手把手教你使用stata制作临床决策曲线

DCA(Decision Curve Analysis)临床决策曲线是一种用于评价诊断模型诊断准确性的方法，在2006年由AndrewVickers博士创建，我们通常判断一个疾病喜欢使用ROC曲线的AUC值来判定模型的准确性，但ROC曲线通常是通过特异度和敏感度来评价，实际临床中我们还应该考虑，假阳性和假阴性对病人带来的影响，因此在DCA曲线中引入了阈概率和净获益的概念。

图片来源文章：Urinary Podocalyxin as a Biomarker to Diagnose Membranous Nephropath主要讲的是利用肾脏标志物uPCXμgg诊断膜性肾病的事。这幅图的横坐标为阈概率，纵坐标为净获益。当uPCXμgg达到某个值时，患者模型肾病的概率记为Pi；当Pi达某个阈值（记为Pt），就界定为阳性。
净获益的概念，净获益是指按此概率开展措施后，因操作而获益的比例+ 未获益的比例权重。决策曲线中净获益的算法如下：（表格来源：临床流行病学和循证医学）

下面我们通过一个具体的四格表来看一下决策曲线分析的基本计算，假设阈值概率为10%，得到如下四格表（表格来源：临床流行病学和循证医学）：

按照上面的10%的阈值去判断，我们判断对了23人，我们判断错了10人。这时候我们的净获益=(23/100)- [(10/100)(0.1/0.9)]=0.218。同样我们可以计算当阈值概率为11%时的净获益值，也可以计算12%时的净获益值。依此类推，我们便可以获得阈值概率和净获益值的一一对应关系，还可以将此关系画成一个线图，便是决策曲线。

嗯，以上内容都是抄我上一篇文章的，上一篇我们已经说了怎么使用R语言制作，这篇来讲讲怎么使用stata制作临床决策曲线，继续使用Urinary Podocalyxin as a Biomarker to Diagnose Membranous Nephropath这篇文章自己附带的数据，也好和前面R语言制作的对比一下，stata制作临床决策曲线需要安装两个包，dca包和stdca包，dca包是用来制作logistic回归的临床决策曲线的，stdca包是用来制作cox回归临床决策曲线的
安装命令如下：

ssc install dca 或 ssc install stdca

你要是实在下载不了，可以在这个地址下载（包含有dca包和stdca包）
https://download.csdn.net/download/dege857/19256889

当然白嫖也是可以的

下载好以后把包的文件拷贝在：
C:\ado\plus\d和C:\ado\plus\s的目录下(各拷贝一次)

没有的话可以自己创建一个文件夹

OK，我们安装好包以后先打开stata并且导入文章数据

Stata会把有些大写字母自动转换成小写，影响不大，注意一下就可以了，我们看看数据，数据很多，这些只是其中一部分的数据，但是作者只用到了MN（膜性肾病）age（年龄）+eGFR（肾小球滤过率）+DM（糖尿病）+uPCXμgg（肾脏病标志物）这几个指标，作者制作模型前把年龄和肾小球滤过率都除以10，这里我们也要处理一下

g age1=age/10
g egfr1=egfr/10

生成两个变量后我们就可以开始了。文章作者制作了3个模型uPCX（单用肾脏标志物），clinicalparameters（单用临床指标），all（标志物+临床指标）
我们也和他一样分别制作3个模型，先做第一个模型，mn为结局变量，uPCXμgg为协变量：

logit mn uPCXμgg

绘制临床决策曲线

predict uPCX
dca mn uPCX

OK，这样一个简单的决策模型曲线就做好了，好像比R简单了很多，这就为不懂R的同学多了一种选择。
同理我们制作第二个模型：

logit mn age1 egfr1 dm
predict clinicalparameters

最后一个模型，这里要讲一下，stata变量不能有all这个词，我们改一下变量名，改成quanbu,意思是全部指标的意思

logit mn age1 egfr1 dm uPCXμgg
predict quanbu

最后生成图形就可以了

dca mn uPCX clinicalparameters quanbu

图形和作者文章的一模一样，也和我们使用R语言制作的一模一样，都是同一个大佬制作的当然一样了，但是比R容易上手了许多。
我们还可以对局部细节及标签修改比如：修改间距

我们还可以做出避免干预曲线（Interventions Avoided）（R语言也是可以做的，上次文章没做到）

dca mn uPCX,prob(no) intervention

这个曲线应该很有用，但我看文章很少有用，可能是我看的文章少
这个曲线大概的意思（按照作者原话）是：在 22% 的概率阈值下，干预的净减少约为每 100 名患者 25 次。 换句话说，在这个概率阈值下，根据标记对患者进行活检相当于将活检率降低了 25% 且不会遗漏诊断的策略。这应该是很牛逼的把。
这次就说到这里，还有许多功能留给大家自己探索，下回再说说stata COX回归临床决策曲线和怎么使用临床决策曲线验证外部模型（别人的模型）。
更多文章请关注公众号：零基础说科研