上一期简单聊了聊ROC曲线的绘制方法。可以很明显看出来，有了GraphPad的帮助，绘图是非常简单的。

回顾：【ROC曲线专栏】如何快速绘制ROC曲线？

ROC曲线的难点并不在于绘制，而是数据整理和曲线解读。尤其是解读ROC曲线后，如何用于指导现实。这才是最难的。

上期提到，就临床研究而言，ROC曲线非常适用于评价不同诊断标准对相同目标的诊断敏感度和准确性。

现在，开发新型诊断标志物挺火。我就拿这个作为一个简单的例子，对ROC曲线进行解读。当然了，这个例子也可以是诊疗方案、手术方法等等。

例如：针对某疾病，目前临床常用诊断标志物为A，你的团队研究出标志物B。现在想要比较A和B对该疾病的诊断敏感性和准确性是否存在差异。针对这个目的，相关ROC可能存在以下几种情况。

情况一：最惨结果

从上图可以看出，曲线B整体位于曲线A之下，且曲线B更挺近X轴。Y轴代表的是敏感性，而X轴则代表的是假阳性率。

从实际意义上解读，即标志物B对诊断疾病诊断敏感性要低于标志物A，最要命的是标志物B用于诊断后假阳性率高于标志物A。

好家伙，用标志物B诊断疾病，没病也给你弄出病，堪比百度看病。

遇到这种曲线，趁早放弃此研究，回头是岸。

情况二：最爽结果

这个结果就很爽了，完美反转，原理同上，前提是数据别造假。

你要知道，这么好的结果，会有很多人盯着。一旦正式发表，很多人会扛着显微镜来解读，个个都是列文虎克。所以，出现这种曲线时，首先应该狂喜，然后冷静下来，回头仔细捋一捋数据，检查是否有误。

建议多人同时进行数据检查。因为发现自己的错误实在是太难了。

像我这样优秀的人！

情况三：难舍难分

上图这种曲线才是常态化的结果。

可以看到，两条曲线存在交叉点。也就是说在这个交叉点之前，标志物A的诊断敏感性和准确性高于标志物B；同理，在此交叉点之后，标志物A的敏感性和准确性又低于标志物B。

更进一步说，这种结果下，到底哪个更优，需要考虑2种情况了。

第一，这种差异是否与你设定的诊断阈值有关？因为这个阈值直接关系到敏感度和准确度数值，当然也就决定着ROC曲线的走势了。建议在适当范围内调整一下阈值，可能ROC曲线会更加明确。

第二，这种交叉式曲线需要结合临床具体情况进行分析。例如，标志物A可能更适合于早期肺癌诊断与筛查，标志物B可能中期肺癌诊断。当然了，如果新标志物B的检测费用、设备、人力成本等高于标志物A。尽管A与B存在这种交叉关系，临床上可能还是会选择采用更便宜实用的标志物A。

扯得有点远，但是也侧面反映出一个标志物为什么这么难以开发和应用于临床。尽管每年有那么多相关论文发表。

Ending