A regression modelling framework for receiver operating characteristic curves in medical diagnostic testing
医学诊断 ROC 曲线的回归建模框架AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦医学诊断准确性的回归建模，未提供离散选择、因果识别或所列经济预测方向的依据。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
医学诊断 ROC 曲线的回归建模框架
- 研究问题
- 如何用统一回归框架概括患者特征、检测环境、检测类型或疾病严重程度等协变量与诊断 ROC 曲线的关系？
- 方法与思路
- 作者建立 ROC 回归模型，说明其与连续或有序检测数据经典模型的联系，使用估计方程拟合，并展示闪烁显像应用。
- 材料陈述的贡献
- 摘要称该框架能够简洁概括协变量与检测准确性的关系，并由经典检测数据模型自然导出，但未报告具体估计结果。
- 阅读关注点
- 应核对 ROC 回归的链接形式、参数解释与估计方程，检查疾病状态的判定方式、抽样设计及模型拟合诊断。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；模型条件、推断方法与应用数值未说明，协变量关系不能直接解释为因果效应。
原文摘要
Receiver operating characteristic curves (ROC'S) are used to evaluate diagnostic tests when test results are not binary. They describe the inherent capacity of the test for distinguishing between truly diseased and nondiseased subjects. Although methodology for estimating and for comparing roc's is well developed, to date no general framework exists for evaluating covariate effects on roc's. We formulate a general regression model which allows the effects of covariates on test accuracy to be succinctly summarised. Such covariates might include, for example, characteristics of the patient or test environment, test type or severity of disease. The regression models are shown to arise naturally from some classic models for continuous or ordinal test data. Regression parameters are fitted using an estimating equation approach. The method is illustrated on data from a study of multiformat photographic images used for scintigraphy.