其實指數C-index和AUC是差不多的，針對二分類 lo_go_is_tic 回歸的 C-in_dex 等價于 ROC 曲線下面積AUC。C-index，英文名全稱concordance index，中文里有人翻譯成一致性指數，最早是由范德堡大學（Vanderbilt University）生物統計教教授Frank E Harrell Jr 1996年提出，主要用于計算生存分析中的COX模型預測值與真實之間的區分度（discrimination），AUC 主要反映二分類 lo_gis_tic 回歸模型的預測能力，但 C-in_dex 可以評價各種模型預測結果的準確性，可以簡單這樣理解：C-in_dex 是 AUC 的擴展，AUC 是 C-in_dex 的一種特殊情況。拓展資料：1、一般評價模型的好壞主要有兩個方面，一是模型的擬合優度（Goodness of Fit)，常見的評價指標主要有R方、-2logL、AIC、BIC等；另外一個是模型的預測精度，顧名思義就是模型的真實值與預測值之間差別大小，均方誤差，相對誤差等。在臨床應用上更注重預測精度，建模的主要目的是用于預測，而C-index它就屬于模型評價指標中的預測精度。2、C-in_dex 是一個可以用于判斷各種模型區分能力的指標。針對二分類 lo_gis_tic 回歸模型，C-in_dex 可簡化為：某疾病病人的預測患病概率大于對照的預測患病概率的可能性。C-index在0.5-1之間（任意配對隨機情況下一致與不一致剛好是0.5的概率）。0.5為完全不一致，說明該模型沒有預測作用，1為完全一致，說明該模型預測結果與實際完全一致。一般情況下C-index在0.50-0.70為準確度較低：在0.71-0.90之間為準確度中等；而高于0.90則為高準確度。3、AUC指標是臨床研究中最常用的評價指標，其有數主要體現為：(1)對樣本是否均衡并不敏感，允許實際陽性、陰性個案數差距較大。(2) 不需要提前設定閾值，而是通過遍歷閾值的方式來達到整體的評估效果。定義AUC值為ROC曲線右下方幾何面積，取值范圍為0到1，在實際建模過程中，根據AUC值所處范圍可大致判斷模型的泛化能力強弱：一般情況下AUC在0.50-0.70為準確度較低；在0.71-0.90之間為準確度中等；而高于0.90則為高準確度。