<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>ROC &#8211; mikrobik.net</title>
	<atom:link href="https://wp.mikrobik.net/tag/roc/feed/" rel="self" type="application/rss+xml" />
	<link>https://wp.mikrobik.net</link>
	<description></description>
	<lastBuildDate>Thu, 26 Jun 2025 13:24:29 +0000</lastBuildDate>
	<language>tr</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.1</generator>
	<item>
		<title>Sensitivity, Specificity, Receiver-Operating Characteristic (ROC) Curves and Likelihood Ratios: Communicating the Performance of Diagnostic Tests</title>
		<link>https://wp.mikrobik.net/sensitivity-specificity-receiver-operating-characteristic-roc-curves-and-likelihood-ratios-communicating-the-performance-of-diagnostic-tests/</link>
		
		<dc:creator><![CDATA[mikrobik]]></dc:creator>
		<pubDate>Fri, 20 Nov 2009 14:07:00 +0000</pubDate>
				<category><![CDATA[Biyokimya Derlemeleri]]></category>
		<category><![CDATA[Likelihood Ratios]]></category>
		<category><![CDATA[Receiver-Operating Characteristic Curves]]></category>
		<category><![CDATA[ROC]]></category>
		<category><![CDATA[Sensitivity]]></category>
		<category><![CDATA[Specificity]]></category>
		<guid isPermaLink="false"></guid>

					<description><![CDATA[Sensitivity, Specificity, Receiver-Operating Characteristic (ROC) Curves and Likelihood Ratios: Communicating the Performance of Diagnostic Tests Christopher M Florkowski Clin Biochem Rev Vol 29 Suppl (i) August 2008 Summary • Diagnostic accuracy studies address...]]></description>
										<content:encoded><![CDATA[<p><strong><span style="color:#5C3566;">Sensitivity, Specificity, Receiver-Operating Characteristic (ROC) Curves and Likelihood Ratios: Communicating the Performance of Diagnostic Tests</span></strong><br />
Christopher M Florkowski</p>
<p><a href="http://old.aacb.asn.au/pubs/2008%20cbr%20articles/august%20cbr%202008%20florkowski.pdf" target="_blank" rel="noopener">Clin Biochem Rev Vol 29 Suppl (i) August 2008</a></p>
<p>Summary<br />
• Diagnostic accuracy studies address how well a test identifies the target condition of interest.<br />
• Sensitivity, specificity, predictive values and likelihood ratios (LRs) are all different ways of expressing test performance.<br />
• Receiver operating characteristic (ROC) curves compare sensitivity versus specificity across a range of values for the ability to predict a dichotomous outcome. Area under the ROC curve is another measure of test performance.<br />
• All of these parameters are not intrinsic to the test and are determined by the clinical context in which the test is employed.<br />
• High sensitivity corresponds to high negative predictive value and is the ideal property of a “rule-out” test.<br />
• High specificity corresponds to high positive predictive value and is the ideal property of a “rule-in” test.<br />
• LRs leverage pre-test into post-test probabilities of a condition of interest and there is some evidence that they are more intelligible to users.</p>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>Bir metodun tanısal değeri ve ROC eğrileri</title>
		<link>https://wp.mikrobik.net/bir-metodun-tanisal-degeri-ve-roc-egrileri/</link>
		
		<dc:creator><![CDATA[mikrobik]]></dc:creator>
		<pubDate>Wed, 25 Mar 2009 00:15:00 +0000</pubDate>
				<category><![CDATA[Biyokimya Derlemeleri]]></category>
		<category><![CDATA[ROC]]></category>
		<guid isPermaLink="false"></guid>

					<description><![CDATA[BİR METODUN TANISAL DEĞERİNİN BELİRLENMESİ Dr. Cafer Gönen Klinik laboratuarların hedefi doğru ve tekrarlanabilir sonuçlar üretmektir. Bunun için hastalıklı insanları sağlıklı insanlardan ayırt etmektir. Bunun için kullanılan kavramlar şunlardır: Klinik laboratuarların hedefi doğru...]]></description>
										<content:encoded><![CDATA[<p><strong><span style="color:#5C3566;">BİR METODUN TANISAL DEĞERİNİN BELİRLENMESİ</span></strong><br />
Dr. Cafer Gönen</p>
<p>Klinik laboratuarların hedefi doğru ve tekrarlanabilir sonuçlar üretmektir. Bunun için hastalıklı insanları sağlıklı insanlardan ayırt etmektir. Bunun için kullanılan kavramlar şunlardır:</p>
<p><img decoding="async" src="http://www.mikrobik.net/datas/users/roc_1.jpg" alt="" style="max-width:100%;height:auto;" /></p>
<p>Klinik laboratuarların hedefi doğru ve tekrarlanabilir sonuçlar üretmektir. Bunun için hastalıklı insanları sağlıklı insanlardan ayırt etmektir. Bunun için kullanılan kavramlar şunlardır:</p>
<p>Gerçek Pozitif = Hasta olan insanlar</p>
<p>Gerçek Negatif = Sağlıklı insan</p>
<p>Yanlış Pozitif = Sağlıklı olup da testin hasta sandığı</p>
<p>Yanlış Negatif = Hasta olup da testin sağlam sandığı</p>
<p>1- Sensitivite (Duyarlılık) : Hastalık varken testin pozitif olma olasılığıdır. Testin HASTALIĞI YAKALAYABİLME kapasitesidir. HASTALIĞA duyarlıdır. Hassas testin Yanlış Negatif oranı düşüktür.<br />
<img decoding="async" src="http://www.mikrobik.net/datas/users/roc_ht1_1.gif" alt="" style="max-width:100%;height:auto;" /></p>
<p>2- Spesifiklik (Özgünlük) : Hastalık yokken testin negatif olma olasılığıdır. Testin SAĞLIKLI İNSANLARI ayırt edebilme kapasitesidir. SAĞLIĞA duyarlıdır. Yanlış Pozitif oranı düşüktür.</p>
<p><img decoding="async" src="http://www.mikrobik.net/datas/users/roc_ht2_1.gif" alt="" style="max-width:100%;height:auto;" /></p>
<p>En iyi test %100 duyarlı %100 özgün olan testtir. Ancak pratikte buna ulaşılamaz. Testlerin pozitif-negatif değerleri için farklı eşik değerleri kullanılarak bir çok spesifite-sensivite değerleri elde edilir. Klinik tercihe göre hangi kombinasyonun kullanılacağına karar verilir.<br />
<img decoding="async" src="http://www.mikrobik.net/datas/users/roc_ht3_1.gif" alt="" style="max-width:100%;height:auto;" /></p>
<p>Tablonun sarı renkli sütunlarının oranı SENSİTİVİTE yi verir.<br />
   = GP/(GP+YN)</p>
<p>Tablonun kırmızı renkli sütunlarının oranı ise SPESİFİTE yi verir.</p>
<p>   = GN / (GN+YP)</p>
<p>3- Pozitif Prediktif (öngörü) Değer: Testin pozitif değerinin o toplumda gerçekten hasta olma olasılığıdır.<br />
<img decoding="async" src="http://www.mikrobik.net/datas/users/roc_ht4_1.gif" alt="" style="max-width:100%;height:auto;" /></p>
<p>Tabloda Gerçek Pozitifliğin pozitif test toplamına oranıdır. Yani 1. satırın oranıdır.</p>
<p>4- Negatif Prediktif (öngörü) Değer: Testin negatif değerinin o toplumda gerçekten sağlam olma olasılığıdır.<br />
<img decoding="async" src="http://www.mikrobik.net/datas/users/roc_ht5_1.gif" alt="" style="max-width:100%;height:auto;" /></p>
<p>Tabloda Gerçek negatifliğin negatif test toplamına oranıdır. Yani 2. satırın oranıdır.</p>
<p>Yüksek sensiviteye sahip bir testin yüksek prediktif değere sahip olabileceğini düşünmek yanlıştır. Yüksek sensivite değeri için çok miktarda yanlış pozitiflik olmasına izin verilmiştir. Yani testin pozitif prediktif değeri düşüktür. Yüksek spesifiteye sahip olmanın bedeli ise çok miktarda yanlış negatif sonuç olması olabilir. Testin negatif prediktif değeri düşük olabilir.</p>
<p>5- Verimlilik : Bir testin verimliliği belirlediği hastalar ve sağlıklılardır.</p>
<p><img decoding="async" src="http://www.mikrobik.net/datas/users/roc_ht6_1.gif" alt="" style="max-width:100%;height:auto;" /></p>
<p>6- Test Sonucu Olasılık Oranı (Likelihood Ratio)</p>
<p>    Bu oranların yanı sıra çok önem taşıyan bir başka oran ise &#8220;test sonucu olasılık oranı (LIKELIHOOD RATIO)&#8221;dır.</p>
<p>    a) Pozitif test sonucu olasılık oranı (L+): Testin, hastalığa var dediği zaman doğruyu bildirmesinin yanılmasına oranıdır. (hastalık tanısı koymanın doğruluk oranı). Bunun sonucu ne kadar yüksek ise iyidir.</p>
<p>    b) Negatif test sonucu olasılık oranı (L -): Sağlam tanısının doğruluk oranıdır.Bu oran ne kadar küçük olursa, gerçek sağlamlar o kadar iyi ayrımlanabilmektedir.</p>
<p>7-ROC EĞRİLERİ (RECEVIER OPERATING CHARACTERISTICS)<br />
<img decoding="async" src="http://www.mikrobik.net/datas/users/roc_ht7_1.jpg" alt="" style="max-width:100%;height:auto;" /></p>
<p>Çizgiyi sağa kaydırdığımızda GN lik (mavi) ve YN lik (açık mavi) alan artarken YP lik (pembe) ve GP lik (kırmızı) alan azalır. Sola kaydırdığımızda tam tersi olur.</p>
<p>Pozitiflik eşiğinin düşük olduğu durumlarda, testin duyarlılığı çok yüksek olacak, ancak çok sayıda yanlış pozitif elde edilecektir. Eşik yükseldikçe özgüllük yükselecek yanlış pozitifler azalacak, buna karşılık yanlış negatifler artacak ve böylece tedaviye alınmamış hastalar ortaya çıkacaktır.</p>
<p>Uygun bir tedavisi olan ve hasta olmayanlara (YP) boşuna uygulandığında ağır sonuçlar getirmeyen hastalık tanısına yönelik testlerde DUYARLILIK YÜKSEK tutulmalıdır. Buna karşın, daha az ağır sonuçlara sahip hastalıklarda hele yanlış pozitiflerin boşuna tedavisi ağır yan etkilere sahip ise ÖZGÜLLÜK YÜKSEK tutulmalıdır.</p>
<p><img decoding="async" src="http://www.mikrobik.net/datas/users/roc_ht8_1.jpg" alt="" style="max-width:100%;height:auto;" /></p>
<p>ROC eğrileri ile bir teste ait tüm sensivite ve spesifilik kombinasyonları gösterilebilir. Bir testin perfonmans eğrisidir. Grafiğin y ekseninde sensivite x ekseninde ise (1- spesifite) gösterilir. Gözlenen tüm test sonuçlarında sensivite ve spesifitenin eşik değerleri değiştirilerek grafik çizilir.<br />
Her bir eşik değerinin kendine ait GP/YP kombinasyonu vardır. ideal ayrımı yapan bir testin gerçek pozitiflik değeri 1.0, yanlış pozitiflik oranı 0.0 dır. Grafikte eğri sol köşeden geçer. Ayrım yapamayan bir testin eğrisi ise 45 derecelik diagonal eğridir. Eğrilerin çoğunluğu bu iki eğri arasındadır. Eğri sol üst köşeye ne kadar yakınsa testin perfonmansı o kadar iyidir.</p>
<p><img decoding="async" src="http://www.mikrobik.net/datas/users/roc_ht9_1.jpg" alt="" style="max-width:100%;height:auto;" /></p>
<p>Böylece, bir tanı testi için ROC altında kalan alan etkinlik düzeyine bağlı olarak 0.50 ile 1.00 arasında değerler alabilecektir. Bu alan ne kadar büyükse, tanı testi o denli ayrım yeteneğine sahip olacaktır.<br />
Bu alan 0.975 ve daha üzerinde ise mükemmel sayılmaktadır.</p>
<p>Doğruluk alanı ile ROC eğrisi altında ölçülür. </p>
<p>.90-1 = Mükemmel (A)<br />
.80-.90 = İyi (B)</p>
]]></content:encoded>
					
		
		
			</item>
	</channel>
</rss>
