Statistik: Cut-off-Bestimmung

Wissenschaft Mathematik
#1

Hallo,

Situation: Ein Wert wurde bei 22 Patienten gemessen. 9 Patienten sind nach Ende der Studie verstorben. Der gemessene Wert korelliert mit der Überlebensrate. Kann der Messwert als Prädiktor für die Überlebenswahrscheinlichkeit dienen?

Ansatz: Ein Teil der Stichprobe wird als „Trainingssatz“ verwendet, um einen cut-off zu bestimmen, welcher möglichst gut zwischen Überlebenden und Verstorbenen diskriminiert. Anhand dieses cut-offs werden dann Prognosen für den „Testsatz“ erstellt.

Fragen:

  • Ist das im Prinzip ok so?
  • Wie sind die größen von Trainings- und Testdatensatz zu wählen (50:50 oder anders?)
  • Wie bestimmt man einen „optimalen“ cut-off
  • Wie beurteilt man die Güte des Wertes (und dem cut-off) zur Prädiktion? (gibt man odds ratio, Sensitivitiät, Spezifität, pos. und neg. prädiktiver Wert?)

Danke schonmal!

LG
Jochen

#2

Moin Jochen,

die Korrelation kann man nur so verstehen, dass man diese Messgröße als Indikator verstehen kann. Optimalerweise wäre dies eine metrische Variable Y. Wenn du jetzt Überleben binär kodierst, kannst du für jeden denkbaren Wert von Y das wären die cut-offs) Sensitivität und Spezifität berechnen und mittels des Youden-Index’ den optimalen cut-off berechnen. Im Grunde läuft das über eine ROC-Kurve über die Maximierung von (Sens; 1-Spez) siehe http://aje.oxfordjournals.org/cgi/content/abstract/k… & http://www3.interscience.wiley.com/journal/110576926…
(ich hab noch ca. 10 weitere paper dazu, falls du Interesse hast)
Einen Trainingsdatensatz würde ich bei der kleinen Fallzahl nicht verwenden; die Aufteilung für positive und negative „Responder“ sollte am besten 50:50 sein und n gro Gruppe > 10.
Grüße,
JPL

#3

Danke!

Ich hab’s über die ROCs gemacht.

LG
Jochen

#4

Gerne; jetz kannst du noch einen draufsetzen udn die AUC von der ROC berechnen und das zugehörige KI um zu sehen, ob sich der Test von 0.5 unterscheidet („Statistics with confidence“, Altman, Machin, Bryant & Gardner, page 111-116)

Grüße,
JPL

#5

Gerne; jetz kannst du noch einen draufsetzen udn die AUC von
der ROC berechnen und das zugehörige KI um zu sehen, ob sich
der Test von 0.5 unterscheidet („Statistics with confidence“,
Altman, Machin, Bryant & Gardner, page 111-116)

Du darfst stolz auf mich sein: das hatte ich schon gemacht!

-)

Jochen

#6

Du darfst stolz auf mich sein: das hatte ich schon gemacht!

Hätte ich eigentlich wissen müssen :smile:
viele Grüße,
JPL