•在评估一项诊断试验时，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而升高），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——即阳性试验能正确识别出患病人群的比例——将会较低。 阳性试验中假阳性的比例较低，但阴性试验中假阴性的比例却很高。

•如果设定较低的阈值，虽然能检测出大多数患病者，但可能会将许多健康人误诊为“异常”。 特异性（即阴性试验结果为阴性且确实未患病的人群比例）将较低。阴性试验中假阴性的情况很少，但阳性试验中假阳性的情况却很多。

•您可以获得更高的灵敏度和更高的特异性，但无法同时兼得（除非开发出更先进的诊断试验）。

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

•灵敏度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，您会优先考虑更高的灵敏度，即使这意味着牺牲特异性；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。

•为什么这个名字这么特别？受试者工作特征曲线是在第二次世界大战期间开发的，当时用于判断雷达屏幕上的一个光点是船只还是杂波。雷达接收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。有关在Prism中执行逻辑回归后如何解读ROC曲线的更多信息，请参见此处。

•Berrar 的综述 (1) 既有助于理解 ROC 曲线，也有助于认识到其某些陷阱，是一篇极佳的文献。

•ROC曲线还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。