ROC曲线也叫受试者工作曲线，原来用在军事雷达中，后面广泛应用于医学统计中。ROC曲线是根据一系列不同的二分类方式(分界值或决定阈)，以真阳性率(灵敏度)为纵坐标，假阳性率(1-特异度)为横坐标绘制的曲线。
ROC曲线主要应用于二分类结局，比如是否死亡，疾病诊断，肿瘤复发等等，可以用于自变量为连续变量的截点判定。
目前有部分SCI文章中使用了校正协变量的ROC曲线，后台有粉丝问校正协变量的ROC曲线怎么做，今天我们来演示一下，使用的是一个肾移植的数据（公众号回复：肾移植数据，可以获得该数据），我们先导入数据和R包看一下看
library(RISCA)
dataDIVAT3<-read.csv("E:/r/test/shenyizhi.csv",sep=',',header=TRUE)
这是一个4267 名法国肾移植受者的数据，ageR：接受肾移植患者年龄，sexeR：患者性别，year.tx：肾移植的时间，ante.diab：是否有糖尿病，pra：患者移植前的免疫反应（1 = 可检测，0 = 不可检测），ageD：捐献肾脏的捐献者的年龄，death.time;生存时间，death：死亡，结局变量
我们取一部分数据来分析，这样数据没有这么大，好分析一点
dataDIVAT3 <- dataDIVAT3[1:400,]
假设我们想知道患者年龄和死亡的ROC关系，我们先来个没有进行校正的ROC，confounders是混杂因素的意思，没有校正的时候这里填入1，precision是ROC曲线的步长，一般都是固定的
roc1 <- roc.binary(status="death", variable="ageR", confounders=~1,data=dataDIVAT3, precision=seq(0.1,0.9, by=0.1) )
绘图
plot(roc1, xlab="1-specificity", ylab="sensibility")
假设我们想对患者性别和捐献者年龄这两个指标进行校正，校正的思想主要是通过逆概率加权，生一个加权后的标准化年龄指标进行校准，先建立模型
lm1 <- lm(ageR ~ ageD + sexeR, data=dataDIVAT3[dataDIVAT3$death == 0,])
生成校正后的标准化年龄指标
dataDIVAT3$ageR_std <- (dataDIVAT3$ageR - (lm1$coef[1] + lm1$coef[2] *dataDIVAT3$ageD + lm1$coef[3] * dataDIVAT3$sexeR)) / sd(lm1$residuals)
生成ROC数据
roc2 <- roc.binary(status="death", variable="ageR_std",confounders=~bs(ageD, df=3) + sexeR, data=dataDIVAT3, precision=seq(0.1,0.9, by=0.1))
最后绘图
plot(roc2, col=2, pch=2, lty=2, type="b", xlab="1-specificity", ylab="sensibility")
lines(roc1, col=1, pch=1, type="b")
legend("bottomright", lty=1:2, lwd=1, pch=1:2, col=1:2,c(paste("Crude estimation, (AUC=", round(roc1$auc, 2), ")", sep=""),paste("Adjusted estimation, (AUC=", round(roc2$auc, 2), ")", sep="") ) )
可以看出，经过校正后，AUC面积和曲线变化并不大，说明说明校准因素影响很小，支持了原结论。
