DCA、NRI、IDI

1、DCA

横坐标：阈值概率。判断结局变量发生的概率，发生就界定为阳性，采取治疗措施，产生治疗获益（利）。这个时候会有非病人治疗产生的伤害以及病人未治疗的损失（弊），纵坐标就是利减去弊之后的净获益（Net Benefit）。---阳性治疗就会产生获益，无论什么治疗

坐标中横着的线，表示净获益为0，所有人都不治疗；斜着的线表示样本都是阳性，所有人都接受治疗。模型曲线越远离这两条线就越好，净获益越大。

这个图的解释就是，假定我们选择预测概率为60%诊断模型肾病并进行治疗，100个使用模型C的患者，有18个人能从中获益而不损伤其他人的利益。

2、NRI（净重新分类改善指数）-结局事件判断正确的比例比另外一个是否有所提高

相对于AUC，NRI更关注在某个设定的切点处，两个模型把研究对象进行正确分类的数量上的变化。简单的说，首先旧模型会把研究对象分类为患者和非患者，然后在旧模型的基础上引入新的指标构成新模型，新模型会把研究对象再重新分类成患者和非患者。

此时比较新、旧模型对于研究人群的分类变化，就会发现有一部分研究对象，原本在旧模型中被错分，但在新模型中得到了纠正，分入了正确的分组，同样也有一部分研究对象，原本在旧模型中分类正确，但在新模型中却被错分，因此研究对象的分类在新、旧模型中会发生一定的变化，我们利用这种重新分类的现象，来计算净重新分类改善指数NRI。

3、IDI（综合判别改善指数）

由于它考虑了不同切点的情况，可以用来反映模型的整体改善状况，在一定程度上补齐了NRI的短板。同时，虽然AUC也考虑到了不同切点，但是AUC的改善情况在临床中不易解释，IDI也因此弥补了AUC的缺陷，可以形象地展示研究对象被准确重新判别的比例。

总体来说IDI越大，则提示新模型预测能力越好。与NRI类似，若IDI＞0，则为正改善，说明新模型比旧模型的预测能力有所改善，若IDI＜0，则为负改善，新模型预测能力下降，若IDI=0，则认为新模型没有改善。

总结：

1. 相对于经典的AUC指标来说，NRI和IDI属于较为新颖的指标，还处于初步发展的阶段，虽然近年来受到越来越多研究者的关注，但是AUC的提高依然还是可以作为模型预测能力改善的第一判断标准。当然，如果能够同时给出NRI和IDI，则更是锦上添花，在理想的情况下，三者得到的结论应该是较为一致的。

2. NRI的计算与设定的切点密切相关，预测概率的等级划分应该选择适宜的界值。如果等级划分过宽，NRI计算值可能就会比较小，而达不到统计学显著性，如果等级划分过窄过细，则会得到更为精细的NRI，但是却失去了临床实践的指导意义。因此，预测概率切点的划分对于计算NRI来说显得十分重要，一定要结合临床专业的需求来确定。---因为是新的模型，肯定是没有参考文献支持切点的选择的，所有可以选择不提这个问题，但是结果还是可以放吧

3. 如果目前还无法确定明确的划分切点，那么IDI和AUC可能是较好的选择，如果比较关心切点处的改善情况，那么NRI可能是较好的选择。如果结局指标不是二分类变量，而是多分类情况，例如高、中、低风险，那么NRI和IDI可能是更好的选择，AUC则显得较为复杂。

4. 同时，我们还要考虑到临床的可行性和经济效益问题，例如，新增加一个预测指标，确实会产生临床获益，即使提高模型的预测能力并不是太显著，也可以考虑将新指标加入到预测模型中。

解释的话，NRI和IDI感觉可以跟ROC的AUC放一起去说，模型在加入新变量后提高了AUC，从多少变到多少，并且净重新分类改善指数也有统计学意义。此外，IDI均大于0，表示模型均有所改善，其中CD4对模型预测能力有显著的提升作用。

4、AUC

AUC理论上来说应该是在0.5-1之间的，因为如果小于0.5的话，可以反向预测。但是即使是反向预测我看结果应该也是一致的，就是模型比单个风险因素预测性能高。感觉可以就说模型比单个风险因素预测性能高就行了，这样不会出错。论文中确实有这样的ROC的图，图应该没啥问题。