r roc函数_实例教程：协变量调整后的ROC曲线及AUC的计算

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。

还是借用上篇文章的数据，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偏向更高的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

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