准确性检验 (ROC曲线)的SPSS操作教程及结果解读

摘要：在上一期，我们已经讲完了诊断试验的基础知识，这期开始讲准确性检验 (ROC曲线)，我们主要从准确性检验 (ROC曲线)的介绍、基本概念、绘制原理、统计量、使用条件及案例的SPSS操作演示这几方面进行讲解。

作者/风仕

在上一期，我们已经讲完了诊断试验的基础知识，这期开始讲准确性检验 (ROC曲线)，我们主要从准确性检验 (ROC曲线)的介绍、基本概念、绘制原理、统计量、使用条件及案例的SPSS操作演示这几方面进行讲解。

准确性检验 (ROC曲线)介绍

ROC 曲线：对诊断方法的准确性评价，欲知一种检测方法的准确性，则一定需要一个可以信赖的标准(金标准),如同要判定一个考生的考试成绩，就需要知道其考卷的标准答案一样。在临床实践中，金标准可能费时费力，所以试图寻找一个可以替代的检测方法，这就是ROC曲线的应用。ROC 曲线要求资料为连续变量或等级变量，以金标准为分组依据，图示灵敏度和特异度来探讨该方法的准确性。同时也可以探讨多种替代方法之间的优劣，所采用的软件为 SPSS。

ROC曲线的基本概念

1.ROC曲线上各点反映的都是相同的感受性，通过对疾病组和参照组的测定结果进行分析，确定测定值的上下限、组距以及截断点，按选择的组距间隔列出累积频数分布表，并分别计算出所有截断点的真阳性率（灵敏度）、特异性和假阳性率（1-特异性），作图绘成ROC曲线。灵敏度(sensitivity)，即敏感度，是指筛检方法能将实际有病的人正确地判定为患者的比例。特异度(specificity)，是指筛检方法能将实际无病的人正确地判定为非患者的比例。

2.单条ROC曲线的解释：一个优良的诊断试验其ROC曲线应当从左下角垂直上升至顶线，然后水平方向向右延伸到右上角。如果ROC曲线沿着对角线方向分布，表示分类是机遇造成的，正确分类和错分的概率各为50%, 此时该诊断方法完全无效。

3.两条ROC曲线的解释：如果有两种新方法同时测量各标本，则绘制两条ROC曲线。如果两条曲线不交叉，那么可以比较两个实验的优劣：更外面的、离对角线更远的曲线，其灵敏度和特异度均高于里面的、离对角线更近的曲线。

ROC曲线的绘制原理

若检测结果为定量资料或等级资料，当选择不同检测值作为判断阳性、阴性结果的阈值时可以分别计算出相对应的特异度和灵敏度，以(1 -特异度）为横轴，灵敏度为纵轴，将坐标轴以(1 -特异度，灵敏度）的数据点描绘于平面直角坐标系，将各点连接起来的曲线则为ROC曲线。

ROC曲线中的统计量

1.曲线下面积（AUC）：AUC的值来评价诊断效果，其在1.0和0.5之间。当AUC＞0.5时，AUC越接近于1，说明诊断效果越好：AUC在 0.5～0.7时，准确性较低；在0.7～0.9时，有一定准确性；AUC在0.9以上时，准确性较高。AUC＝0.5时，说明诊断方法完全不起作用，无诊断价值。AUC＜0.5不符合真实情况，在实际中极少出现。

2.约登指数、灵敏度和特异度约登指数（Youden Index），也称正确指数，是在假定假阴性（漏诊率）和假阳性（误诊率）的危害性有同等意义时常用的方法，其反映了真正的患者与非患者的总能力。约登指数是灵敏度与特异度的和减去1，约登指数越大说明真实性越大。同时，约登指数最大值对应的检验变量值是该方法的诊断临界值。

ROC曲线比较方法和适用条件

一般来说，对于两种诊断方法可以有成组比较法和配对比较法，成组比较法是两种诊断方法作用于不同受试者，配对比较法则是针对于同一受试者接受两种不同的诊断方法。ROC曲线适用于二分类别的反映效果或结果的变量。

案例的SPSS操作演示

分析示例

某医师对经过金标准诊断的55名患者、45名正常人分别进行两种诊断实验检查，结果见下表。绘制ROC曲线。