ROC曲线，全称Receiver Operating Characteristic Curve（受试者特征曲线）。

ROC曲线由灵敏度为纵轴，（1-特异度）为横轴绘制而成。通过绘制ROC曲线可以让读者直观地看到某指标各取值对结局指标的诊断或预测能力。

其中名词解释：

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。

在建模类文章中，ROC曲线是对整个模型计算出来的各样本发生某结局（或属于某类别）的概率指标进行绘制，向大家展示的是整个模型的诊断效能，故ROC曲线常被用于各类诊断模型和预测模型的评价与比较，是模型预测效果的重要评价指标之一。

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。

ROC曲线使用曲线下面积（AUC）的大小对模型进行评价，AUC的取值范围为0.5到1之间，曲线下面积越大，越接近于1，模型的诊断或预测效果越好：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。

如上图所示，③为对角参考线，①、②、③三条线围成的面积为0.5，④为根据预测模型的预测结果绘制的曲线，我们平时所讲的曲线下面积即为①，②，④三条线围成的部分。

另外一个评价指标是约登指数（Youden Index），也称正确指数（最佳界值），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。

在有的文章中，会建立两个或两个以上的模型，图中就会出现两条或两条以上的曲线，如利用不同的指标建立了三个模型，分别为常规临床指标，某新指标A（u-PCX），新指标A（u-PCX）+常规临床指标。

本文将三个模型的ROC曲线绘制在一个图中，可以清晰地展示各模型的AUC面积的对比。可以看到作者不但将各曲线的AUC计算出来了，还计算了各AUC进行统计学比较的P值。

在图A的ROC曲线中，模型A的AUC为0.777，模型B的AUC为0.761，模型C的AUC值为0.868，模型A与模型C比较，P=0.019