在中，分析是我们比较常用的一种分析方法，主要用它来探索一个指标对于结局的判别效果，以及寻找该指标的判断切点值。比如我们有如下数据，group代表研究对象的分组(1是病人，0是非病人)，a和b指标代表用于判定的参数，研究者的目的是探索用a和b来判断研究对象分组是否足够可靠，如果可靠，那么a和b指标的切点分别是多少合适呢?
对于上面这个问题，我们一般选择使用来解决，medcalc软件如果做分析以及多个auc面积比较，我们在前面的文章中已经说过了，感兴趣的可以查找阅读。本期我们介绍一下medcalc软件关于rco分析的另外几个小功能：
1、交互式散点图
我们知道对于的切点选择，往往需要根据灵敏度和特异度来进行，我们经常使用灵敏度加特异度-1(即约登指数)最大的方法来进行选择。但是在实际应用中，我们可能对切点的选择有着不同的偏好。比如对于结局比较严重的疾病，我们可能希望尽量提高其灵敏度;而对于结局不严重且卫生花费又比较大的疾病，我们可能期望提高其特异度。这时候使用交互散点图来选择切点就会比较方便。其制作过程和结果如下：
在上图中横轴是疾病状态分组，纵轴是a指标的取值，通过该图我们也可以一目了然地看到不同分组间a指标取值的情况。另外，我们可以通过鼠标点击不同的部位，来选择我们喜好的切点和该切点对应的灵敏度和特异度。
2、带指标取值的灵敏度和特异度曲线
我们知道在中横轴往往是1-特异度，纵轴往往是灵敏度，我们可以看到这两者之间的关系，但是我们并不能看到不同切点指和灵敏度特异度，这三者之间的关系。带取值的灵敏度和特异度曲线，就是展示了切点值、灵敏度和特异度之间的关系，其制作和结果如下：
上图中两曲线分别是灵敏度和特异度，曲线的交点就是灵敏度最大且特异度也同时最大的点，同时在该图中的横轴就是a指标的取值，我们可以任意做垂线获得a指标在某取值下的灵敏度和特异度。
3、联合多个指标的auc计算
在探索某指标对于事件的判断价值的时候，我们会计算auc。单个指标的auc是来获得，那么如果我们想获得多个指标联合应用的auc，该如何计算呢?很多人说使用逻辑回归计算出多个指标对于事件的预测值，再用预测值跟事件之间去建立，计算auc。这个说法是对的，且medcalc软件在其回归模块中也提供了这样一个功能。
假设我们需要计算a和b两个指标，对于group的判断能力，在medcalc软件中其计算和结果如下：
上述结果显示，联合使用a和b指标去判别group变量，其auc为0.978。
上一篇：