9.Biomarker - Revision history

Pge: /* Aufgabe 1: Definitionen */

2021-02-04T12:35:52Z

Aufgabe 1: Definitionen

← Older revision		Revision as of 14:35, 4 February 2021
Line 4:		Line 4:
	'''ROC''': Abkürzung für '''R'''eceiver '''O'''perating '''C'''haracteristic. Dies ist eine Methode mit der man Analysemethoden wie z.B. Diagnosealgorithmen optimieren und bewerten kann. Dafür bestimmt man die falschpositiven und falschnegativen Ergebnisse der Analysemethode und bestimmt damit die Sensitivität und Spezifität der Methode. Anschließend wägt man diese gegeneinander ab. Dies geschieht mittels der Grenzwertoptimierungskurve (ROC- Kurve).		'''ROC''': Abkürzung für '''R'''eceiver '''O'''perating '''C'''haracteristic. Dies ist eine Methode mit der man Analysemethoden wie z.B. Diagnosealgorithmen optimieren und bewerten kann. Dafür bestimmt man die falschpositiven und falschnegativen Ergebnisse der Analysemethode und bestimmt damit die Sensitivität und Spezifität der Methode. Anschließend wägt man diese gegeneinander ab. Dies geschieht mittels der Grenzwertoptimierungskurve (ROC- Kurve).

	'''AUC''': Abkürzung für '''A'''rea '''u'''nder '''C'''urve. Beschreibt die Fläche unter der Kurve die man erhält wenn man Sensitivität gegen 1-Spezifität aufträgt. Der AUC-Wert liegt dabei zwischen 1 und 0. Ein Wert nahe 1 bedeutet dabei dass die Analysemethode wenig falschpositive und falschnegative Werte generiert. Ein Wert nahe 0 bedeutet dass die Analysemethode fast ausschließlich falschpositive und falschnegative Werte generiert. Dies bedeutet, dass der Algothitmus trotzdem funktioniert, man ihn jedoch "umdrehen" muss. Werte um 0,5 herum sind daher die schlechtesten Werte, da diese bedeuten dass die Methode qualitativ so gut ~~sind~~ wie per Zufall zu diagnositizieren.		'''AUC''': Abkürzung für '''A'''rea '''u'''nder '''C'''urve. Beschreibt die Fläche unter der Kurve die man erhält wenn man Sensitivität gegen 1-Spezifität aufträgt. Der AUC-Wert liegt dabei zwischen 1 und 0. Ein Wert nahe 1 bedeutet dabei dass die Analysemethode wenig falschpositive und falschnegative Werte generiert. Ein Wert nahe 0 bedeutet dass die Analysemethode fast ausschließlich falschpositive und falschnegative Werte generiert. Dies bedeutet, dass der Algothitmus trotzdem funktioniert, man ihn jedoch "umdrehen" muss. Werte um 0,5 herum sind daher die schlechtesten Werte, da diese bedeuten dass die Methode qualitativ so gut ist wie per Zufall zu diagnositizieren.

	'''Spezifität''': <math> \frac{True Negatives}{(False Positives+True Negatives)}</math>		'''Spezifität''': <math> \frac{True Negatives}{(False Positives+True Negatives)}</math>

Mka: /* Aufgabe 1: Definitionen */

2021-01-31T18:51:59Z

Aufgabe 1: Definitionen

← Older revision		Revision as of 20:51, 31 January 2021
Line 23:		Line 23:
	(Zähler=Wahrscheinlichkeit; Nenner=Gegenwahrscheinlichkeit)		(Zähler=Wahrscheinlichkeit; Nenner=Gegenwahrscheinlichkeit)

	'''~~Threshhold~~''': Cutoff-Wert in der logit-Funktion. Dort trennt der Analysealgrithmus die logit-Funktion.		'''Threshold''': Cutoff-Wert in der logit-Funktion. Dort trennt der Analysealgrithmus die logit-Funktion.

	Alles auf einer Seite wird als positiv bewertet und alles auf der anderen Seite als		Alles auf einer Seite wird als positiv bewertet und alles auf der anderen Seite als

Pge: /* Aufgabe 3 */

2020-10-04T17:20:24Z

Aufgabe 3

← Older revision		Revision as of 19:20, 4 October 2020
Line 91:		Line 91:
	Grundsätzlich sollte ein Threshold gewählt werden, bei dem Sensivität und Spezifität möglichst gegen 1 gehen. Hier besitzt bspw der Threshold von 0.6 den höchsten Wert für die Summe aus Spezifität und Sensivität.		Grundsätzlich sollte ein Threshold gewählt werden, bei dem Sensivität und Spezifität möglichst gegen 1 gehen. Hier besitzt bspw der Threshold von 0.6 den höchsten Wert für die Summe aus Spezifität und Sensivität.

	~~Da man bei~~ vielen Modellen~~, sich~~ jedoch ~~entscheiden muss~~, ob der Test eher sensibel oder spezifisch sein soll.		Bei vielen Modellen muss jedoch entschieden werden, ob der Test eher sensibel oder spezifisch sein soll.
	Die passende ~~Threshhold~~ hängt also davon ab, welche Krankheit man detektieren ~~mlchte~~. Je schwerwiegender diese ist oder je einfacher die Diagnose nach einem Treffer mit dem Modell, desto eher ~~kann man eine geringe Spezifität verkraften. Wenn die Krankheit die in diesem Bespiel diagnostiziert werden würde,~~		Die passende Threshold hängt also davon ab, welche Krankheit man detektieren möchte. Je schwerwiegender diese ist oder je einfacher die Diagnose nach einem Treffer mit dem Modell, desto eher kann auch eine geringe Spezifität für eine möglichst hohe Sensitivität in Kauf nehmen.
	~~eine unbehandelt Tödliche ist,~~kann auch eine geringe Spezifität für eine möglichst hohe Sensitivität in Kauf ~~genommen werden~~.

Pge: /* Aufgabe 3 */

2020-10-04T17:16:33Z

Aufgabe 3

← Older revision		Revision as of 19:16, 4 October 2020
Line 73:		Line 73:
	*'''FPR''': '''F'''alse '''P'''ositive '''R'''ate: Rate an Patienten, die gesund sind, aber vom Modell als krank erachtet werden.		*'''FPR''': '''F'''alse '''P'''ositive '''R'''ate: Rate an Patienten, die gesund sind, aber vom Modell als krank erachtet werden.
	*'''TPR''': '''T'''rue '''P'''ositive '''R'''ate: Rate an Patienten, die krank sind, und vom Modell als krank erachtet werden.		*'''TPR''': '''T'''rue '''P'''ositive '''R'''ate: Rate an Patienten, die krank sind, und vom Modell als krank erachtet werden.
			*'''TNR''': '''T'''rue '''N'''egative '''R'''ate: Rate an Patienten, die gesund sind, und vom Modell als gesund erachtet werden.
			*'''FNR''': '''F'''alse '''N'''egative '''R'''ate: Rate an Patienten, die krank sind, aber vom Modell als gesund erachtet werden.


	'''TPR = Sensivität'''		'''TPR = Sensivität'''
	*'''TNR''': '''T'''rue '''N'''egative '''R'''ate: Rate an Patienten, die gesund sind, und vom Modell als gesund erachtet werden.

	'''TNR = Spezifität'''		'''TNR = Spezifität'''
	*'''FNR''': '''F'''alse '''N'''egative '''R'''ate: Rate an Patienten, die krank sind, aber vom Modell als gesund erachtet werden.

	b) Berechnen Sie für die 6 Thresholds 0; 0,2; 0,4; 0,6; 0,8; 1 die Spezifität und die		b) Berechnen Sie für die 6 Thresholds 0; 0,2; 0,4; 0,6; 0,8; 1 die Spezifität und die
Line 87:		Line 89:
	c) Welcher dieser Thresholds ist für dieses Modell der Beste? Begründen Sie!		c) Welcher dieser Thresholds ist für dieses Modell der Beste? Begründen Sie!

	Die passende Threshhold hängt davon ab ~~worum es sich bei der~~ Krankheit ~~handelt~~. Je		Grundsätzlich sollte ein Threshold gewählt werden, bei dem Sensivität und Spezifität möglichst gegen 1 gehen. Hier besitzt bspw der Threshold von 0.6 den höchsten Wert für die Summe aus Spezifität und Sensivität.
	schwerwiegender es ist, je einfacher die Diagnose nach einem Treffer mit dem Modell, desto
	eher kann man eine geringe Spezifität verkraften~~. Hier in diesem Modell könnte man zum Beispiel generell~~		Da man bei vielen Modellen, sich jedoch entscheiden muss, ob der Test eher sensibel oder spezifisch sein soll.
	~~erstmal 0.6 als besten Threshold nehmen~~. Wenn die Krankheit die ~~hier~~ diagnostiziert ~~wird~~		Die passende Threshhold hängt also davon ab, welche Krankheit man detektieren mlchte. Je schwerwiegender diese ist oder je einfacher die Diagnose nach einem Treffer mit dem Modell, desto eher kann man eine geringe Spezifität verkraften. Wenn die Krankheit die in diesem Bespiel diagnostiziert werden würde,
	eine unbehandelt ~~tödliche~~ ist, ~~die man nach der Analyse kostengünstig mit einem Bluttest~~		eine unbehandelt Tödliche ist,kann auch eine geringe Spezifität für eine möglichst hohe Sensitivität in Kauf genommen werden.
	~~oder so nachweisen lässt, dann würde ich eher zu 0.8 tendieren da, da dann~~ eine geringe
	Spezifität für eine möglichst hohe Sensitivität in Kauf genommen werden ~~kann~~

Pge: /* Aufgabe 3 */

2020-10-04T17:08:05Z

Aufgabe 3

← Older revision		Revision as of 19:08, 4 October 2020
Line 72:		Line 72:

	*'''FPR''': '''F'''alse '''P'''ositive '''R'''ate: Rate an Patienten, die gesund sind, aber vom Modell als krank erachtet werden.		*'''FPR''': '''F'''alse '''P'''ositive '''R'''ate: Rate an Patienten, die gesund sind, aber vom Modell als krank erachtet werden.
	*'''TPR''': '''T'''rue '''P'''ositive '''R'''ate: Rate an Patienten, die krank sind, und vom Modell als krank erachtet werden.		*'''TPR''': '''T'''rue '''P'''ositive '''R'''ate: Rate an Patienten, die krank sind, und vom Modell als krank erachtet werden.

			'''TPR = Sensivität'''
	*'''TNR''': '''T'''rue '''N'''egative '''R'''ate: Rate an Patienten, die gesund sind, und vom Modell als gesund erachtet werden.		*'''TNR''': '''T'''rue '''N'''egative '''R'''ate: Rate an Patienten, die gesund sind, und vom Modell als gesund erachtet werden.

			'''TNR = Spezifität'''
	*'''FNR''': '''F'''alse '''N'''egative '''R'''ate: Rate an Patienten, die krank sind, aber vom Modell als gesund erachtet werden.		*'''FNR''': '''F'''alse '''N'''egative '''R'''ate: Rate an Patienten, die krank sind, aber vom Modell als gesund erachtet werden.

Pge: /* Aufgabe 3 */

2020-10-04T17:06:14Z

Aufgabe 3

← Older revision		Revision as of 19:06, 4 October 2020
Line 71:		Line 71:
	'''a''': Was sind FPR, TPR, TNR und FNR? Erklären Sie kurz!		'''a''': Was sind FPR, TPR, TNR und FNR? Erklären Sie kurz!

	*'''FPR''': '''F'''alse '''P'''ositive '''R'''ate: Rate an Patienten die gesund sind, aber vom Modell als krank		*'''FPR''': '''F'''alse '''P'''ositive '''R'''ate: Rate an Patienten, die gesund sind, aber vom Modell als krank erachtet werden.
	erachtet werden.		*'''TPR''': '''T'''rue '''P'''ositive '''R'''ate: Rate an Patienten, die krank sind, und vom Modell als krank erachtet werden.
	*'''TPR''': '''T'''rue '''P'''ositive '''R'''ate: Rate an Patienten die krank sind und vom Modell als krank erachtet		*'''TNR''': '''T'''rue '''N'''egative '''R'''ate: Rate an Patienten, die gesund sind, und vom Modell als gesund erachtet werden.
	werden.		*'''FNR''': '''F'''alse '''N'''egative '''R'''ate: Rate an Patienten, die krank sind, aber vom Modell als gesund erachtet werden.
	*'''TNR''': '''T'''rue '''N'''egative '''R'''ate: Rate an Patienten die gesund sind und vom Modell als gesund
	erachtet werden.
	*'''FNR''': '''F'''alse '''N'''egative '''R'''ate: Rate an Patienten die krank sind aber vom Modell als gesund
	erachtet werden.

	b) Berechnen Sie für die 6 Thresholds 0; 0,2; 0,4; 0,6; 0,8; 1 die Spezifität und die		b) Berechnen Sie für die 6 Thresholds 0; 0,2; 0,4; 0,6; 0,8; 1 die Spezifität und die

Pge at 16:56, 4 October 2020

2020-10-04T16:56:17Z

@@ Line 83: / Line 83: @@
 Sensitivität des Modells.
+[[File:Biomarker_sen_spe.jpeg|700px|center|thumb]]<br />
 c) Welcher dieser Thresholds ist für dieses Modell der Beste? Begründen Sie!

Pge: /* Aufgabe 1: Definitionen */

2020-10-04T16:54:46Z

Aufgabe 1: Definitionen

← Older revision		Revision as of 18:54, 4 October 2020
Line 6:		Line 6:
	'''AUC''': Abkürzung für '''A'''rea '''u'''nder '''C'''urve. Beschreibt die Fläche unter der Kurve die man erhält wenn man Sensitivität gegen 1-Spezifität aufträgt. Der AUC-Wert liegt dabei zwischen 1 und 0. Ein Wert nahe 1 bedeutet dabei dass die Analysemethode wenig falschpositive und falschnegative Werte generiert. Ein Wert nahe 0 bedeutet dass die Analysemethode fast ausschließlich falschpositive und falschnegative Werte generiert. Dies bedeutet, dass der Algothitmus trotzdem funktioniert, man ihn jedoch "umdrehen" muss. Werte um 0,5 herum sind daher die schlechtesten Werte, da diese bedeuten dass die Methode qualitativ so gut sind wie per Zufall zu diagnositizieren.		'''AUC''': Abkürzung für '''A'''rea '''u'''nder '''C'''urve. Beschreibt die Fläche unter der Kurve die man erhält wenn man Sensitivität gegen 1-Spezifität aufträgt. Der AUC-Wert liegt dabei zwischen 1 und 0. Ein Wert nahe 1 bedeutet dabei dass die Analysemethode wenig falschpositive und falschnegative Werte generiert. Ein Wert nahe 0 bedeutet dass die Analysemethode fast ausschließlich falschpositive und falschnegative Werte generiert. Dies bedeutet, dass der Algothitmus trotzdem funktioniert, man ihn jedoch "umdrehen" muss. Werte um 0,5 herum sind daher die schlechtesten Werte, da diese bedeuten dass die Methode qualitativ so gut sind wie per Zufall zu diagnositizieren.

	'''Spezifität''': <math> \frac{~~True_Negatives~~}{(~~False_Positives~~+~~True_Negatives~~)}</math>		'''Spezifität''': <math> \frac{True Negatives}{(False Positives+True Negatives)}</math>

	Rate, mit denen die Analysemethode Negativproben korrekt erkennt werden. Idealerweise geht der Werte gegen 1.		Rate, mit denen die Analysemethode Negativproben korrekt erkennt werden. Idealerweise geht der Werte gegen 1.


	'''Sensitivität''': <math> \frac{~~True_Positives~~}{(~~False_Negatives~~+~~True_Positives~~)}</math>		'''Sensitivität''': <math> \frac{True Positives}{(False Negatives+True Positives)}</math>

	Rate, mit denen die Analysemethode Positivproben korrekt erkennt werden. Idealerweise geht der Werte gegen 1.		Rate, mit denen die Analysemethode Positivproben korrekt erkennt werden. Idealerweise geht der Werte gegen 1.

Pge: /* Aufgabe 1: Definitionen */

2020-10-04T16:54:08Z

Aufgabe 1: Definitionen

← Older revision		Revision as of 18:54, 4 October 2020
Line 6:		Line 6:
	'''AUC''': Abkürzung für '''A'''rea '''u'''nder '''C'''urve. Beschreibt die Fläche unter der Kurve die man erhält wenn man Sensitivität gegen 1-Spezifität aufträgt. Der AUC-Wert liegt dabei zwischen 1 und 0. Ein Wert nahe 1 bedeutet dabei dass die Analysemethode wenig falschpositive und falschnegative Werte generiert. Ein Wert nahe 0 bedeutet dass die Analysemethode fast ausschließlich falschpositive und falschnegative Werte generiert. Dies bedeutet, dass der Algothitmus trotzdem funktioniert, man ihn jedoch "umdrehen" muss. Werte um 0,5 herum sind daher die schlechtesten Werte, da diese bedeuten dass die Methode qualitativ so gut sind wie per Zufall zu diagnositizieren.		'''AUC''': Abkürzung für '''A'''rea '''u'''nder '''C'''urve. Beschreibt die Fläche unter der Kurve die man erhält wenn man Sensitivität gegen 1-Spezifität aufträgt. Der AUC-Wert liegt dabei zwischen 1 und 0. Ein Wert nahe 1 bedeutet dabei dass die Analysemethode wenig falschpositive und falschnegative Werte generiert. Ein Wert nahe 0 bedeutet dass die Analysemethode fast ausschließlich falschpositive und falschnegative Werte generiert. Dies bedeutet, dass der Algothitmus trotzdem funktioniert, man ihn jedoch "umdrehen" muss. Werte um 0,5 herum sind daher die schlechtesten Werte, da diese bedeuten dass die Methode qualitativ so gut sind wie per Zufall zu diagnositizieren.

	'''Spezifität''': <math> \frac{~~True negatives~~}{~~False positives~~+~~True negatives~~}</math>		'''Spezifität''': <math> \frac{True_Negatives}{(False_Positives+True_Negatives)}</math>

	Rate, mit denen die Analysemethode Negativproben korrekt erkennt werden. Idealerweise geht der Werte gegen 1.		Rate, mit denen die Analysemethode Negativproben korrekt erkennt werden. Idealerweise geht der Werte gegen 1.


	'''Sensitivität''': <math> \frac{~~True positives~~}{~~False negatives~~+~~True positives~~}</math>		'''Sensitivität''': <math> \frac{True_Positives}{(False_Negatives+True_Positives)}</math>

	Rate, mit denen die Analysemethode Positivproben korrekt erkennt werden. Idealerweise geht der Werte gegen 1.		Rate, mit denen die Analysemethode Positivproben korrekt erkennt werden. Idealerweise geht der Werte gegen 1.

Pge: /* Aufgabe 1: Definitionen */

2020-10-04T16:52:57Z

Aufgabe 1: Definitionen

← Older revision		Revision as of 18:52, 4 October 2020
Line 6:		Line 6:
	'''AUC''': Abkürzung für '''A'''rea '''u'''nder '''C'''urve. Beschreibt die Fläche unter der Kurve die man erhält wenn man Sensitivität gegen 1-Spezifität aufträgt. Der AUC-Wert liegt dabei zwischen 1 und 0. Ein Wert nahe 1 bedeutet dabei dass die Analysemethode wenig falschpositive und falschnegative Werte generiert. Ein Wert nahe 0 bedeutet dass die Analysemethode fast ausschließlich falschpositive und falschnegative Werte generiert. Dies bedeutet, dass der Algothitmus trotzdem funktioniert, man ihn jedoch "umdrehen" muss. Werte um 0,5 herum sind daher die schlechtesten Werte, da diese bedeuten dass die Methode qualitativ so gut sind wie per Zufall zu diagnositizieren.		'''AUC''': Abkürzung für '''A'''rea '''u'''nder '''C'''urve. Beschreibt die Fläche unter der Kurve die man erhält wenn man Sensitivität gegen 1-Spezifität aufträgt. Der AUC-Wert liegt dabei zwischen 1 und 0. Ein Wert nahe 1 bedeutet dabei dass die Analysemethode wenig falschpositive und falschnegative Werte generiert. Ein Wert nahe 0 bedeutet dass die Analysemethode fast ausschließlich falschpositive und falschnegative Werte generiert. Dies bedeutet, dass der Algothitmus trotzdem funktioniert, man ihn jedoch "umdrehen" muss. Werte um 0,5 herum sind daher die schlechtesten Werte, da diese bedeuten dass die Methode qualitativ so gut sind wie per Zufall zu diagnositizieren.

	'''Spezifität''': <math> \frac{True negatives}{False positives+True negatives}</math>.		'''Spezifität''': <math> \frac{True negatives}{False positives+True negatives}</math>

	Rate mit denen die Analysemethode Negativproben korrekt erkennt. Idealerweise geht der Werte gegen 1.		Rate, mit denen die Analysemethode Negativproben korrekt erkennt werden. Idealerweise geht der Werte gegen 1.


	'''Sensitivität''': <math> \frac{True positives}{False negatives+True positives}</math>.		'''Sensitivität''': <math> \frac{True positives}{False negatives+True positives}</math>

	Rate mit denen die Analysemethode Positivproben korrekt erkennt. Idealerweise geht der Werte gegen 1.		Rate, mit denen die Analysemethode Positivproben korrekt erkennt werden. Idealerweise geht der Werte gegen 1.

	'''logit-Funktion''': eine logistische Funktion, die Analysemethoden verwenden, um mit		'''logit-Funktion''': eine logistische Funktion, die Analysemethoden verwenden, um mit