灵敏性和特异性

ROC曲线的全部意义在于帮助您决定如何划分“正常”与“异常”的界限。如果所有对照组的数值都高于（或低于）所有患者组的数值，那么这个决定就很容易做出。然而，通常情况下，这两组分布会相互重叠，使得判断变得并不容易。 如果将阈值设得较高，虽然能避免将许多健康人误诊为患病，但也会漏诊部分真正的患者。 如果将阈值设得较低，虽然能正确识别所有（或几乎所有）患病者，但也会将更多健康人误诊为患病。

为了帮助您做出这一决策，Prism 会针对不同的阈值，将该检测的灵敏度和特异性进行制表和绘图。

敏感性：检测正确判定为阳性的患病者所占的比例。

特异性：检测正确判定为阴性的未患病人群所占的比例。

Prism 会将数据表中的每个数值作为阈值，据此计算灵敏度和特异性。这意味着它会计算出许多对的灵敏度和特异性。如果选择较高的阈值，检测的特异性会提高，但灵敏度会降低；如果将阈值设得较低，检测的灵敏度会提高，但特异性会降低。

Prism 以两种形式显示这些结果。标有“ROC”曲线的表格用于绘制“100% - 特异性%”与“灵敏性%”的对比图。 标有“灵敏度和特异性”的表格则按正常与异常之间的每个可能阈值，列出了这些数值及其95%置信区间。

面积（C统计量）

ROC曲线下面积被称为C统计量、一致性统计量或C指数。它量化了检测在区分患病者与未患病者方面的总体能力。一种真正无用的检测（其识别真阳性的能力甚至不如抛硬币）的面积为0.5。 完美的检测（即假阳性为零、假阴性为零）的面积为1.00。您的检测结果面积将介于这两个值之间。即使您选择以百分比形式绘制结果，Prism仍会以分数形式报告该面积。

Prism 会计算整个 AUC 曲线下面积，起始点为 (0,0)，终点为 (100, 100)。请注意，无论您是否要求 Prism 将 ROC 曲线绘制到这些极限点，它都会计算整条曲线的下面积。

虽然曲线下面积显然与检测正确区分正常与异常的总体能力有关，但如何解读该面积本身却并不那么直观。不过，有一种非常直观的解读。

如果患者的检验值高于对照组，那么：

该面积代表随机选取的一名患者，其检测结果高于随机选取的一名对照组成员的概率。

如果患者的检测结果往往低于对照组：

该面积代表随机选取的一名患者检测结果低于随机选取的一名对照组成员的概率。

例如：如果该面积等于0.80，则平均而言，患者的检测结果比80%的对照组更异常。如果该检测是完美的，那么每位患者的检测结果都会比每位对照组更异常，此时该面积将等于1.00。

如果该检测毫无价值，在区分正常与异常方面甚至不如随机猜测，那么预计一半的对照组受试者检验值会高于已知患病的患者，另一半则会低于该患者。因此，曲线下的面积将为 0.5。

ROC曲线下面积绝不会小于0.50。如果初次计算出的面积小于0.50，Prism将把“异常”的定义从“检验值较高”反转为“检验值较低”。这一调整将导致ROC曲线下面积大于0.50。

Berrar 指出，对 ROC 曲线的解读必须谨慎，其解读不仅限于观察 AUC（1）。

曲线下面积的标准误与置信区间

Prism 还会报告 ROC曲线下面积的标准误差以及 95% 置信区间。这些结果通过一种非参数方法计算得出，该方法对患者组和对照组检测结果的分布不作任何假设。

置信区间的解读非常直观。如果患者组和对照组代表了更大总体中的随机抽样，则可以95%的置信度认为该置信区间包含真实面积。

P 值

Prism 通过报告 P 值来完成 ROC 曲线评估，该 P 值用于检验“ROC曲线下面积确实等于 0.50”这一零假设。换言之，P 值回答了以下问题：

如果该检测的诊断效果与抛硬币无异，那么 ROC曲线下面积会达到（或超过）您观察到的值，其概率是多少？

如果 P 值较小（通常确实如此），则可得出结论：该检测确实能够区分异常患者与正常对照组。

如果 P 值较大，则意味着该诊断试验在诊断患者方面的效果并不比抛硬币更好。可以推测，在确信诊断试验确实能够诊断该疾病之前，您不会收集足够的数据来绘制 ROC 曲线，因此高 P 值的情况应该非常罕见。