简介
受试者工作特征曲线( receiver operating characteristic curve , ROC 曲线),又称为感受性曲线( sensitivity curve ),是比较诊断测试的一种方法。随着接受者灵敏度的提高,假阳性的数量会随之增加。 因此, ROC 曲线实际上反映了特异性与灵敏度的关系,它是真阳性率与假阳性率的关系图。其背后的逻辑是,如果一项测试没有诊断能力,那么它产生真阳性或假阳性的可能性是相同的。随着诊断能力的增加,即特异性的提升,真阳性率上升,假阳性下降。 在临床诊断中ROC一般用于评价检验项目的临床准确性,如评价多指标联检的准确性,未知单指标的检测cut-off值等。此外,在生物标志物研究中,ROC是评估一个生物标志物的预测性能的有用的图形工具,指示一个生物标志物组区分两个群组(如实验组和对照组,疾病和健康)的能力。
ROC曲线图解
ROC曲线是以真阳性率(灵敏度)为纵坐标,假阳性率(1-特异度)为横坐标绘制的曲线。其自变量(检验项目)一般为连续性变量,因变量(金标准)一般为二分类变量。
Fig 1. Receiver operator characteristic curves of the predicted risk of HPAI H5N1 presence/absence. (Martin V, et al. 2011)
- Left and right plots are the ROC curves of the bootstrapped logistic regression models and BRT models, respectively.
- Top and bottom plots are the ROC curves of the models based on HPAI H5N1 clinical disease outbreak data, and HPAIV H5N1 risk-based surveillance data, respectively.
ROC曲线分析流程及分析目的:
(1)敏感性和特异性之间的关系,例如敏感性降低时,特异性的增加。
(2)测试精度,曲线越靠近顶部和左侧边界,代表测试越准确;曲线越靠近对角线,测试的准确性就越低。
(3)似然比,由任意特定切点处的导数给出。
ROC曲线应用领域
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、两种或两种以上不同诊断试验对疾病识别能力的比较。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,可以直观地鉴别优劣,靠近左上角的ROC曲线代表测试越准确。也可以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。
参考文献
- Martin V, et al. Spatial Distribution and Risk Factors of Highly Pathogenic Avian Influenza (HPAI) H5N1 in China[J]. PLoS Pathogens, 2011, 7(3): e1001308.