La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Santé Publique et Informatique Médicale (SPIM-Broussais-Hôtel-Dieu, Paris VI) DiscriminationDiscrimination n Système de classification: affecte un sujet.

Présentations similaires


Présentation au sujet: "Santé Publique et Informatique Médicale (SPIM-Broussais-Hôtel-Dieu, Paris VI) DiscriminationDiscrimination n Système de classification: affecte un sujet."— Transcription de la présentation:

1 Santé Publique et Informatique Médicale (SPIM-Broussais-Hôtel-Dieu, Paris VI) DiscriminationDiscrimination n Système de classification: affecte un sujet à la classe 0 ou à la classe 1 Diagnostic: 0 = non malade; 1= malade Pronostic: 0 = non événement (good outcome); 1= événement (poor outcome) n Problème : Résultat observé binaire Risque prédit: probabilité p entre 0 et 1 à laquelle on applique un seuil pour prendre la décision de classification (ex: Dg positif si p > 0.5) n Indicateurs: Sensibilité, Spécificité, Valeurs prédictives, aire sous la courbe ROC ValidationValidation

2 Santé Publique et Informatique Médicale (SPIM-Broussais-Hôtel-Dieu, Paris VI) DiscriminationDiscrimination ValidationValidation Non événemen t négatifpositif Seuil S Probabilité p Sensibilité = VP/ M+ Spécificité= VN / M- VPP = VP /P M+: événement M-: non événement P: positifs (p > S) N: Négatifs (p < S) VP: vrais positifs FP: faux positifs VN: vrais négatifs FN: faux négatifs M+ M- P VP FP N FN VN VN FN VP FP

3 Santé Publique et Informatique Médicale (SPIM-Broussais-Hôtel-Dieu, Paris VI) DiscriminationDiscrimination n Risque = probabilité p 1 estimée, évaluée par rapport à un résultat observé (0 ou 1) ValidationValidation Sensibilité Spécificité (taux de faux positifs) M+ M- p 1 > S VP FP p 1 <= S FN VN Seuil = 0.2 (…)(…) Seuil = 0.4 Seuil = 0.6 M+ M- p 1 > S VP FP p 1 <= S FN VN M+ M- p 1 > S VP FP p 1 <= S FN VN Seuil =0.2 Seuil =0.4 Seuil =0.6 C index = 0.8 C index = 0.55

4 Santé Publique et Informatique Médicale (SPIM-Broussais-Hôtel-Dieu, Paris VI) DiscriminationDiscrimination Signification de laire sous la courbe ROC ValidationValidation Sensibilité Discrimination parfaite:C index = 1 Exemple:C index = 0.8 Pas de discrimination: C index = Spécificité (taux de faux positifs)

5 Santé Publique et Informatique Médicale (SPIM-Broussais-Hôtel-Dieu, Paris VI) DiscriminationDiscrimination Estimations p du modèle de prédiction Pour les MaladesPour les non malades ValidationValidation Interprétation du C index …On envisage toutes les paires possibles: Paires concordante ex-aequo concordante discordante Concordantes + ½ ex-aequo C index = Toutes les paires

6 Santé Publique et Informatique Médicale (SPIM-Broussais-Hôtel-Dieu, Paris VI) CalibrationCalibration n Dans quelle mesure le risque prédit est-il proche du risque réel (virtuel) ? Test de Hosmer et Lemeshow Test de qualité de lajustement (« Goodness of fit ») Décomposition de la covariance Histogramme des taux dévénements observés par décile de risque prédit (représentation graphique du test de qualité de lajustement) ValidationValidation

7 Santé Publique et Informatique Médicale (SPIM-Broussais-Hôtel-Dieu, Paris VI) Calibration/DiscriminationCalibration/Discrimination ValidationValidation Risque « réel » Seuil théorique = 0.5 Bien calibré Seuil S (sur le risque prédit) PositifNégatif Moyennement discriminant 0 1 Risque prédit: Bas Moyen Elevé

8 Santé Publique et Informatique Médicale (SPIM-Broussais-Hôtel-Dieu, Paris VI) Calibration/DiscriminationCalibration/Discrimination ValidationValidation Risque « réel » Mal calibré Seuil S (sur le risque prédit) PositifNégatif Bien Discriminant Seuil théorique = Risque prédit: Bas Moyen Elevé

9 Santé Publique et Informatique Médicale (SPIM-Broussais-Hôtel-Dieu, Paris VI) CalibrationCalibration Dans quelle mesure le risque prédit est-il proche du risque réel (virtuel) ? (nombre dévénements observés par décile de risque prédit) ValidationValidation Observed event rate Predicted event rate Events Patients /décile Bien calibré Mal calibré

10 Santé Publique et Informatique Médicale (SPIM-Broussais-Hôtel-Dieu, Paris VI) Predictive performance ResultsResults


Télécharger ppt "Santé Publique et Informatique Médicale (SPIM-Broussais-Hôtel-Dieu, Paris VI) DiscriminationDiscrimination n Système de classification: affecte un sujet."

Présentations similaires


Annonces Google