Co to jest pAUC?
Częściowe pole pod krzywą ROC (pAUC) to pole pod krzywą ROC liczone tylko w wybranym zakresie, najczęściej przy wysokiej swoistości (np. od 0.90 do 1), rzadziej przy wysokiej czułości. Pełne AUC uśrednia trafność po wszystkich progach, także tych, których nikt w praktyce nie wybierze. Gdy krzywe dwóch testów się przecinają, pełne AUC może wskazać inny test niż ten, który lepiej działa w ważnym klinicznie obszarze. McClish (1989) zaproponowała analizę pola tylko w ustalonym z góry zakresie odsetka fałszywie dodatnich i podała oszacowania wariancji dla takiego pola.
Korekta McClish
Surowe pAUC zależy od szerokości zakresu: dla swoistości 0.90–1 maksimum wynosi 0.1, a linia przekątna daje 0.005. Dlatego zwykle podaje się wersję standaryzowaną, którą pakiet pROC nazywa korektą McClish: ½[1 + (pAUC − min)/(max − min)]. Wynik 0.5 oznacza w tym zakresie zgadywanie, a 1 – test idealny. Zakres trzeba wybrać przed analizą, tak jak próg czułości i swoistości wynikający z kosztów błędów.
Przykład
U 200 osób zdrowych i 100 chorych zmierzono dwa markery (dane symulowane). Marker A ma wyższe pełne AUC (0.820 wobec 0.763), a test DeLonga nie wykazuje różnicy (p = .210). W zakresie swoistości 0.90–1 jest odwrotnie: skorygowane pAUC wynosi 0.611 dla A i 0.733 dla B, a test bootstrap (2000 powtórzeń) daje D = −2.80, p = .005. Przy swoistości 0.95 czułość markera B to 0.50, a markera A tylko 0.27. Przewaga A dotyczy niskiej swoistości, nieistotnej w tym zastosowaniu.
Na rysunku
Budowę krzywej ROC i pełne AUC jako odsetek wygranych par pokazuje wpis Krzywa ROC w obrazkach. Tu dane z przykładu: dwa markery, dla których pełne AUC i pAUC wskazują różnych zwycięzców.
Co widać. W panelu A marker A (niebieska linia ciągła) przez większość wykresu leży wyżej i ma większe pełne AUC (0.820 wobec 0.763). W szarym pasie po lewej, czyli przy swoistości co najmniej 0.90, wyżej leży jednak marker B (pomarańczowa linia przerywana). Jego krzywa od razu wspina się do czułości około 0.5, bo część chorych ma bardzo wysokie wartości markera. Panel B powiększa ten pas: zacienione pole to surowe pAUC – 0.0261 dla A i 0.0492 dla B przy maksimum 0.1, a po standaryzacji McClish 0.611 i 0.733. Przy swoistości 0.95 (linia kropkowana) czułość wynosi 0.27 dla A i 0.50 dla B.
Na co uważać. Panel B rozciąga oś poziomą dziesięciokrotnie, więc pole wygląda na duże, choć nie przekracza 0.1. O kształcie krzywej w tym pasie decyduje tylko 20 osób zdrowych z 200 – stąd grube schodki. Rysunek nie pokazuje niepewności pAUC; ocenia ją test bootstrap z przykładu. Zakres wybiera się przed analizą: patrząc na panel A, łatwo „znaleźć” pas, w którym wygrywa preferowany marker. Parametry markerów (u chorych ta sama średnia, SD 1 i 2.2) ustawiono ręcznie tak, by krzywe się przecinały.
Podpis do pracy:
Kod poniżej odtwarza rysunek i liczby z tego akapitu. Jest samowystarczalny: paletę Okabe–Ito i prosty motyw definiuje sam. Rysunek na stronie powstał z tych samych obiektów pa i pb z motywem serwisu – dane, geometrie i skale są identyczne, różni się tylko krój czcionki i siatka. Ziarno set.seed(7271) jest to samo co w kodzie hasła i nie było dobierane. Kod sprawdza też, że pole zacienionego wielokąta równa się pAUC z pROC.
Kod R rysunku 1
# Rysunek 1. Pełne pole pod krzywą ROC (A) i częściowe pole przy swoistości 0.90–1 (B)
library(ggplot2)
library(patchwork)
suppressPackageStartupMessages(library(pROC))
# Paleta Okabe–Ito (czytelna przy zaburzeniach widzenia barw); markery rozróżnia też typ linii i panel
kol <- c("Marker A" = "#0072B2", "Marker B" = "#D55E00")
lin <- c("Marker A" = "solid", "Marker B" = "dashed")
motyw <- theme_minimal(base_size = 14) +
theme(panel.grid.minor = element_blank(), legend.position = "bottom",
plot.title = element_text(face = "bold"))
# Dane z przykładu hasła: 200 zdrowych i 100 chorych, dwa markery u tych samych osób
set.seed(7271)
n0 <- 200; n1 <- 100
choroba <- rep(0:1, c(n0, n1))
markerA <- c(rnorm(n0, 0, 1), rnorm(n1, 1.3, 1)) # ten sam rozrzut w obu grupach
markerB <- c(rnorm(n0, 0, 1), rnorm(n1, 1.3, 2.2)) # u chorych duży rozrzut
rA <- roc(choroba, markerA, quiet = TRUE)
rB <- roc(choroba, markerB, quiet = TRUE)
# Punkty krzywych: x = 1 − swoistość (odsetek fałszywie dodatnich), y = czułość
punkty <- function(r, nazwa) {
d <- data.frame(fpr = 1 - r$specificities, czulosc = r$sensitivities, marker = nazwa)
d[order(d$fpr, d$czulosc), ]
}
krzywe <- rbind(punkty(rA, "Marker A"), punkty(rB, "Marker B"))
# Pole pod krzywą do fpr = 0.1 (wielokąt) – kontrola zgodności z pAUC z pROC
wielokat <- function(d) {
rbind(data.frame(fpr = 0, czulosc = 0, marker = d$marker[1]), d[d$fpr <= 0.1, ],
data.frame(fpr = 0.1, czulosc = 0, marker = d$marker[1]))
}
pole <- function(d) {
d <- wielokat(d) # wzór sznurowadłowy na pole wielokąta
abs(sum(d$fpr * c(d$czulosc[-1], d$czulosc[1]) - c(d$fpr[-1], d$fpr[1]) * d$czulosc)) / 2
}
pAUC <- c(A = as.numeric(auc(rA, partial.auc = c(1, 0.9), partial.auc.focus = "specificity")),
B = as.numeric(auc(rB, partial.auc = c(1, 0.9), partial.auc.focus = "specificity")))
round(rbind(AUC = c(auc(rA), auc(rB)), pAUC_pROC = pAUC,
pAUC_wielokat = c(pole(krzywe[krzywe$marker == "Marker A", ]),
pole(krzywe[krzywe$marker == "Marker B", ]))), 4)
mcclish <- function(p, s = 0.1) (1 + (p - s^2 / 2) / (s - s^2 / 2)) / 2 # korekta McClish
round(mcclish(pAUC), 3)
c(zdrowi_w_zakresie = 0.1 * n0) # tylu zdrowych wyznacza zakres swoistości 0.90–1
etyk <- data.frame(marker = c("Marker A", "Marker B"), fpr = c(0.52, 0.52), czulosc = c(0.30, 0.21),
tekst = sprintf("%s: AUC = %.3f", c("Marker A", "Marker B"), c(auc(rA), auc(rB))))
pa <- ggplot(krzywe, aes(fpr, czulosc, colour = marker, linetype = marker)) +
annotate("rect", xmin = 0, xmax = 0.1, ymin = 0, ymax = 1, fill = "grey85", alpha = 0.7) +
annotate("text", x = 0.11, y = 0.06, hjust = 0, size = 3.7, label = "zakres pAUC: swoistość 0.90–1") +
geom_abline(slope = 1, intercept = 0, colour = "grey60", linetype = "dotted") +
geom_path(linewidth = 0.9) +
geom_text(data = etyk, aes(label = tekst), hjust = 0, size = 3.8, show.legend = FALSE) +
scale_colour_manual(values = kol, name = NULL) +
scale_linetype_manual(values = lin, name = NULL) +
coord_equal() +
labs(title = "A. Pełne krzywe ROC", x = "1 − swoistość", y = "Czułość") + motyw
# B: powiększenie zakresu 0–0.1 z zacienionym polem pAUC każdego markera
wycinek <- krzywe[krzywe$fpr <= 0.1, ]
pola <- rbind(wielokat(krzywe[krzywe$marker == "Marker A", ]), wielokat(krzywe[krzywe$marker == "Marker B", ]))
podpis <- c("Marker A" = sprintf("Marker A: pAUC = %.4f (McClish %.3f)", pAUC["A"], mcclish(pAUC["A"])),
"Marker B" = sprintf("Marker B: pAUC = %.4f (McClish %.3f)", pAUC["B"], mcclish(pAUC["B"])))
czul95 <- data.frame(marker = c("Marker A", "Marker B"), fpr = 0.05,
czulosc = c(coords(rA, 0.95, input = "specificity", ret = "sensitivity")[[1]],
coords(rB, 0.95, input = "specificity", ret = "sensitivity")[[1]]))
czul95
pb <- ggplot(wycinek, aes(fpr, czulosc, colour = marker, linetype = marker)) +
geom_polygon(data = pola, aes(fill = marker), alpha = 0.25, colour = NA, show.legend = FALSE) +
geom_path(linewidth = 0.9) +
geom_vline(xintercept = 0.05, colour = "grey40", linetype = "dotted") +
geom_point(data = czul95, size = 2.8, shape = 21, fill = "white", stroke = 1.1, show.legend = FALSE) +
geom_text(data = czul95, aes(label = sprintf("czułość %.2f", czulosc)), hjust = -0.15, vjust = 1.3,
size = 3.6, colour = "grey15", show.legend = FALSE) +
facet_wrap(~ marker, ncol = 2, labeller = as_labeller(podpis)) +
scale_colour_manual(values = kol, name = NULL) +
scale_fill_manual(values = kol, name = NULL) +
scale_linetype_manual(values = lin, name = NULL) +
scale_x_continuous(breaks = c(0, 0.05, 0.1)) +
coord_cartesian(xlim = c(0, 0.1), ylim = c(0, 1)) +
labs(title = "B. Zakres 1 − swoistość od 0 do 0.1 (swoistość ≥ 0.90)",
x = "1 − swoistość", y = "Czułość") + motyw + theme(legend.position = "none")
p1 <- pa / pb + plot_layout(heights = c(1.25, 1))
p1 # zapis: ggsave("czesciowe-pole-pod-krzywa-roc-pauc-zakres.svg", p1, width = 8, height = 10.5)Wynik w R
A B
AUC 0.8198 0.7626
pAUC_pROC 0.0261 0.0492
pAUC_wielokat 0.0261 0.0492
A B
0.611 0.733
zdrowi_w_zakresie
20
marker fpr czulosc
1 Marker A 0.05 0.27
2 Marker B 0.05 0.50Jak opisać w pracy
Na co uważać
- Zakres wybrany po fakcie. Szukanie zakresu, w którym różnica jest istotna, to dopasowywanie wyniku do danych.
- Podaj, czy pAUC jest skorygowane. Surowe 0.049 i skorygowane 0.733 opisują to samo pole.
- Mało obserwacji w zakresie. Wąski zakres opiera się na niewielu zdrowych osobach.
- pAUC nie wybiera progu. Do konkretnego punktu odcięcia służy np. indeks Youdena.
Budowę krzywej i wybór progu pokazuje wpis Krzywa ROC i punkt odcięcia krok po kroku, a wersję dla danych o czasie przeżycia – krzywa ROC zależna od czasu. Pakiet pROC udostępnia testy dla całych i częściowych pól (Robin i in., 2011).
pAUC w R
Kod symuluje dwa markery mierzone u tych samych osób, liczy pełne AUC, surowe i skorygowane pAUC dla swoistości 0.90–1 (ręcznie i w pROC), porównuje markery testem DeLonga i testem bootstrap oraz odczytuje czułość przy swoistości 0.95. Liczby w tekście pochodzą z tego kodu.
Pełne a częściowe pole pod krzywą ROC
R
set.seed(7271)
library(pROC)
n0 <- 200; n1 <- 100 # 200 zdrowych, 100 chorych (dane symulowane)
choroba <- rep(0:1, c(n0, n1))
markerA <- c(rnorm(n0, 0, 1), rnorm(n1, 1.3, 1)) # ten sam rozrzut w obu grupach
markerB <- c(rnorm(n0, 0, 1), rnorm(n1, 1.3, 2.2)) # u chorych duży rozrzut
rA <- roc(choroba, markerA, quiet = TRUE)
rB <- roc(choroba, markerB, quiet = TRUE)
round(c(AUC_A = auc(rA), AUC_B = auc(rB)), 3) # pełne pole
pA <- auc(rA, partial.auc = c(1, 0.9), partial.auc.focus = "specificity")
pB <- auc(rB, partial.auc = c(1, 0.9), partial.auc.focus = "specificity")
round(c(pAUC_A = pA, pAUC_B = pB), 4) # surowe pAUC, swoistość 0.90-1 (max 0.1)
mcclish <- function(p, s = 0.1) (1 + (p - s^2 / 2) / (s - s^2 / 2)) / 2 # korekta McClish
round(c(A = mcclish(pA), B = mcclish(pB)), 3)
pAc <- roc(choroba, markerA, partial.auc = c(1, 0.9), partial.auc.correct = TRUE, quiet = TRUE)
pBc <- roc(choroba, markerB, partial.auc = c(1, 0.9), partial.auc.correct = TRUE, quiet = TRUE)
round(c(A = as.numeric(pAc$auc), B = as.numeric(pBc$auc)), 3) # to samo z pROC
roc.test(rA, rB, method = "delong") # pełne AUC
roc.test(pAc, pBc, method = "bootstrap", boot.n = 2000) # pAUC, swoistość 0.90-1
round(rbind(A = coords(rA, 0.95, input = "specificity", ret = "sensitivity"),
B = coords(rB, 0.95, input = "specificity", ret = "sensitivity")), 3) # czułość przy swoistości .95Wynik w R
AUC_A AUC_B
0.820 0.763
pAUC_A pAUC_B
0.0261 0.0492
A B
0.611 0.733
A B
0.611 0.733
DeLong's test for two correlated ROC curves
data: rA and rB
Z = 1.2527, p-value = 0.2103
alternative hypothesis: true difference in AUC is not equal to 0
95 percent confidence interval:
-0.0322946 0.1466946
sample estimates:
AUC of roc1 AUC of roc2
0.8198 0.7626
Bootstrap test for two correlated ROC curves
data: pAc and pBc
D = -2.8013, boot.n = 2000, boot.stratified = 1, p-value = 0.00509
alternative hypothesis: true difference in AUC is not equal to 0
sample estimates:
Corrected pAUC (1-0.9 specificity) of roc1
0.6110526
Corrected pAUC (1-0.9 specificity) of roc2
0.7328947
sensitivity
A 0.27
B 0.50Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiet pROC). Rysunek 1 wykonano w pakiecie ggplot2, panele złożono pakietem patchwork i zapisano pakietem svglite. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
- pROC (wersja 1.19.0.1): Robin, X., Turck, N., Hainard, A., Tiberti, N., Lisacek, F., Sanchez, J.-C., & Müller, M. (2011). pROC: An open-source package for R and S+ to analyze and compare ROC curves. BMC Bioinformatics, 12, Article 77. https://doi.org/10.1186/1471-2105-12-77
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
- svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite
Najczęstsze pytania
Kiedy używać pAUC zamiast pełnego AUC?
Gdy w praktyce test będzie działał tylko przy wysokiej swoistości (np. badanie przesiewowe, w którym fałszywe alarmy są kosztowne) albo tylko przy wysokiej czułości. Zakres ustal przed analizą, a nie po obejrzeniu krzywych.
Jak interpretować skorygowane pAUC?
Po standaryzacji McClish wartość 0.5 oznacza, że w wybranym zakresie test działa jak losowe zgadywanie, a 1 – że jest idealny. Dzięki temu wynik ma skalę zbliżoną do zwykłego AUC, ale dotyczy tylko tego zakresu.
Jak porównać pAUC dwóch markerów?
W pakiecie pROC zbuduj krzywe z argumentem partial.auc i użyj roc.test(…, method = "bootstrap"). Test DeLonga w pROC dotyczy pełnego pola, dlatego dla pAUC stosuje się bootstrap.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- McClish, D. K. (1989). Analyzing a portion of the ROC curve. Medical Decision Making, 9(3), 190–195. https://doi.org/10.1177/0272989x8900900307
- Robin, X., Turck, N., Hainard, A., Tiberti, N., Lisacek, F., Sanchez, J.-C., & Müller, M. (2011). pROC: An open-source package for R and S+ to analyze and compare ROC curves. BMC Bioinformatics, 12(1), Article 77. https://doi.org/10.1186/1471-2105-12-77 ● Otwarty dostęp
Cytowania BibTeX
@article{mcclish1989analyzing, author={McClish, Donna Katzman}, title={{Analyzing a portion of the ROC curve}}, journal={Medical Decision Making}, year={1989}, volume={9}, number={3}, pages={190--195}, doi={10.1177/0272989x8900900307}}@article{robin2011proc, author={Robin, Xavier and Turck, Natacha and Hainard, Alexandre and Tiberti, Natalia and Lisacek, Frédérique and Sanchez, Jean-Charles and Müller, Markus}, title={{pROC: An open-source package for R and S+ to analyze and compare ROC curves}}, journal={BMC Bioinformatics}, year={2011}, volume={12}, number={1}, eid={77}, doi={10.1186/1471-2105-12-77}}