•在评估诊断试验时，往往难以确定将临床诊断中的“正常”与“异常”区分开来的阈值实验室数值。

•如果设定较高的阈值（假设检验值随疾病严重程度增加），可能会漏诊部分检验值较低或病情较轻的患者。此时，敏感性（即检测结果为阳性时正确识别出患病人群的比例）将较低。虽然阳性试验中假阳性的比例较小，但阴性试验中假阴性的比例却会很高。

•若设定较低的阈值，虽能检测出大多数患病者，但可能将许多健康人误判为“异常”。此时，特异性（即通过阴性试验正确识别出未患病人群的比例）将较低。阴性试验中假阴性的比例较少，但阳性试验中假阳性的比例较多。

•您可以获得更高的灵敏度和更高的特异性，但无法两者兼得（除非开发出更优的诊断试验）。

•受试者工作特征（ROC）曲线有助于直观展示并理解在区分临床正常与临床异常实验室检测值时，高灵敏度和高特异性之间的权衡关系。

•灵敏性和特异性的最佳组合是什么？这取决于具体情况。在某些情况下，您可能更倾向于牺牲特异性以换取更高的灵敏度；而在其他情况下，则恰恰相反。Prism无法协助做出这些价值判断。

•为何取这个奇怪的名字？受试者工作特征曲线（ROC曲线）诞生于第二次世界大战期间，当时用于判断雷达屏幕上的一个光点是代表一艘船还是杂波。雷达接收操作员使用这种方法来设定采取军事行动的阈值。

•ROC曲线也可用于呈现逻辑回归的结果。关于在Prism中执行逻辑回归后如何解读ROC曲线，可在此处查阅更多信息。

•Berrar 的综述 (1) 既有助于理解 ROC 曲线，也能帮助读者认识到其部分局限性，是一篇极佳的文献。

•ROC曲线也可用于展示多变量逻辑回归的结果。但Prism软件无法实现这一功能。