在很多情况下，协变量会影响诊断指标值的分布情况。例如，我们在上一篇文章中用到的数据，年龄就会影响卵巢储备功能检测指标的分布。（点击查看文章详情：如何联合多个指标提升诊断准确度？教程来了！）

所以在评价一个诊断指标的准确度时，需要通过调整来去除协变量造成的影响。通常提到调整，大家首先会想到将协变量加入回归模型中，就可以得到调整后的效应量估计。但是这种方法并不适用于计算调整后的诊断准确度，因为这样得到的准确度是联合了多个指标的诊断得分的准确度（详见上篇文章），而不是真正的调整了协变量影响后的诊断指标自身的准确度。这篇文章，我们就介绍一下，如何计算协变量调整后的ROC曲线和AUC值。

以基础窦卵泡数（AFC）为例，我们根据样本中患者年龄的中位数（34岁）将所有患者分为低年龄组（≤34岁）和高年龄组（>34岁），可以发现低年龄组（实线）的AFC值要高于高年龄组（虚线）的AFC值（实线表示的分布位置比同一颜色的虚线表示的分布位置更偏向x轴的右侧，即更高的AFC值）（图1）。

图1. 卵巢低反应/非低反应组AFC指标分年龄组的分布

（注：x轴是AFC的值，y轴是分布密度函数）

诊断指标值在协变量组间的差异，会对ROC曲线和AUC的估计有什么影响呢？从图2中我们可以看出，基于全部患者的整体ROC曲线，相比于根据协变量分层的ROC曲线，会得到更高的AUC值。

原因就在于，分层变量本身也是具有一定预测能力的变量。如果我们想要得到诊断试验指标本身的诊断准确度，就需要排除分层变量自身的预测能力对诊断试验表现的影响。

图2. 协变量分组ROC曲线和整体ROC曲线

蓝色：年龄≤34岁，AUC=0.7525

红色：年龄>34岁，AUC=0.7837