大家好，又见面了，我是你们的朋友全栈君。
ROC（receiver operator characteristic curve, 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，将会给人深刻印象，具体做法是：
实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：
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界点，点上的值即为最佳临界值，因此，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用于评估诊断的诊断价值
AUC（area under the ROC curve, AUC）即ROC曲线下面积， AUC越大越好，提示该实验值越高。
1）AUC ≈1.0：最理想的检查指标
2) AUC在0.7-0.9之间：实验准确性高
3）AUC=0.5：实验无诊断价值。
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实验，此时的cutoff才有实际意义。
3.用于比较两种或两种以上诊断性实验的诊断价值。
把各实验的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。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/145732.html原文链接：https://javaforall.net
![mediumtext java类型_编辑框不支持MEDIUMTEXT数据类型[通俗易懂]](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450-480x300.jpg)
