Cut-off point for clinical application

1. Import dataset

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(readxl)
library(pROC)

## Type 'citation("pROC")' for a citation.

## 
## Attaching package: 'pROC'

## The following objects are masked from 'package:stats':
## 
##     cov, smooth, var

df_pima = read_excel("/Users/thien/Desktop/R-dir/R studying/dataset/Pima Indian Diabetes Dta.xlsx")
colnames(df_pima)

##  [1] "id"                       "Pregnancies"             
##  [3] "Glucose"                  "BloodPressure"           
##  [5] "SkinThickness"            "Insulin"                 
##  [7] "bmi"                      "DiabetesPedigreeFunction"
##  [9] "Age"                      "Outcome"

2. Xác định Kết quả Lâm sàng

# Chúng ta sẽ sử dụng cột `Glucose` và `Outcome`
# Tính toán ROC curve
roc_obj <- roc(df_pima$Outcome, df_pima$Glucose)

## Setting levels: control = 0, case = 1

## Setting direction: controls < cases

# Vẽ ROC Curve
plot.roc(roc_obj, col = "darkorange", lwd = 2, main = "ROC Curve for Glucose")

# Tính toán AUC
auc_value <- auc(roc_obj)
auc_value

## Area under the curve: 0.7881

# Tính toán Youden’s index
youden_index <- roc_obj$sensitivities + roc_obj$specificities - 1
best_threshold <- roc_obj$thresholds[which.max(youden_index)]
cat("Cut-off point tốt nhất:", best_threshold, "\n")

## Cut-off point tốt nhất: 123.5

• Ghi chú: Đường cong ROC giúp trực quan hóa hiệu suất của mô hình phân loại.
• Youden’s Index cho mỗi ngưỡng (threshold) trên đường ROC và chọn ngưỡng có trị số Youden cao nhất làm cut-off point tối ưu.
• Cut-off point tốt nhất: Giá trị glucose tối ưu để phân biệt giữa bệnh nhân tiểu đường và không tiểu đường.

3. Dự đoán kết quả với cut-off point đã chọn

df_pima <- df_pima %>% mutate(predicted = ifelse(Glucose >= best_threshold, 1, 0))

4. Tính toán các chỉ số đánh giá

accuracy <- mean(df_pima$predicted == df_pima$Outcome)
accuracy

## [1] 0.7213542

confusion_matrix <- table(df_pima$Outcome, df_pima$predicted)
confusion_matrix

##    
##       0   1
##   0 366 134
##   1  80 188

precision <- confusion_matrix[2, 2] / sum(confusion_matrix[, 2])
precision

## [1] 0.5838509

recall <- confusion_matrix[2, 2] / sum(confusion_matrix[2, ])
recall

## [1] 0.7014925