【原】临床预测模型 | 第18期. 明明白白决策曲线（DCA）

在上期内容中，我们介绍了外部验证的定义，以及在进行外部验证时常见的误区（第17期. 外部验证这些常见误区，你知道吗？）。但是我们知道，任何临床模型都应该是以临床应用为导向的，其目的是为了让患者受益，尽管我们之前讲了很多评价模型的指标和方法，他们都无法真正评价模型在临床应用中的实用性，要做到这一点就需要用到决策曲线（Decision Curve Analysis）。下图是一个典型的决策曲线，纵坐标为净获益（Net benefit），横坐标为阈值概率（Threshhold probability）。在解读决策曲线前，我们需要先厘清这两个概念。

一、阈值概率

阈值概率是模型中用来区分事件是否发生的阈值。假设用logistic回归预测一个人是否患癌症，我们可以根据模型预测所有纳入人群患癌症的概率，那logistic如何判定某个人是否患癌症呢？这就需要设定一个阈值，即预测概率超过某一个阈值时，logistic模型就会将其判定为患者，那么临床上可能就会给予相应的处理。例如，当阈值为10%时，任何被模型预测患癌症概率超过10%的人，都会被判定为患者，后续可能就需要接受手术等治疗。

二、净获益

净获益是决策曲线中主要需要比较的指标，它的计算方法如下图，其中的pt就是上文提到的阈值概率，将不同阈值概率下所得到的净获益连起来便得到了决策曲线。净获益的概念类似于商业中的净利润，即收入减去成本。对于模型而言，计算的是患者从模型中的获益，收入就是模型的真阳性率，因为这部分患者被正确预测，并可以从临床处置中获益；成本是假阳性率，这部分患者因为模型而接受了不必要的临床处置；因此净获益越大，表明模型在实际中的应用价值越大。

三、决策曲线在R的实现

library(ggDCA) #需要提前安装相应的R包哦
library(survival)
data(pbc)
fit=glm(ascites~age+hepato+bili,data=pbc,family = "binomial")
ggplot(dca(fit),linetype =T,lwd = 0.7)+  
theme(legend.position=c(0.8,0.8))+
xlim(0,0.5)

那么这就是本期的全部内容啦，你学会了吗？大家对于推送内容有任何问题或建议可以在公众号菜单栏“更多--读者的话”栏目中提出，我们会尽快回复！

参考文献

Lee C, Light A, Alaa A, Thurtle D, van der Schaar M, Gnanapragasam VJ. Application of a novel machine learning framework for predicting non-metastatic prostate cancer-specific mortality in men using the Surveillance, Epidemiology, and End Results (SEER) database. Lancet Digit Health. 2021;3(3):e158-e165. doi:10.1016/S2589-7500(20)30314-9