临床医学与生存分析
ROC 曲线诊断分析
评估连续变量或模型预测概率对二分类疾病状态的诊断区分效能，支持按分组变量进行亚组诊断效能对比。
这篇能回答什么
ROC（Receiver Operating Characteristic）诊断分析回答的是：「一个连续得分或模型概率，能多好地把金标准阳性与阴性分开」。它遍历所有可能截断，画出假阳性率（1−特异度）与真阳性率（灵敏度）的轨迹，用曲线下面积 AUC 概括区分能力，再用尤登指数选出灵敏度与特异度之和最大的截断值。
适合：金标准为二分类（患病/未患病、事件/非事件），预测指标为连续标志物、量表总分或二元逻辑回归给出的概率。可同时比较最多 20 个指标；可选一个定类变量做亚组 AUC。
什么时候不该用
金标准不是两分类、或阳性事件带随访时间与删失时，主分析应是Kaplan-Meier或Cox 回归，而不是把时间当成普通得分。关心预测概率是否「校准」（10% 的人里是否真有约 10% 发病）时，应看列线图与校准曲线。两种测量方法的一致性（而不是诊断金标准）用Bland-Altman。
如何选择方法
先分清问题是诊断区分、生存预后还是预测校准。有金标准 0/1 和连续得分，用 ROC；要生存曲线或 HR，用 KM / Cox；要把回归做成打分尺并看校准，用列线图；比较两种定量测量的偏差与一致性界限，用 Bland-Altman。
ROC 曲线诊断分析：1 个二元金标准，1–20 个连续诊断指标，0–1 个亚组；输出 AUC、Youden 截断、灵敏度与特异度。
二元逻辑回归：先建模得到预测概率，再把概率送入 ROC。
列线图：强调可操作的打分与校准，而不是只报 AUC。
Cox / KM：结局是带删失的时间，不是单一时点的患病状态。
Bland-Altman：两种连续测量之差，没有「金标准阳性」这一说。
输入、输出与限制
输入
金标准必须恰好两个水平，阳性按编码 1 计算。诊断指标须为定量（标志物浓度、模型得分）；方向为「数值越大越倾向阳性」。分组可选，须为定类。
诊断指标：最少 1 个，最多 20 个，定量。
金标准：最少 1 个，最多 1 个，二元定类。
分组变量：最少 0 个，最多 1 个，定类。
输出
效能表按 AUC 从高到低排列各指标：AUC、Youden 最佳截断、该截断下的灵敏度与特异度。图为 ROC 轨迹或各指标 AUC 对比（含 0.5 无区分参考）。分组时按亚组分别估计并做对比图。文字洞察给出阳性/阴性人数与最优指标。
产品限制
有效样本至少 20 条；金标准必须是二分类。
阳性标签固定为 1；若数据里阳性编成 0，AUC 会方向颠倒。
最佳截断只按 Youden 指数（灵敏度 + 特异度 − 1）取最大，不按指定灵敏度或成本。
诊断指标最多 20 个；分组最多 1 个，亚组有效 N 仍须满足下限。
AUC 衡量区分度，不自动给出校准曲线或决策曲线。
案例
研究问题。 用连续「预测分数」和对照方法「方法A」区分金标准阳性与阴性，比较哪一个 AUC 更高，并给出 Youden 意义下的工作点（截断、灵敏度、特异度）。
教学示例来自临床随访表，工作表为「diagnostic」，有效样本量 220（阳性 106、阴性 114）。列包括金标准、预测分数、方法A、方法B、年龄、标志物。本页比较预测分数与方法A（绑定未纳入方法B）。下载后可在工作台按同样角色复现本页表格。
在 StatsX 中操作
步骤 1 · 上传表格
打开工作台，将 Excel / CSV / JSON 拖入上传区。本案例使用临床随访 xlsx，确认工作表为「diagnostic」。单文件不超过 20 MB。
步骤 2 · 查看画像与质量
确认金标准恰有两个水平且阳性为 1，预测分数与方法A 为定量。不要把年龄误当作金标准。
步骤 3 · 选择「ROC 曲线诊断分析」
在算法目录搜索「ROC」或「诊断」，点选 ROC 曲线诊断分析。
步骤 4 · 指定变量并运行
金标准勾选「金标准」；诊断指标勾选「预测分数」与「方法A」（最多 20 个）。若要按性别等亚组分别算 AUC，再放入一个分组变量。点击运行分析。
步骤 5 · 阅读结果
先核对阳性/阴性人数，再比较 AUC，最后读 Youden 截断及其灵敏度、特异度。写论文时同时报告样本构成，不要只抄 AUC。
如何阅读输出
下表由同一份教学示例在 StatsX 中运行 ROC 得到。有效样本 220，阳性 106、阴性 114。预测分数 AUC = 0.8651，Youden 截断 0.706，灵敏度 0.764，特异度 0.851；方法A 的 AUC = 0.8504，截断 0.642。按 AUC，预测分数略优；两法都明显高于 0.5 的无区分线。
| 预测指标/模型 | AUC 曲线下面积 | 最佳截断值 (Cut-off) | 灵敏度 (Sensitivity) | 特异度 (Specificity) |
|---|---|---|---|---|
| 预测分数 | 0.8651 | 0.706 | 0.7642 | 0.8509 |
| 方法A | 0.8504 | 0.642 | 0.7736 | 0.8246 |
左右滑动可查看完整表格
注：最佳截断值 (Cut-off value) 依据尤登指数 (Youden's Index = 灵敏度 + 特异度 - 1) 的最大值计算得出。
【最佳指标】预测分数 AUC=0.865（诊断价值良好）；Youden 最优截断=0.706，灵敏度=0.764，特异度=0.851，Youden 指数=0.615。
解读顺序：阳性/阴性构成是否极端 → AUC 相对 0.5 与相对对照方法 → Youden 点是否符合临床更在意漏诊还是误诊。Youden 把灵敏度与特异度同等加权；筛查场景若更不能漏诊，应在曲线上另选高灵敏度工作点，而不是把 0.706 当成唯一「最佳」。AUC 高不等于校准好，也不能代替生存分析。
理论与公式
对每个阈值 c，把得分 ≥ c 判为阳性。灵敏度（真阳性率）与特异度、假阳性率定义为：
ROC 是 FPR 为横轴、Se 为纵轴的曲线。AUC 等于该曲线下面积，也等于随机抽一阴一阳时，阳的得分高于阴的概率：
StatsX 的截断最大化尤登指数 J = Se + Sp − 1，等价于最大化 TPR − FPR。经验上 AUC 0.5 为随机，0.7–0.8 可接受，0.8–0.9 良好；本案例预测分数 0.865 落在良好区间。这些分档是沟通习惯，不是假设检验。阳性编码必须为 1，否则曲线相对对角线翻转。
注意事项
金标准本身若有误分类，AUC 会被顶或被压，不是指标单独的问题。
Youden 截断来自本样本，换队列应重新估计或做外部验证，不宜直接写进试剂说明书。
类别极不平衡时，高 AUC 仍可能对应很低的阳性预测值，需结合患病率。
多个指标比较不要只看点估计差 0.01 就宣布「显著更优」，除非另做 AUC 差值检验。
亚组拆分后每组仍须满 20 例且金标准保持两分类，否则该亚组会被跳过。
不要把随访时间或删失状态直接当 ROC 得分；时间—事件应使用生存方法。
常见问题
参考文献
陈峰. 医用多元统计分析方法[M]. 中国统计出版社.
Hanley, J. A., & McNeil, B. J. The Meaning and Use of the Area under a Receiver Operating Characteristic (ROC) Curve[J]. Radiology, 1982, 143(1): 29–36.
Youden, W. J. Index for Rating Diagnostic Tests[J]. Cancer, 1950, 3(1): 32–35.
Steyerberg, E. W. Clinical Prediction Models[M]. Springer.