ROC曲线（receiver operator characteristic curve），即受试者工作特征曲线，是以诊断试验的（1-特异度）为横坐标，灵敏度为纵坐标所绘制的曲线。该曲线与对角线构成的曲面面积（area under the curve, AUC）可反映检测方法的真实性。一般地，AUC越接近1，检测方法真实性越高；AUC在0.5~0.7之间，表示检测方法真实性较低；AUC在0.7~0.9之间，表示检测方法真实性中等；AUC在0.9以上，表示检测方法真实性较高。

（ROC曲线   本图来自网络）

ROC分布资料大致分为有序分类资料和连续型资料两种形式，下面属有序分类资料。

【筛检试验的评价指标】

金标准指当前公认的诊断疾病最可靠的标准方法。

真阳性（true positive）：经金标准诊断的病人，筛检试验为阳性者,反之为假阳性（false negative）; 

假阳性（false positive）：经金标准诊断为非病人，筛检试验为阳性者，反之为真阴性（true negative）;

灵敏度（sensitivity）：即真阳性率，反映筛检试验发现病人的能力。

阳性预测值：筛检发现的阳性者中患目标疾病的人所占比例。

灵敏度=TP/(TP+FN)  

阳性预测值=TP/(TP+FP)

特异度（specificity）,即真阴性率，反映筛检试验鉴别排除病人的能力。

阴性预测值：筛检发现阴性者中不患目标疾病的人所占比例。

特异度=TN/(TN+FP)

阴性预测值=TN/(TN+FN)

【ROC曲线的用处】

 1.ROC 曲线能很容易地查出任意界限值时的对疾病的识别能力。
2. 选择最佳的诊断界限值。
3. 用来比较两种或两种以上不同诊断试验对疾病的识别能力。（在对同一种疾病的两种或两种以上诊断方法进行比较时，可将各试验的 ROC 曲线绘制到同一坐标中，以直观地鉴别优劣，靠近左上角的 ROC 曲线所代表的受试者工作最准确。亦可通过分别计算各个试验的 ROC 曲线下的面积 (AUC) 进行比较，哪一种试验的 AUC 最大，则哪一种试验的诊断价值最佳。）

【案例解析】

有109份CT影像，其中有51份采用金标准准确为异常，58份确诊为正常。某放射医生对这些CT影像的异常程度按1,2,3,4,5的顺序进行分类，结果如图所示。若想知道放射医生利用CT影像诊断能力（数据来源宇传华书籍）

①因为该资料为分类变量，故需要对频数加权；即

②“分析”→“ROC曲线图”

③，点击“选项”，

【输出结果】

ROC曲线下的面积为0.893，诊断结果中等；当然也可以参考各结果

大家发现没，SPSS做出的ROC曲线并不美观，下面我们用另一款统计软件MedCalc做ROC曲线（MedCalc可以说是做ROC曲线最好的），其结果相差不大。

【案例分析】

某医院内科医生想知道吸烟是否对肺癌的发生有害(假设其他因素已确定，值考虑吸烟），并预知准确性如何？（本数据来源网络）“PRE_1”即为肺癌发生的预测值，本数据为连续性资料。

①单击“statistic”→“ROC curve”→“ROC curve analysis”

②点击，如图所示，“OK”即可

【输出结果】

ROC曲线

其结果的读取和SPSS基本类似，这里就不重复赘述了！