我正在对某些风险评估工具的性能进行荟萃分析。我的目标是汇总针对特定仪器的几个有效性研究的AUC估计值。但是，我遇到了一些研究，这些研究本身并没有提供AUC估计，而只是提供了ROC曲线。 在这种情况下，我使用了https://apps.automeris.io/wpd/来获取与每个数据点相对应的值。 但是，问题是，即使我具有灵敏度和1特异性的值并且可以使用R自己绘制ROC曲线，我也不知道要使用哪个函数来计算曲线下的面积（AUC）。这是由于所有允许我计算AUC的R程序包/函数都使用基础数据作为输入。也就是说，预测因子和响应而不是敏感性和1特异性的值。
我已经阅读了R中'pROC'软件包的文档，但没有发现任何帮助。 我想我可以使用 integrate（）来积分绘图曲线下的面积吗？但是，这样做的问题是，我不会收到AUC的置信区间（这是我的荟萃分析所需要的）。
这是我从一个ROC曲线（使用https://apps.automeris.io/wpd/）生成的数据：
# data table:
AUC_data_1 <- tibble("1-specificity" = c(-0.0031751800795011,
0.05421559172249585, 0.12174003874893036,0.20579144833428253,
0.3012443157265138, 0.502266554865223, 0.6205366469297053,
0.8417661384716209,
sensitivity = c(0.002260831241825745, 0.16879823941344285,
0.45899739288954267, 0.5804040305755962, 0.7849062327396981,
0.8634686874873007, 0.9710785309748188, 0.9977448923815709))
# roc curve generated from data:
plot(AUC_data_1)
我想根据此ROC曲线计算AUC。但是，由于我没有基础数据（即响应和预测变量），因此无法在R中使用pROC软件包。
答案 0 :(得分：0)
您需要做的第一件事是清理数据。 ROC曲线的起点为（0，0），终点为（1，1）。如果曲线上缺少这些点，则AUC将被低估。这是尝试的修复程序：
AUC_data_1 <- tibble("one.minus.specificity" = c(0,
0.05421559172249585, 0.12174003874893036,0.20579144833428253,
0.3012443157265138, 0.502266554865223, 0.6205366469297053,
0.8417661384716209, 1),
sensitivity = c(0, 0.16879823941344285,
0.45899739288954267, 0.5804040305755962, 0.7849062327396981,
0.8634686874873007, 0.9710785309748188, 0.9977448923815709, 1))
确保您了解从此服务获取的数据的质量和可靠性。
那么，正如您所猜测的，这只是一个集成游戏。我喜欢pramma的trapz函数，该函数使用梯形规则：
library(pracma)
trapz(AUC_data_1$one.minus.specificity, AUC_data_1$sensitivity)
[1] 0.6268943
关于不确定性，您应该看一下Obuchowski（1）的工作，该工作将ROC曲线的方差表示为AUC，样本大小和双正态拟合参数的函数，可以通过灵敏度和仅限特异性：
model <- lm(1-one.minus.specificity~sensitivity, AUC_data_1)
您将find the code directly in the pROC source。尽管它是私有的，但您应自担风险（该功能不会导出，并且可能随时消失）。像这样：
A <- coefficients(model)[1]
B <- coefficients(model)[2]
kappa <- n.controls / n.cases # number of case and control observations
# use internal function at your own risk
pROC:::var.params.obuchowski(A, B, kappa) / n.cases
[1] 0.1125403
他们还提出了不需要双正态系数的方法：
A <- qnorm(theta) * 1.414
(0.0099 * exp(-A^2/2)) * ((5 * A^2 + 8) + (A^2 + 8)/kappa) / n.cases
[1] 0.7846169
θ是您上面计算的曲线的AUC。