C决策曲线分析及其在R语言中的实现

1、C决策曲线分析及其在R语言中的实现 决策曲线分析（ Decision curve analysis ，DCA）最早由Andrew J.Vickers和Elena B.Elkin在2006年以题 Decision curve analysis: a novel method for evaluating prediction models 介绍并发表于Medical Decision Making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

2、（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（Net Benefit，NB）最大（获益值-损失值）的办法。Decision curve for a model to predict seminal vesicle invasion (SVI) in patients with prostate cancerSolid line: Prediction model. Dotted l

3、ine: assume all patients have SVI. Thin line: assume no patients have SVI. The graph gives the expected net benefit per patient relative to no seminal vesicle tip removal in any patientDCA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

4、。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ROCDCA结局指标二分类有序多分类变量二分类变量统计学基础Logistic分析Logistic分析常用绘图软件SPSS、R软件R软件横、纵坐标1-特异度、灵敏度阈概率Pt、净获益NB判定指标AUC、最佳临界点NB判定标准单模型：临界点在左上最优多模型：AUC越大越好单模型：在两条极端曲线右上方的区域最优多模型：曲线在右上最优适用条件诊断模型诊断、预后模

5、型意义判断诊断试验的准确性评价不同模型优劣预测结局变量评价不同模型优劣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