我正在对某些风险评估工具的表现进行荟萃分析。我的目标是汇总AUC对特定工具的几项有效性研究的估计。然而，我发现了一些研究本身没有提供AUC估算，而只是提出了ROC曲线。在这种情况下，我使用https://apps.automeris.io/wpd/来获取与每个数据点相对应的值。然而，问题在于即使我有灵敏度和1-特异性的值并且可以使用R自己绘制ROC曲线，我不知道使用哪个函数来计算曲线下面积（AUC） 。这是因为允许我计算AUC的所有R包/函数都使用底层数据作为输入。也就是说，预测因子和响应而不是灵敏度和1-特异性的值。
我已经阅读了R中'pROC'软件包的文档，但没有找到任何有用的信息。我想我可以使用integrate（）整合曲线下的区域？然而，问题是，我不会收到AUC的置信区间（我在荟萃分析中需要）。
这是我从其中一条ROC曲线生成的数据（通过使用https://apps.automeris.io/wpd/）：
# 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)
我想从这个ROC曲线计算AUC。但是，由于我没有底层数据（即响应和预测器），我不能在R中使用pROC包。
您需要做的第一件事就是清理数据。 ROC曲线从（0,0）开始，到（1,1）结束。如果您的曲线中缺少这些点，则AUC将被低估。这是一个尝试修复：
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得的数据的质量和可靠性。
然后你猜对了它只是一个整合游戏。我喜欢使用梯形规则的pracma中的trapz函数：
library(pracma)
trapz(AUC_data_1$one.minus.specificity, AUC_data_1$sensitivity)
[1] 0.6268943
关于不确定性，你应该看看Obuchowski（1）的工作，它表示ROC曲线的方差作为AUC的函数，样本大小和只能通过敏感性和特异性获得的副标准拟合的参数：
model <- lm(1-one.minus.specificity~sensitivity, AUC_data_1)
你会find the code directly in the pROC source。虽然它是私有的，你应该自担风险使用它（这些功能不会被导出，并且可能随时消失）。像这样的东西：
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
他们还提出了一种不需要二元系数的方法：
A <- qnorm(theta) * 1.414
(0.0099 * exp(-A^2/2)) * ((5 * A^2 + 8) + (A^2 + 8)/kappa) / n.cases
[1] 0.7846169
其中theta是您在上面计算的曲线的AUC。