在上一期内容中，我们介绍了当考察一个疾病预测模型好坏的时候，常常会关注到2个维度，一个是预测模型的区分度（Discrimination），它反映了该模型是否能够将患者和非患者区分开来的能力；另一个维度是预测模型的校准度（Calibration），它反映了该模型预测结果与实际情况的符合程度。
(点击查看：你的预测模型靠谱吗？详解区分度和校准度的SPSS操作！)
那么对于两个疾病风险预测模型，应该选用哪一个模型更靠谱呢，应该如何比较两个疾病模型的预测能力呢？本期内容小咖就来向大家介绍一个老朋友AUC和一个新朋友NRI。
ROC曲线及其AUC
首先我们来复习一下ROC曲线，在诊断试验中，通常根据检验指标的判断结果和金标准诊断结果，整理成一个2×2的表格，如下表所示，并以此来计算诊断试验中两个比较重要的指标，即灵敏度和特异度。（戳链接：灵敏度和特异度，你搞清楚含义了吗？）
灵敏度=A/(A+C)，即真阳性率，反映了将实际有病的人正确地判定为阳性的比例。
特异度=D/(B+D)，即真阴性率，反映了将实际无病的人正确地判定为阴性的比例。
如果检验指标为连续性变量，我们可以将该检验指标划分为不同的切点，切点以上判断为阳性，切点以下判断为阴性，每个切点下都对应一个灵敏度和特异度，然后以灵敏度为纵坐标，1-特异度为横坐标绘制图形，即可得到我们熟悉的受试者工作特征曲线（Receiver Operating Characteristic curve，ROC曲线）。
从ROC曲线可以看出，随着灵敏度的上升，1-特异度增加，即特异度下降，反之亦然，当满足灵敏度和特异度相对最优时，可以把位于ROC曲线左上角的切点，作为适宜的诊断界值，即下图中的y点。同时，为了评价该检验指标的诊断能力，可以进一步计算曲线下面积（Area Under the Curve，AUC），AUC越大，提示指标的诊断能力越好。
确认删除