# Eine ROC-Kurve zeichnen und die AUC korrekt berichten

> Laden Sie eine Tabelle mit der Zielgröße und den Markern hoch. Yila passt das Modell an, validiert es außerhalb der Trainingsdaten, zeichnet die ROC-Kurve mit der AUC und ihrem Konfidenzintervall und wählt einen begründbaren Cut-off.

URL: https://yila.ai/de/playbooks/roc-curve

## Das erhalten Sie

- **ROC-Abbildung** (PNG + SVG): Die Kurve des Modells neben einer Vergleichskurve und der Zufallslinie, jede AUC mit ihrem 95-%-KI in der Legende und der gewählte Cut-off markiert.
- **Kennzahlentabelle** (CSV): AUC mit Konfidenzintervall, Cut-off, Sensitivität und Spezifität für jedes Modell sowie Odds Ratios für die Prädiktoren.
- **Ehrliche Validierung** (Methode): Die Kurve beruht auf Vorhersagen außerhalb der Trainingsdaten, sodass die AUC nicht dadurch geschönt wird, dass das Modell an den Daten getestet wird, an die es angepasst wurde.
- **Das Skript** (Python-Skript): Die vollständige Analyse in Python (oder auf Wunsch in R), fertig für Ihr Supplement.

## So funktioniert es

1. **Tabelle hochladen und Zielgröße nennen**: Geben Sie Yila eine CSV- oder Excel-Datei und sagen Sie, was aus welchen Markern vorhergesagt werden soll. Auch ein einzelner Marker ist möglich.
2. **Yila prüft die Daten und plant die Validierung**: Yila zählt Fälle und Kontrollen, sucht nach fehlenden Werten und nach Merkmalen auf sehr unterschiedlichen Skalen und legt die Validierung fest, bevor ein Modell angepasst wird.
3. **Kurve, Kennzahlen und Skript erhalten**: ROC-Abbildung und Kennzahlentabelle werden gerendert, geprüft und mit dem Skript gespeichert. Eine andere Regel für den Cut-off, ein Bootstrap-KI oder weitere Modelle können Sie im selben Gespräch anfordern.

## Geeignet für

- **Eine Studie zur diagnostischen Genauigkeit**: Zeigen Sie, wie gut ein Marker oder Score Fälle von Kontrollen trennt, mit dem Cut-off und der zugehörigen Sensitivität und Spezifität.
- **Ein Artikel über ein Vorhersagemodell**: Vergleichen Sie ein multivariables Modell mit einem einzelnen Marker anhand validierter Vorhersagen statt anhand der Anpassung an die Trainingsdaten.
- **Ein Kapitel einer Abschlussarbeit über Biomarker**: Berichten Sie die Diskriminationsfähigkeit mit Konfidenzintervallen und einem reproduzierbaren Skript, das die Prüfungskommission nachprüfen kann.

## Häufige Fragen

### Was ist eine ROC-Kurve und was bedeutet die AUC?

Eine ROC-Kurve trägt die Sensitivität gegen 1 − Spezifität für jeden möglichen Cut-off eines Scores auf. Die Fläche darunter (AUC) ist die Wahrscheinlichkeit, dass ein zufällig gewählter Fall einen höheren Score erhält als eine zufällig gewählte Kontrolle: 0,5 entspricht dem Zufall, 1,0 einer perfekten Trennung.

### Warum Kreuzvalidierung?

Ein Modell, das an denselben Daten bewertet wird, an die es angepasst wurde, wirkt besser, als es bei neuen Patienten sein wird. Yila zeichnet die Kurve aus Out-of-Fold-Vorhersagen, sodass jeder Fall von einem Modell bewertet wird, das ihn nie gesehen hat. Bei sehr kleinen Stichproben weist Yila darauf hin und schlägt stattdessen eine Bootstrap-Optimismuskorrektur vor.

### Wie wird das Konfidenzintervall der AUC berechnet?

Im Beispiel aus 2.000 Bootstrap-Stichproben der kreuzvalidierten Vorhersagen (Perzentilintervall); die Ausgabe gibt das an. Die Methode nach DeLong steht zur Verfügung, wenn Ihr Fachgebiet oder Ihre Fachzeitschrift sie erwartet.

### Wie wird der Cut-off gewählt?

Standardmäßig nach dem Youden-Index, der Sensitivität + Spezifität − 1 maximiert. Wenn eine feste Sensitivität wichtiger ist, etwa beim Screening, sagen Sie das, und Yila nennt den Cut-off, der sie erreicht.

### Kann ich zwei Marker oder zwei Modelle vergleichen?

Ja. Nennen Sie sie in der Anfrage; sie werden dann im selben Diagramm mit ihrer jeweiligen AUC dargestellt, und ein formaler Test des Unterschieds lässt sich ergänzen.

### R oder Python?

Beides ist möglich. Das Beispiel verwendet Python mit scikit-learn; in R nutzt Yila pROC.

### Woher stammen die Beispieldaten?

Aus dem offenen Datensatz Breast Cancer Wisconsin (Diagnostic), der unter CC BY 4.0 im UCI Machine Learning Repository veröffentlicht ist. Yila verwendet niemals Daten von Nutzern als Beispiele.

---

- [Eine ROC-Kurve zeichnen und die AUC korrekt berichten](https://yila.ai/de/playbooks/roc-curve)
- [llms.txt](https://yila.ai/de/llms.txt)
