Para ese punto de corte para del test diagnóstico, la sensibilidad y especificidad del mismo son las obtenidas (aproximadamente) de esta tabla:

Gráficamente podríamos representarlo de este modo:

1. Utilice el mando 'Separación entre grupos'. Si aumenta la separación entre los grupos ¿cómo cambia a la forma de la Curva ROC, y su valor númerico de AUC?

2. Separe los grupos tanto como le permita el mando. En este caso hacer una prueba diagnóstica perfecta es sencillo. ¿Cuánto vale el área bajo la curva ROC (AUC)?

3. Acerque los grupos hasta que estén a punto de solaparse. ¿Le parece que esta prueba diagnóstica tiene alguna utilidad? ¿Cuánto vale el área bajo la curva ROC (AUC)?

4. Deje los grupos 'razonablemente' separados (pero solapándose en parte) y utilice el mando 'Punto de corte'. ¿Es facil encontrar puntos de alta sensibilidad y especificidad? ¿Qué ocurre con la especificidad si se centra en aumentar la sensibilidad? ¿Si desea aumentar la especificidad, que ocurre con la sensibilidad?

5. Casi nunca existe la prueba diagnóstica perfecta. Cuando el resultado de una prueba es un valor numérico, hay que establecer el punto de corte que define cuándo la prueba es positiva o negativa. En función de ese punto de corte habrá variación entre la sensibilidad y especificidad. Si el punto de corte es alto, la sensibilidad disminuye, porque seremos muy “estrictos” a la hora de identificar un caso positivo. Si se disminuye el punto de corte, la sensibilidad aumenta también, porque nuestro criterio para definir un positivo es muy “laxo”. Sin embargo, la especificidad disminuirá. Modifique el punto de corte y observe como afecta a la sensibilidad y la specificidad.


Por tanto, las curvas ROC son útiles para conocer el rendimiento global de una prueba (área bajo la curva), comparar dos pruebas o elegir el punto de corte óptimo.