[kc_row use_container= »yes » row_style= »classic » _id= »144685″ css_custom= »{`kc-css`:{`any`:{`box`:{`margin|`:`40px inherit inherit inherit`,`padding|`:`0px inherit inherit inherit`}}}} » cols_gap= »{`kc-css`:{}} » column_align= »center » force= »__empty__ » video_bg_url= »__empty__ » video_mute= »__empty__ » parallax_image= »__empty__ » curve_style= »__empty__ »][kc_column width= »12/12″ video_mute= »no » _id= »587523″ video_bg_url= »__empty__ »][kc_column_text _id= »864218″ css_custom= »{`kc-css`:{}} »]
Qu'est-ce qu'une courbe ROC ?
La courbe ROC (Receiver Operating Characteristic) représente la sensibilité en fonction de 1 – spécificité pour toutes les valeurs seuils possibles du marqueur étudié. La sensibilité est la capacité du test à bien détecter les malades et la spécificité est la capacité du test à bien détecter les non-malades.
Comment interpréter son AUC ?
L'aire sous la courbe ROC (ou Area Under the Curve, AUC) peut être interprétée comme la probabilité que, parmi deux sujets choisis au hasard, un malade et un non-malade, la valeur du marqueur soit plus élevée pour le malade que pour le non-malade. Par conséquent, une AUC de 0,5 (50%) indique que le marqueur est non-informatif. Une augmentation de l'AUC indique une amélioration des capacités discriminatoires, avec un maximum de 1,0 (100%).
[/kc_column_text][/kc_column][/kc_row]