# Dibuja una curva ROC y presenta el AUC con rigor

> Sube una tabla con el desenlace y los marcadores. Yila ajusta el modelo, lo valida fuera de la muestra, dibuja la curva ROC con el AUC y su intervalo de confianza, y elige un punto de corte que puedas defender.

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

## Lo que obtienes

- **Figura ROC** (PNG + SVG): La curva del modelo frente a una curva de comparación y la línea del azar, con cada AUC y su IC del 95% en la leyenda y el punto de corte elegido marcado.
- **Tabla de métricas** (CSV): AUC con intervalo de confianza, punto de corte, sensibilidad y especificidad de cada modelo, además de la odds ratio de cada predictor.
- **Una validación honesta** (Método): La curva se dibuja con predicciones fuera de la muestra, de modo que el AUC no se infla por evaluar el modelo con los mismos datos con los que se ajustó.
- **El script** (Script de Python): El análisis completo en Python (o en R, si lo pides), listo para tu material suplementario.

## Cómo funciona

1. **Sube la tabla e indica el desenlace**: Dale a Yila un archivo CSV o Excel e indica qué quieres predecir y con qué marcadores. También sirve un solo marcador.
2. **Yila revisa los datos y planifica la validación**: Cuenta los casos y los controles, busca valores faltantes y variables en escalas muy distintas, y decide cómo validar antes de ajustar nada.
3. **Obtén la curva, las cifras y el script**: La figura ROC y la tabla de métricas se generan, se revisan y se guardan con el script. Pide otro criterio para el punto de corte, un IC por bootstrap o más modelos en la misma conversación.

## Pensado para

- **Un estudio de precisión diagnóstica**: Muestra hasta qué punto un marcador o una puntuación distingue los casos de los controles, con el punto de corte y su sensibilidad y especificidad.
- **Un artículo sobre un modelo predictivo**: Compara un modelo multivariable con un solo marcador a partir de predicciones validadas, no del ajuste en el conjunto de entrenamiento.
- **Un capítulo de tesis sobre biomarcadores**: Presenta la capacidad de discriminación con intervalos de confianza y un script reproducible que el comité de tesis puede revisar.

## Preguntas frecuentes

### ¿Qué es una curva ROC y qué significa el AUC?

Una curva ROC representa la sensibilidad frente a 1 − especificidad en cada punto de corte posible de una puntuación. El área bajo la curva (AUC) es la probabilidad de que un caso elegido al azar obtenga una puntuación más alta que un control elegido al azar: 0.5 equivale al azar y 1.0, a una separación perfecta.

### ¿Por qué validación cruzada?

Un modelo evaluado con los mismos datos con los que se ajustó parece mejor de lo que será con pacientes nuevos. Yila dibuja la curva con predicciones hechas sobre particiones que el modelo no usó en el ajuste, de modo que a cada caso lo puntúa un modelo que nunca lo ha visto. Con muestras muy pequeñas, lo advierte y propone en su lugar una corrección del optimismo por bootstrap.

### ¿Cómo se calcula el intervalo de confianza del AUC?

En el ejemplo, a partir de 2000 remuestreos bootstrap de las predicciones de la validación cruzada (intervalo de percentiles), y así lo indican los resultados. También se puede usar el método de DeLong si tu área o tu revista lo esperan.

### ¿Cómo se elige el punto de corte?

Por defecto, con el índice de Youden, que maximiza sensibilidad + especificidad − 1. Si te importa más una sensibilidad fija, por ejemplo en un cribado, indícalo y Yila informa del punto de corte que la alcanza.

### ¿Puedo comparar dos marcadores o dos modelos?

Sí. Indícalos en la solicitud y se dibujan en los mismos ejes, cada uno con su AUC; se puede añadir una prueba formal de la diferencia.

### ¿R o Python?

Cualquiera de los dos. El ejemplo usó Python con scikit-learn; en R, Yila usa pROC.

### ¿De dónde proceden los datos del ejemplo?

Del conjunto de datos abierto Breast Cancer Wisconsin (Diagnostic), publicado con licencia CC BY 4.0 en el UCI Machine Learning Repository. Yila nunca usa datos de usuarios como ejemplos.

---

- [Dibuja una curva ROC y presenta el AUC con rigor](https://yila.ai/es/playbooks/roc-curve)
- [llms.txt](https://yila.ai/es/llms.txt)
