Intraclass correlatie coefficient: Difference between revisions

From Wikistatistiek
Jump to navigation Jump to search
No edit summary
Line 23: Line 23:


==Hoe kan de ICC interpreteren?==
==Hoe kan de ICC interpreteren?==
De ICC kan geïnterpreteerd worden als de ratio tussen de variatie veroorzaakt door patiëntverschillen en de totale variatie. Idee daarbij is dat als het leeuwendeel van de variatie in de data veroorzaakt wordt door de verschillen tussen patiënten, er slechts een klein deel variatie veroorzaakt wordt door de verschillen tussen beoordelingen. Bij een ICC van 1 wordt alle variatie toegeschreven aan de verschillen tussen patienten en niets aan de verschillende beoordelingen. Hoe lager de ICC, hoe meer variatie de beoordelingen veroorzaakt hebben en dus hoe slechter de overeenstemming tussen beoordelingen. De ICC wordt op vergelijkbare manier als de [[Cohen's_kappa#Hoe_interpreteer_ik_Cohen.E2.80.99s_Kappa|de kappa coëfficiënt]] geclassificeerd.
De ICC kan geïnterpreteerd worden als de ratio tussen de variatie veroorzaakt door patiëntverschillen en de totale variatie. Idee daarbij is dat als het leeuwendeel van de variatie in de data veroorzaakt wordt door de verschillen tussen patiënten, er slechts een klein deel variatie veroorzaakt wordt door de verschillen tussen beoordelingen. Bij een ICC van 1 wordt alle variatie toegeschreven aan de verschillen tussen patienten en niets aan de verschillende beoordelingen. Hoe lager de ICC, hoe meer variatie de beoordelingen veroorzaakt hebben en dus hoe slechter de overeenstemming tussen beoordelingen. De ICC wordt op vergelijkbare manier als de [[Cohen's_kappa#Hoe_interpreteer_ik_Cohen's_Kappa|kappa coëfficiënt]] geclassificeerd.


Vrij gezegd vertelt een lage ICC dat een tweede beoordeling iemand werkelijk als 'andere patient' kan classificeren, bij een hoge ICC zijn de verschillen tussen de beoordelingen gering tov de verschillen tussen patienten. Let op: doordat de ICC deze relatieve bijdrage van patientverschillen tov totale verschillen berekent, zal de ICC gevoelig zijn voor de range aan waardes die voorkomen in de populatie. In een heterogene populatie zal een ICC hogere waardes geven dan in een homogene populatie.
Vrij gezegd vertelt een lage ICC dat een tweede beoordeling iemand werkelijk als 'andere patient' kan classificeren, bij een hoge ICC zijn de verschillen tussen de beoordelingen gering tov de verschillen tussen patienten. Let op: doordat de ICC deze relatieve bijdrage van patientverschillen tov totale verschillen berekent, zal de ICC gevoelig zijn voor de range aan waardes die voorkomen in de populatie. In een heterogene populatie zal een ICC hogere waardes geven dan in een homogene populatie.

Revision as of 13:51, 31 March 2010

De intraclass correlatie coëfficiënt (ICC) wordt gebruikt voor het kwantificeren van de mate van overeenstemming tussen twee op continue schaal herhaaldelijk gemeten waardes. Bijvoorbeeld als bekeken wordt in hoeverre twee artsen bij het uitvoeren van endoscopieën bij dezelfde patiënten tot een gelijk aantal gedetecteerde poliepen komen.

Waarom is een 'gewone' correlatiecoëfficiënt niet voldoende voor het beoordelen van overeenstemming?

Bij het analyseren van de overeenstemming tussen twee beoordelingen, is het goed om te starten met het maken van een scatterplot. De reeks waarnemingen behorend bij de eerste beoordeling wordt dan uitgezet tegen de tweede reeks waarnemingen. Op basis van de scatterplot kan een eerste uitspraak gedaan worden over de mate van samenhang tussen de twee beoordelingen. Daarbij kan ook een correlatiecoëfficiënt uitgerekend worden. Echter, een goede correlatiecoëfficiënt is geen verzekering voor een goede overeenstemming. Stel de eerste beoordeling van een reeks van 10 patiënten levert de volgende waardes op: 11, 13, 10, 15, 18, 13, 14, 15, 20, 12 en de tweede beoordeling levert de getallen: 21, 23, 20, 25, 28, 23, 24, 25, 30, 22. De twee reeksen zijn perfect gecorreleerd (met een correlatiecoëfficiënt van 1). Maar er is hier geen stricte overeenstemming. De tweede reeks scoort namelijk structureel 10 hoger dan de eerste. Het is daarom verstandig om na het kijken naar de scatterplot en de 'gewone' correlatiecoëfficiënt ook een ICC te berekenen.

Zie ook

Waar vind ik de ICC in SPSS?

Je kunt de ICC uitrekenen met SPSS. Ga daarvoor naar Analyze -> Scale -> Reliablity Analysis. Vink onder 'Statistics...' de Intraclass correlation coefficient aan. Let op dat je een geschikt model en type kiest (zie onder).

Welk model moet ik gebruiken voor de berekening van mijn ICC

Er zijn 3 modellen die in SPSS gebruikt kunnen worden voor het berekenen van de ICC: Two Way Mixed, Two Way Random en One Way Random

Wanneer gebruik ik Two Way Mixed?

Het Two Way Mixed model gaat ervan uit dat er een vast aantal beoordelaars zijn die een sample van alle patiënten beoordelen. Dit is bijvoorbeeld het geval als dezelfde samples een keer handmatig en een keer computergestuurd worden afgelezen. We zijn daarbij geïnteresseerd in de overeenstemming tussen deze twee specifieke technieken en willen dit niet extrapoleren naar een derde techniek oid.

Wanneer gebruik ik Two Way Random?

Het Two Way Random model gaat ervan uit dat de beoordelaars niet vast zijn, maar ook een random sample zijn van alle mogelijke beoordelaars. Dit is bijvoorbeeld het geval als er bij patiënten twee maal de temperatuur gemeten wordt. We zijn daarbij geïnteresseerd in de overeenstemming tussen de twee herhaalde metingen. Maar we willen hiermee ook iets kunnen zeggen over toekomstige herhalingen van temperatuurmetingen.

Wanneer gebruik ik One Way Random?

Het One Way Random model gaat ervan uit dat de beoordelaars een random sample zijn van alle beoordelaars, maar dat nu alle patiënten (of in het algemeen targets) beoordeeld worden. Omdat er in medisch onderzoek vaak gewerkt wordt met een sample uit de totale patiëntenpopulatie, wordt dit model daarbij niet vaak gebruikt.

Hoe kan de ICC interpreteren?

De ICC kan geïnterpreteerd worden als de ratio tussen de variatie veroorzaakt door patiëntverschillen en de totale variatie. Idee daarbij is dat als het leeuwendeel van de variatie in de data veroorzaakt wordt door de verschillen tussen patiënten, er slechts een klein deel variatie veroorzaakt wordt door de verschillen tussen beoordelingen. Bij een ICC van 1 wordt alle variatie toegeschreven aan de verschillen tussen patienten en niets aan de verschillende beoordelingen. Hoe lager de ICC, hoe meer variatie de beoordelingen veroorzaakt hebben en dus hoe slechter de overeenstemming tussen beoordelingen. De ICC wordt op vergelijkbare manier als de kappa coëfficiënt geclassificeerd.

Vrij gezegd vertelt een lage ICC dat een tweede beoordeling iemand werkelijk als 'andere patient' kan classificeren, bij een hoge ICC zijn de verschillen tussen de beoordelingen gering tov de verschillen tussen patienten. Let op: doordat de ICC deze relatieve bijdrage van patientverschillen tov totale verschillen berekent, zal de ICC gevoelig zijn voor de range aan waardes die voorkomen in de populatie. In een heterogene populatie zal een ICC hogere waardes geven dan in een homogene populatie.

Referenties