決定曲線解析のための統計的推論、白内障診断への応用

Statistical inference for decision curve analysis, with applications to cataract diagnosis.

• Sumaiya Z Sande
• Jialiang Li
• Ralph D'Agostino
• Tien Yin Wong
• Ching-Yu Cheng

抄録

統計的学習法は、診断または予測の目的で医学文献で広く用いられている。従来の感度、特異度、ROC曲線による精度評価では、特定のモデルの臨床的有用性を十分に考慮していない。決定曲線分析（DCA）は、予測モデルに関連する利益（真の陽性症例を治療する）と害（偽陽性症例を治療する）の相対的な価値の臨床的判断を組み込むことで、新しい補完手段となる。患者や政策立案者の選好は、患者が治療を選択するであろう閾値確率として統計的に定式化される。そして、ネットベネフィットは可能な閾値確率に対して計算され、ベネフィットとハーベストを同じスケールに置く。本論文では、DCAの推論問題を検討する。関連する漸近特性を導出した後、区間推定手順と推論方法を提供する。我々の定式化は、複数のカテゴリを持つ分類問題にも対応可能である。提案手法の性能を評価するために数値研究を行う。提案手法を説明するために、眼疾患のデータセットを分析した。

Statistical learning methods are widely used in medical literature for the purpose of diagnosis or prediction. Conventional accuracy assessment via sensitivity, specificity, and ROC curves does not fully account for clinical utility of a specific model. Decision curve analysis (DCA) becomes a novel complement as it incorporates a clinical judgment of the relative value of benefits (treating a true positive case) and harms (treating a false positive case) associated with prediction models. The preference of a patient or a policy-maker is formulated statistically as the underlying threshold probability, above which the patient would choose to be treated. Net benefit is then calculated for possible threshold probability, which places benefits and harms on the same scale. We consider the inference problems for DCA in this paper. Interval estimation procedure and inference methodology are provided after we derive the relevant asymptotic properties. Our formulation can accommodate the classification problems with multiple categories. We carry out numerical studies to assess the performance of the proposed methods. An eye disease dataset is analyzed to illustrate our proposals.

© 2020 John Wiley & Sons, Ltd.