•评价诊断试验时，通常很难确定区分“正常”与“异常”临床诊断的实验室阈值。

•如果您设置一个高阈值（假设检验值随着疾病严重程度的增加而增加），则可能会缺失一些检验值较低或病情较轻的个体。灵敏度：将通过阳性试验正确识别的疾病患者比例将会很低。极少阳性试验呈假阳性，但许多阴性试验呈假阴性。

•如果设置一个低阈值，会发现大多数人均患有该疾病，但可能会错误地将许多正常人诊断为“异常”。特异性：通过阴性试验正确识别的未患病群体比例将会很低。几乎没有阴性试验呈假阴性，但许多阳性试验呈假阳性。

•可以具有更高灵敏度或更高特异性，但不能两者皆有（除非您开发出更好的诊断试验）。

•区分临床正常和临床异常实验室值时，受试者工作特性（ROC）曲线有助于您可视化和理解高灵敏度与高特异性之间的取舍。

•最佳灵敏度和特异性组合是什么？  视具体情况而定。在一些病例中，您会更喜欢以牺牲特异性为代价的灵敏度。在其他病例中，则正好相反。Prism无法协助这些价值判断。

•为何取该奇怪名称？受试者工作特征曲线开发于第二次世界大战期间，其背景是确定雷达屏幕上的一个光点代表一艘船还是外来噪声。雷达接收机操作员使用该方法来设置军事行动的阈值。

•此外，ROC曲线还可以用作逻辑回归结果展示的一部分。有关在Prism中执行逻辑回归后ROC曲线解读的更多信息，请参见此处。

•Berrar（1）的综述有利于理解ROC曲线以及理解一些缺陷。

•ROC曲线还可以用于显示多元逻辑回归的结果。Prism不具备该功能。