intervals for the generalized ROC criterion. 1997:644-52.
12. Pepe MS, Thompson MLJB. Combining diagnostic test results to increase accuracy. 2000;1:123-40.
13. Liu C, Liu A, Halabi SJSim. A min–max combination of biomarkers to improve diagnostic accuracy. 2011;30:2005-14.
14. Gao F, Xiong C, Yan Y, Yu K, Zhang ZJJoDS. Estimating optimum linear combination of multiple correlated diagnostic tests at a fixed specificity with receiver operating characteristic curves. 2008;6:105-23.
15. Yu W, Park TJCS, Analysis D. Two simple algorithms on linear combination of multiple biomarkers to maximize partial area under the ROC curve. 2015;88:15-27.
16. Sameera G, Vardhan RV, Sarma KJJobs. Binary classification using multivariate receiver operating characteristic curve for continuous data. 2016;26:421-31.
17. Kang L, Liu A, Tian LJSmimr. Linear combination methods to improve diagnostic/prognostic accuracy on future observations. 2016;25:1359-80.
18. Mamtani MR, Thakre TP, Kalkonde MY, Amin MA, Kalkonde YV, Amin AP, et al. A simple method to combine multiple molecular biomarkers for dichotomous diagnostic classification. 2006;7:442.
19. Ma S, Huang JJB. Combining multiple markers for classification using ROC. 2007;63(3):751-7.
20. Qin J, Zhang BJSim. Best combination of multiple diagnostic tests for screening purposes. 2010;29:2905-19.
21. Lin H, Zhou L, Peng H, Zhou XHJCJoS. Selection and combination of biomarkers using ROC method for disease classification and prediction. 2011;39:324-43.
22. Johnson RA, Wichern DWJEoSiQ, Reliability. Multivariate analysis. 2008;3.
23. Schulzer MJM, Medicine NOJotAAoE. Diagnostic tests: a statistical review. 1994;17:815- 9.
24. Segen JC, Owens JW, Wade J. The patient's guide to medical tests: everything you need to know about the tests your doctor orders: Infobase Publishing; 2002.
25. Anderson TW, Bahadur RRJTaoms. Classification into two multivariate normal distributions with different covariance matrices. 1962;33:420-31.