决策曲线分析DCA（Decision curve analysis）详解

一、决策曲线分析

计算一个或多个预测模型或诊断测试与治疗所有患者或不治疗患者的默认策略相比的临床“净益处”。净获益是在一系列阈值概率范围内计算的，阈值概率定义为需要进一步干预的疾病的最小概率，净获益=灵敏度×患病率-（1 -特异性）×（1 -患病率）× w，其中w是阈值概率的比值。对于给出疾病预测概率p的预测模型，通过将测试阳性定义为p ≥ pt来计算给定阈值概率pt下的灵敏度和特异性[1]。

二、阈值概率

一个预测模型的输出通常为介于0到1之间的一个值（pi），根据事前确定的阈值概率（cutoff value, probability threshold, pt），当pi > pt时，判断为阳性；当pi < pt时，判断为阴性。因此，患者被分成了预测阳性而施加干预和预测阴性而不施加干预的两组。在预测阳性组中，存在着真阳性病人（TP）和假阳性病人（FP）。显然，治疗真阳性病人会带来受益（benefits），而治疗假阳性病人会造成伤害（harms）。选择不同的阈值概率，会改变TP和FP的比值，从而受益和伤害的改变。

三、净收益

暂时不梳理，有时间再写啦！！！

四、matplotlib代码实现

[1]Vickers AJ, van Calster B, Steyerberg EW. A simple, step-by-step guide to interpreting decision curve analysis. Diagn Progn Res. 2019 Oct 4;3:18. doi: 10.1186/s41512-019-0064-7. PMID: 31592444; PMCID: PMC6777022.