Verwendung und Missbrauch der Receiver-Operating-Characteristic-Kurve in der Risikovorhersage

Die c-Statistik, oder Fläche unter der Receiver-Operating-Characteristic-(ROC-)Kurve, erlangte Popularität bei diagnostischen Tests, bei denen die Testcharakteristika Sensitivität und Spezifität für die Unterscheidung zwischen kranken und nicht kranken Patienten relevant sind. Die c-Statistik ist jedoch möglicherweise nicht optimal zur Bewertung von Modellen, die das zukünftige Risiko vorhersagen oder Individuen in Risikokategorien einteilen. In diesem Kontext ist die Kalibrierung für eine genaue Risikobewertung ebenso wichtig. Zum Beispiel kann ein Biomarker mit einer Odds Ratio von 3 nur wenig Einfluss auf die c-Statistik haben, während ein erhöhtes Niveau das geschätzte 10-Jahres-Kardiovaskulärrisiko eines einzelnen Patienten von 8 % auf 24 % erhöhen könnte, was unter den aktuellen Adult Treatment Panel III-Richtlinien zu unterschiedlichen Behandlungsempfehlungen führen würde. Anerkannte Risikofaktoren wie Lipide, Bluthochdruck und Rauchen haben einzeln nur einen marginalen Einfluss auf die c-Statistik, führen jedoch zu einer genaueren Neuklassifizierung großer Patientengruppen in höher- oder niedrigrisikante Kategorien. Perfekt kalibrierte Modelle für komplexe Krankheiten können tatsächlich nur Werte für die c-Statistik erreichen, die deutlich unter dem theoretischen Maximum von 1 liegen. Die Verwendung der c-Statistik zur Modellselektion könnte somit naiv etablierte Risikofaktoren aus kardiovaskulären Risikovorhersage-Scores eliminieren. Da neue Risikofaktoren entdeckt werden, erscheint die alleinige Abhängigkeit von der c-Statistik zur Bewertung ihrer Nützlichkeit als Risikoprädiktoren daher nicht ratsam.