ROC Curve & Diagnostic Performance Analysis
Enter the gold standard (0=negative / 1=positive) and a continuous measured value, and it automatically computes AUC (with 95% CI), draws the ROC curve, and gives the optimal cut-off by the Youden index with the corresponding sensitivity, specificity, predictive values, and likelihood ratios. A core tool for imaging diagnostic-performance studies.
① Introducir datos
One record per row: gold standard (0 or 1) + measured value, separated by space/Tab/comma. You can copy two columns from Excel.
Cómo usarla y metodología
¿Qué puede hacer el análisis de curva ROC?
La curva ROC (receiver operating characteristic) evalúa hasta qué punto un indicador continuo distingue dos estados (p. ej. benigno vs maligno, enfermo vs no). Cuanto más cerca de 1 esté el área bajo la curva (AUC), más fuerte es la discriminación. En imagen suele usarse para evaluar el valor diagnóstico de un indicador cuantitativo (ADC, tasa de realce).
¿Qué AUC se considera útil?
En general 0,5 = sin discriminación (cara o cruz), 0,7–0,8 = moderada, 0,8–0,9 = buena, >0,9 = excelente. Informe el AUC con su IC 95 %; si el límite inferior del IC está cerca o por debajo de 0,5, el valor diagnóstico es incierto.
¿Cómo se determina el umbral óptimo?
Esta herramienta elige el umbral óptimo maximizando el índice de Youden (sensibilidad + especificidad − 1). Pero la elección clínica debe ponderar los costes de diagnósticos fallidos vs falsos positivos — el cribado favorece alta sensibilidad, la confirmación alta especificidad — así que no necesariamente el punto que maximiza Youden.
¿Cómo preparar los datos?
Un registro por fila: primera columna = referencia (0 = negativo/normal, 1 = positivo/enfermo), segunda = valor medido del sujeto. Si el indicador es «más bajo = anormal» (algunos escenarios ADC), invierta el sentido de decisión. Cada grupo positivo y negativo necesita al menos 2 casos.
Pegue el enlace en Slack, Teams, X o LinkedIn: la imagen de vista previa sale de la tarjeta Open Graph de esta página.