DCA决策曲线的解读和代码实现

0.决策曲线

决策曲线分析法（Decision Curve Analysis，DCA）是个与ROC曲线相提并论的相对比较新的模型评价方法。

关于它的原理，长篇大论的医学统计学知识解读实在不是我的强项，放上两个链接偷偷懒：

https://www.plob.org/article/12455.html https://www.iikx.com/news/statistics/1622.html

如果想看文章，这篇里的fig7就是:https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8051731/。

图的横坐标为阈概率（ThresholdProbability）。当各种评价方法达到某个值时，患者i的出血风险概率记为Pi；当Pi达某个阈值（记为Pt），就界定为阳性，采取某种干预措施。纵坐标就是利减去弊之后的净获益率。

简单说这个图片怎么看，曲线接近两条参考线的模型，说明没有应用价值，在很大一个阈值区间内高于参考线的，说明模型好一些。

下面是DCA曲线的绘制方法

1.传统方法

只能用于logistic回归，图片风格略古老

rm(list = ls())
library(rmda)
data(dcaData)
set.seed(123)
baseline.model <- decision_curve(Cancer~Age + Female + Smokes,
                                 data = dcaData,
                                 thresholds = seq(0, .4, by = .005),
                                 bootstraps = 10)

#plot using the defaults
plot_decision_curve(baseline.model,  
                    curve.names = "model1",
                    cost.benefit.axis =FALSE,
                    #col= c('red','blue'),
                    confidence.intervals=FALSE,
                    standardize = FALSE)

2.ggDCA

去年8月份的包，支持logistic回归和cox回归，简洁易用，图片基于ggplot2，可以非常方便的修改。

2.1 logstic模型

library(ggDCA)
library(rms)
m1 <- lrm(status~ANLN,LIRI)
data  <- dca(m1)
ggplot(data)

m2 <- lrm(status~ANLN+CENPA,LIRI)
data  <- dca(m1,m2)
ggplot(data)

2.2 cox回归模型

m1 <- cph(Surv(time,status)~ANLN,LIRI)
data  <- dca(m1)
ggplot(data)

m2 <- cph(Surv(time,status)~ANLN+CENPA,LIRI)
data  <- dca(m1,m2)
ggplot(data,linetype = T)

o的k！多说一句，ggDCA这个包的作者是一棵树，作者亲手写的教程是在：https://mp.weixin.qq.com/s/dcN1BvmuSO7osWFPPq3pYg 供大家参考。