临床决策曲线分析法（Decision Curve Analysis，DCA）曲线之二

转自  EmpowerStats

一、临床决策曲线分析简介

2006年，纪念斯隆凯特琳癌症研究所的AndrewVickers博士在Medical Decision Making 期刊上发文首次提出了临床决策曲线分析（Decision Curve Analysis, DCA）方法[1]。

DCA是一种评估临床预测模型、诊断试验和分子标记物的简单方法。传统的诊断试验指标如：敏感性，特异性和ROC曲线下面积仅测量预测模型的诊断准确性，未能考虑特定模型的临床效用，而 DCA的优势在于它将患者或决策者的偏好整合到分析中[2]。

这种理念的提出满足了临床决策的实际需要，在临床分析中的应用日益广泛。

二、DCA官方网站介绍

DCA的开发者在纪念斯隆凯特琳癌症研究所的官方网站上设立了专门的网页介绍DCA的相关理论、发表文章以及软件实现方法。

作者提供了STATA、R和SAS三种软件实现DCA曲线分析，感兴趣的朋友可以关注一下。网址：

https://www./departments/epidemiology-biostatistics/health-outcomes/decision-curve-analysis-01

三、如何看懂DCA曲线

初次接触DCA曲线的读者可能会一脸懵逼，在这里教大家解读一篇SCI论文中的DCA曲线实例。

论文标题为：Urinary Podocalyxin as a Biomarker to Diagnose Membranous Nephropath[3]，文章主要讲述了利用尿Podocalyxin标志物诊断膜性肾病的故事。

作者构建了3个诊断模型：

①u-PCX单变量模型

②除u-PCX以外的临床参数模型（临床模型）

③u-PCX和临床参数的组合模型

分别在建模和验证人群中通过DAC分析来比较三个模型的临床诊断价值，DCA曲线图如下所示：

图中有AB两个图形，A图表示在建模人群中进行DCA分析，而B图则在验证人群中进行DCA分析。我们主要以A图为例进行介绍：

A图的横坐标为阈概率：在风险评价工具中，患者i诊断为膜性肾病的概率记为Pi；当Pi达某个阈值（记为Pt），就界定为阳性，采取治疗措施。此时会有病人治疗的获益(利)，也会有非病人治疗的伤害以及病人未治疗的损失(弊)。而纵坐标就是利减去弊之后的净获益（Net Benefit, NB）。

A图中的三条曲斜线分别代表三种不同的临床诊断模型（见图例标识），除此之外，还有两条线，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），所有人都不治疗，净获益为0。斜的那条表示所有样本都是阳性，所有人都接受了治疗，净获益是个斜率为负值的反斜线。

从图中可以看出，model-A曲线和两条极端曲线很接近，也就是说它没什么应用价值。而在一个很大的Pt区间范围内，model-B和model-C的获益都比极端曲线高，所以它们可选的Pt范围都比较大，相对安全。而model-C又比model-B更好一些。

接下来，我们来看一下如何对曲线上的点进行解释：假定我们选择预测概率为60%诊断膜性肾病并进行治疗，那么每100人使用模型C的患者，有18人能从中获益而不损伤任何其它人的利益; 每100人使用模型B的患者，有8人能从中获益而不损伤任何其它人的利益, 每100人使用模型A的患者，没有人能获益。

四、DCA易侕软件操作

这篇文章提供了原始数据，可以从该论文网站上直接下载：

https://journals./plosone/article?id=10.1371/journal.pone.0163507，下载数据后按照SCI论文中的要求构建三个诊断模型（篇幅有限，具体操作方法视频教程可从网易云课堂－“临床预测模型SCI论文理论与实践”专题视频教程中获得），下面具体演示一下在易侕软件中绘制DCA曲线的方法：

打开易侕软件，选择数据分析－诊断试验与预测方程－诊断试验与ROC分析，打开操作模块后，按下图所示选择变量和设定参数。

软件输出结果和原文一致，并可直接用于SCI论文的发表。

五、DCA论文发表情况

论文1：2018年JAMA Oncol（IF=20.88）发文：基于磁共振成像的前列腺活检危险分层预测模型研究[4]，其中正文结果部分呈现了上述图表结果。

论文2：2017年J Clin Oncol（IF=26.30）发文：用于结直肠癌患者林奇综合征风险评估PREMM5模型的开发和验证[5]，其中正文结果呈现了上述图表。

论文3：2016年BMJ（IF=23.26）发表的论文：在一个荷兰队列对妊娠期糖尿病的风险预测模型进行外部验证[6]，其中正文结果部分呈现了上述图表结果。

六、参考文献

[1]. Vickers, A.J. and E.B. Elkin, Decision curve analysis: a novel method for evaluating prediction models. Med Decis Making, 2006. 26(6): p. 565-74.

[2]. Fitzgerald, M., B.R. Saville and R.J. Lewis, Decision curve analysis. JAMA, 2015. 313(4): p. 409-10.

[3]. Imaizumi, T., et al., Urinary Podocalyxin as a Biomarker to Diagnose Membranous Nephropathy. PLoS One, 2016. 11(9): p. e0163507.

[4]. Mehralivand, S., et al., A Magnetic Resonance Imaging-Based Prediction Model for Prostate Biopsy Risk Stratification. JAMA Oncol, 2018. 4(5): p. 678-685.

[5]. Kastrinos, F., et al., Development and Validation of the PREMM5 Model for Comprehensive Risk Assessment  of Lynch Syndrome. J Clin Oncol, 2017. 35(19): p. 2165-2172.

[6]. Lamain-de, R.M., et al., External validation of prognostic models to predict risk of gestational diabetes  mellitus in one Dutch cohort: prospective multicentre cohort study. BMJ, 2016. 354: p. i4338.