文章来源：LinkLab微信公众号
引言
上一期我们已学习了诊断性试验的常用评价指标，不难看出，在这些指标中，Sen、Spe、+LR 和 -LR属于稳定的指标，Acc为相对稳定指标，而PPV和NPV为不稳定指标。今天，就和大伙聊聊另一个综合评价指标—ROC曲线（receiver operator characteristic curve，ROC）。
正文
ROC曲线
即受试者工作特征曲线，是反映敏感度和特异度连续变量的综合指标，用作图法展示两度之间的关系。
作图方法
在相关临床研究报告中，若有一个ROC曲线图将会给审稿人深刻印象，具体做法是：
试验结果为计量资料即连续变量，至少计算5个临界点的指标，以敏感度（真阳性率）为Y轴，1-特异度（假阳性率）为X轴，将各点连成曲线，即ROC曲线。如下图所示：
ROC曲线作用
1. 正确选择临界点（cutoff）
1）上期已经谈到，敏感度越高，漏诊病例越少，而1-特异度 越低，误诊率越少；
2）在ROC曲线上，想找到一个界值，那就让两度值都取得最好的效果，那我们就往图的左上角寻找；
3）最靠近左上角的那一点为最佳临界点，点上的值即为最佳临界值，因为，此点上敏感度与特异度都较高，假阳性与假阴性也最少；
4）即约登指数取得最大值的界值。
约登指数=敏感度+特异度-1
2. AUC用于评估试验的诊断价值
AUC（area under the ROC curve, AUC）即ROC曲线下面积，AUC越大越好，提示该试验的诊断价值越高。
1）AUC≈1.0：最理想的检查指标；
2）AUC在0.7-0.9之间：试验准确性高；
3）AUC＝0.5：试验无诊断价值。
一般来说，AUC达到0.9以上才认为是一个准确性很高的诊断试验，此时的cutoff才有实际意义哦！
3. 用于比较两种或两种以上诊断性试验的诊断价值。
把各试验的ROC曲线绘制在同一坐标中，可以直观地比较哪种诊断更有价值，如下图所示：显然绿色代表的诊断价值优于蓝色诊断，粉色诊断最弱。
预告
那如何报告诊断性临床研究结果呢？这是我们下期主题，敬请关注哦！
如果这篇文章对您有用，希望您能点击正文最下方的「订阅」。想看更多临床医疗科研的精品文章也可以关注我们的微信公众号：LinkLab
如果您有什么医学上的问题，也可以加微信客服号：linkmd,我们会一一为您解答
