•在评估诊断试验时，通常很难确定将临床诊断为"正常"与"异常"的实验室阈值。

•如果设定一个较高的阈值（假设检验值随着疾病严重程度的增加而增加），就可能会缺失一些检验值较低或病情较轻的个体。灵敏度，即阳性试验能正确识别出的患病者比例会很低。阳性试验中很少会出现假阳性，但阴性试验中有很多会出现假阴性。

•如果设定的阈值较低，就能发现大多数患病者，但可能会将许多正常人误诊为"异常"。特异性，即通过阴性试验正确识别出的未患病者的比例会很低。阴性试验中很少会出现假阴性，但阳性试验中有很多会出现假阳性。

•你可以有更高的灵敏度和更高的特异性，但不能两者兼得（除非你开发出更好的诊断试验）。

•受试者工作特征（ROC）曲线可以帮助您直观地了解和理解在区分临床正常和临床异常实验室数值时，高灵敏度和高特异性之间的权衡。

•灵敏度和特异性的最佳组合是什么？ 这依赖于具体情况。在某些情况下，您会选择牺牲特异性来提高灵敏度。而在其他情况下，则恰恰相反。Prism 无法帮助您做出这些价值判断。

•为什么叫这几率？受试者工作特征曲线是在第二次世界大战期间开发的，当时是为了确定雷达屏幕上的一个小点代表的是船只还是外来噪音。雷达接收机操作员使用这种方法设定军事行动的阈值。

•ROC 曲线也可以作为逻辑回归结果展示的一部分。有关在 Prism 中进行逻辑回归后得出的 ROC 曲线解释结果的更多信息，请点击此处。

•Berrar 的评论(1)对于理解 ROC 曲线和认识它们的一些缺陷都很有帮助。

•ROC 曲线还可以用来显示多重逻辑回归的结果。Prism 无法做到这一点。