作者：白介素2
本文内容包括：

• DCA曲线的背景知识，原理
• R语言演示完整实现
• DCA绘图参数调整
• DCA曲线相关参考资料集合

广而告之
说一个事，鉴于简书平台在信息传播方面有不足之处，应粉丝要求，白介素2的个人微信平台已经开启，继续聊临床与科研的故事，R语言，数据挖掘，文献阅读等内容。当然也不要期望过高，微信平台目前的定位是作为自己的读书笔记，如果对大家有帮助最好。如果感兴趣， 可以扫码关注下。

qrcode_for_gh_9eaa04438675_258.jpg

R语言实现风险模型决策分析-Decision Analysis

基本背景知识

• 多变量回归模型广泛用于医学文献中以用于诊断或预测。常规地，使用诸如灵敏度和特异性的诊断性能(ROC曲线)的度量来评估这些模型的充分性，其不能解释特定模型的临床效用。ROC追求的是诊断的准确性.但在真实的临床环境中，准确与患者是否受益不能划上等号。
• 更简单的来讲，标志物的诊断是需要选择一个临界值的，这时就会出现假阳性(FP)和假阴性(FN)，对假阳性的病人是过度治疗了,而对假阴性则是漏诊了。这两种情况无法避免，因此我们就要想方设法让病人获益最大化。

DCA曲线

• 决策曲线分析（DCA）越来越多地用于评估临床研究中的诊断测试和/或预测模型。DCA的优势在于它将患者或决策者的偏好整合到分析中。传统的诊断性能指标，如敏感性，特异性和受试者工作特征曲线下面积（AU-ROC）仅测量一种预测模型对另一种预测模型的诊断准确性，但未能考虑特定模型的临床效用。DCA曲线是由纪念斯隆凯特琳癌症研究所的生物统计AndrewVickers博士开创性的提出原创论文.

• 开发DCA是为了克服这个问题。DCA的一个关键概念是阈值概率，Vickers在开创性论文中定义了“阈值概率p t，即治疗的预期收益等于避免治疗的预期收益。近年来,DCA分析被越来越多的顶级杂志推荐使用，诸如JAMA,JCO，BMJ等.

• 解释下概率阈值的概念，是通过计算与每项检查和治疗相关的预期获益和风险差异获得。预期获益由患疾病并接受治疗（真阳性）的患者数表示。预期风险由未患疾病、但接受治疗（假阳性，误差乘以加权因子）的患者数乘以加权因子表示。加权因子可明确患者接受不充分治疗或过度治疗的风险。可能还是比较绕，我们举例来说明：

image.png

Figure1

解读实际的DCA曲线

• 在Figure1中，表示的是用于诊断败血症的两个模型的决策曲线分析。先解释下图，比较不同模型的效能当然可以用ROC的曲线下面积，但这里用的是DCA。Figure中的横坐标为阈概率（ThresholdProbability）。当各个模型评价达到某个值时，患者i的败血症的风险概率记为Pi；当Pi达某个阈值（记为Pt），就界定为阳性，并采取治疗，治疗就会有获益和不获益的情况.纵坐标就是利减去弊之后的净获益率（Net Benefit, NB）。

• 在这张Fgure中，除了两个模型的曲线外，还有两条虛线，它们代表两种极端情况。横的那条表示，所有样本都是阴性（Pi<Pt），所有人都没干预，那么自然净获益为0。斜的那条表示所有样本都是阳性，所有人都接受了干预，这时如果模型的阈概率为0,净获益就会相对高。由此我们可以推断出净获益是个斜率为负值的反斜线。

• 在Figure中,我们看到pred.simple模型更接近于极端曲线，因此也就没什么应用价值。而pred.all模型则在很大的范围内,表现出比极端曲线更高的净获益，可选择的pt范围比较大，因此认为pre.all表现更优。

实际案例演示