大家好，又见面了，我是你们的朋友全栈君。
ROC曲线，即受试者工作特征曲线(receiver operating characteristic curve)，是以灵敏度为纵坐标，1-特异度为横坐标绘制而成的曲线，其在临床医学诊断类稿件中受到人们的广泛关注且应用逐渐深入。而稿件中的ROC曲线应用是否合理及数据逻辑能否行得通，还需认真分析。今天，小编就跟大家聊一聊ROC曲线在医学诊断类稿件中的应用。
传统的诊断试验评价方法要求将试验结果分为2种，即阳性或阴性，然后再进行统计。而ROC曲线无此限制要求，即允许有中间状态，可以将试验结果划分为多个有序分类，如正常、大致正常、可疑、大致异常和异常五个等级再进行统计分析。那么，什么情况下可以应用ROC曲线？
对诊断方法、技术的效能做出客观评价
例如，评估超声和X线摄影对乳腺癌的诊断价值，以病理学确诊结果为金标准进行分析。这时的诊断结果即阳性或阴性，结果只有1个，不存在其他状态，绘制出来的ROC曲线表现为左上角有个折点。严格来说，这种情况下应用ROC曲线有“屈才”的感觉，而改用我们常见的四格表展示结果可能更为清晰、明了。因此，我们建议选择适宜的统计方法，避免“盲目”地追求“高级”。
确定最佳的检测阈值
如文献[1]所示，通过ROC曲线分别寻找到了血清CA125、CA199和CEA诊断卵巢癌时的最佳诊断点，并通过比较AUC得出单一诊断与联合诊断的价值大小(图1)；这种情况最能发挥ROC曲线的意义，也能体现文章数据的科学性。但值得注意的是，有些文献在列出AUC时，同时说明了P值，但没有对应的统计值，这肯定是不合理的。诊断类文章常见配对试验设计，检验方法多为Z检验、q检验，因此，在列出P值时，应该给出对应的统计值，确保试验结果的客观、科学性。
最后，小编跟大家分享一些做ROC曲线的软件。首先，我们应该明确ROC曲线的绘制包括参数法和非参数法2种；非参数法没有条件限制，适用于任何诊断试验的ROC曲线绘制，常见的软件有SPSS、SAS，绘制出来的曲线为顶点较多的折线；参数法是假设患者和非患者的试验结果属于正态分布，常见于一些专业的ROC分析软件，如ROCKIT，绘制出来的是光滑的曲线。因此，ROC曲线类型与对应的软件也要合情合理哦！
参考文献
[1]赵瑞珩.ROC曲线评价血清CA125、CA199和CEA对卵巢癌的诊断价值[J].中国实验诊断学,2015(11):1954-1955.[2]冯广龙,姜慧杰.ROC曲线分析在医学影像学诊断中的价值[J].中华医学杂志,2015,95(3):231-233.
[3] 王曼,徐春燕,施学忠.医学论文中ROC曲线应用错误例析[J].编辑学报,2019,31(2):46-48.
编辑：魏婷 审校：郑淑
临床医学研究与实践杂志社
微信公众号lcyxyjysj
电话：029-87558695；87558690
投稿邮箱：lcyxyjysj@vip.126.com
发布者：全栈程序员-用户IM，转载请注明出处：https://javaforall.cn/145285.html原文链接：https://javaforall.cn
【正版授权，激活自己账号】： Jetbrains全家桶Ide使用，1年售后保障，每天仅需1毛
【官方授权 正版激活】： 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...