C2-决策曲线分析及其在R语言中的实现.ppt

决策曲线分析及其在R语言中的实现 导师 杨土保教授报告者 陈乐陶 决策曲线分析 Decisioncurveanalysis DCA 最早由AndrewJ Vickers和ElenaB Elkin在2006年以题Decisioncurveanalysis anovelmethodforevaluatingpredictionmodels介绍并发表于MedicalDecisionMaking杂志上 作者以一项预测前列腺癌患者是否应该接受全精囊切除手术的研究展开对DCA的阐述 DCA背景 Vickers引进DCA这种方法 在不同的精囊浸润 SVI 发生率下 权衡患者可能得到或损失的临床效益 如健康 经济 精神等方面 通过比较净获益NB值的大小预测实施哪种手术方法 无论使用哪一种治疗方法 都会遇到假阳性或假阴性的可能 在极端情况下 可以使用适当的治疗方法尽量避免假阳性或假阴性带来的严重后果 但当两种情况都无法避免时 就要找到一种能获得净获益值 NetBenefit NB 最大 获益值 损失值 的办法 Decisioncurveforamodeltopredictseminalvesicleinvasion SVI inpatientswithprostatecancer Solidline Predictionmodel Dottedline assumeallpatientshaveSVI Thinline assumenopatientshaveSVI Thegraphgivestheexpectednetbenefitperpatientrelativetonoseminalvesicletipremovalinanypatient DCA原理 ROC和DCA都属于预测模型 都可以用来评价不同模型的优劣 但ROC和DCA在理论构建上有着本质区别 ROC结合了所有灵敏度与特异度通过比较AUC决定预测模型的准确性 但在实际临床应用中 AUC值最大并不代表模型最优 DCA是用来预测临床结局变量的模型 DCA最适用的情况是 有症状预示可能患病但未被确诊时 是否采取及采取何种筛查方法来诊断疾病 很显然 在极端情况下如何抉择并不难 而在特定的区间概率范围内就依靠DCA提供决策评价 ROC与DCA的联系与区别 ROC与DCA的区别 为了更好的说明DCA方法的应用 我们以一项前瞻性队列研究为例具体展示R语言的操作 该研究截取了随访时间长达40年的Framingham心血管研究的部分数据 目的是为了探究不同影响因素与冠心病相关死亡结局的关系 数据样本量为4658 发生冠心病相关死亡的总数为1403 病死率为30 自变量分别为sex 性别 sbp 收缩压 dbp 舒张压 scl 血清胆固醇 age 年龄 bmi 身体质量指数 等 结局变量为chdfate 冠心病相关死亡结局 实例分析 R语言程序 对三种不同模型进行比较的决策曲线分析图 目前DCA方法主要应用于预测诊断试验结局 术后结局及比较不同模型的优劣 例如预测前列腺癌患者存在SVI的概率 预测诊断结局 预测心脏手术后患者的死亡率 预测术后结局 选择评价房颤患者口服抗凝药出血风险的最优模型 比较不同模型优劣 DCA应用 在PubMed上检索的不同发表年份下关于DCA的发表文献数量趋势图 ROC曲线 校正曲线及决策树等评价方法主要注重在如何提高预测模型的准确性 对模型之后的临床结局关注甚少 但往往临床结局的预测结果会直接影响医生的决断 而一味的追求准确性可能会忽视患者真实的需求 DCA方法实质上是根据不同影响因素构建的模型来预测临床