En una curva ROC, como las que se muestran en el siguiente gráfico, la sensibilidad se representa en el eje de ordenadas y el complementario de la especificidad (1 – especificidad o proporción de falsos positivos) en el eje de abcisas, para diferentes categorías o puntos de corte de los resultados que se hayan definido cuando el resultado de la prueba no es una variable dicotómica (enfermo/ no enfermo) si no contínua. Esto significa que el área situada por debajo de la curva representa los diagnósticos correctos (verdaderos negativos y verdaderos positivos), mientras que el área situada por encima de ella son los falsos positivos y los falsos negativos.

El área bajo la curva ROC es un buen reflejo de la exactitud, validez o capacidad discriminatoria de la prueba: cuanto mayor es el área, mejor es la prueba. Así, una hipotética prueba que fuera 100% sensible y 100% específica tendría su curva ROC situada en la esquina superior izquierda del gráfico, abarcaría toda la superficie del mismo y su área seria 1. Por el contrario, una prueba que no discriminara entre enfermos y no enfermos dibujaría su curva ROC como la diagonal del gráfico y el valor del área seria 0,5.

Las curvas ROC son útiles por varias razones:

1. Ofrecen una impresión gráfica de las relaciones que mantienen entre sí la sensibilidad y la especificidad

2. Facilitan la elección de puntos de corte en los criterios diagnósticos de una prueba; así, el mejor punto de corte es aquel que proporciona una mayor sensibilidad y especificidad a la prueba (mayor área bajo la curva).

3. Permiten conocer la capacidad diagnóstica global de una prueba diagnóstica a lo largo de todo su espectro de valores.

4. Permiten comparar pruebas diagnósticas de manera gráfica y estadística para decidir cuál es la mejor.