第八篇 医学预测模型的全面评估8.1 区分度指标：AUROC, AUPRC, C-statistic8.1.1 为什么 AUC 不是全部在第六篇中，我们用 AUROC 作为模型性能的标尺，顺利筛选出了最优的 LightGBM 模型。但如果你读过医学预测建模的规范论文，会发现往往同时报告四五种指标，单凭一个 AUROC 是远远不够的。区分度（discrimination）仅仅回答了“模型能否把死亡患者和存活患者区分开”，但并没有告诉我们：模型输出的 0.82 风险概率，是否真的意味着有 82% 的患者会死亡？（需要校准度）如果我们要设定一个高风险警报阈值，这个阈值下的假阳性率和假阴性率是多少？（需要阈值相关指标）使用这个模型做临床决策，总体净获益是否比“全治”或“全不治”策略更高？（需要决策曲线分析）因此，一套完整的预测模型评估报告，必须包含区分度、校准度和临床有用性三个维度。这一节我们先完善区分度指标。8
第八篇 医学预测模型的全面评估8.1 区分度指标：AUROC, AUPRC, C-statistic8.1.1 为什么 AUC 不是全部在第六篇中，我们用 AUROC 作为模型性能的标尺，顺利筛选出了最优的 LightGBM 模型。但如果你读过医学预测建模的规范论文，会发现往往同时报告四五种指标，单凭一个 AUROC 是远远不够的。区分度（discrimination）仅仅回答了“模型能否把死亡患者和存活患者区分开”，但并没有告诉我们：模型输出的 0.82 风险概率，是否真的意味着有 82% 的患者会死亡？（需要校准度）如果我们要设定一个高风险警报阈值，这个阈值下的假阳性率和假阴性率是多少？（需要阈值相关指标）使用这个模型做临床决策，总体净获益是否比“全治”或“全不治”策略更高？（需要决策曲线分析）因此，一套完整的预测模型评估报告，必须包含区分度、校准度和临床有用性三个维度。这一节我们先完善区分度指标。8
)
)
