临床预测模型：DCA曲线（决策曲线分析）

区分度即通过ROC曲线表现，校准度通过校准曲线表现，但这两个指标无法为临床决策提供参考，二者不可兼得，在这种情况下，决策曲线分析（DCA）就显得很有意义了。

敏感性，特异性和ROC曲线下面积仅测量预测模型的诊断准确性，未能考虑特定模型的临床效用，而DCA的优势在于它将患者或决策者的偏好整合到分析中。

决策曲线分析（DCA）是一种评估预测模型在实际临床决策中应用价值的方法。它通过比较不同决策方案在特定阈值范围内的净收益来实现。这里的“净收益”是指考虑到假阳性和假阴性的结果所带来的益处和损失后的净效果。DCA的核心原理是量化预测模型在特定临床决策阈值下的效用，并与其他决策策略（如对所有人进行治疗或对谁都不进行治疗）进行比较。

决策曲线代码（基于logistic回归）
install.packages(“rmda”)
library(rmda)     #调用rmda包
#导入数据集
1）单个决策曲线的绘制
simple<- decision_curve(ods ~ com + preo + defi + timem，data = X7，
                        family = binomial(link ='logit')，   #使用logistic回归来拟合模型
                        thresholds= seq(0,1, by = 0.01)，    #代码解读：thresholds横坐标阈概率的范围，一般是0-1，by是指每隔多少距离计算一个数据点
                        confidence.intervals = 0.95，   #95%置信区间
                        study.design = 'case-control'， #研究类型：case-control or cohort
                        population.prevalence = 0.3)  #患病率，根据自身课题进行更改
plot_decision_curve(simple，
                  curve.names=c('Model')，   #曲线名字
                  cost.benefit.axis =FALSE，
col= c('red')，        #曲线颜色
                  confidence.intervals=FALSE， #是否画出置信区间
                  standardize = FALSE)
                               
2）多个模型决策曲线的比较
simple1<- decision_curve(ods ~ com + preo + a， data = X7，
                        family = binomial(link ='logit')，
                        thresholds= seq(0,1, by = 0.01)，
                        confidence.intervals = 0.95，
                        study.design = 'case-control'，
                        population.prevalence = 0.3) 
plot_decision_curve(list(simple， simple1)，
                    curve.names=c('Model'， 'Model1')，
                    cost.benefit.axis =FALSE，
col= c('red', 'blue')，
                    confidence.intervals=FALSE，
                    standardize = FALSE)

一、单个决策曲线

DCA曲线组成部分

1）阈值概率：

临床决策者采取某项干预措施的概率阈值。换言之，它是疾病的预测概率，超过该概率时，预期的治疗益处超过其带来的风险。

2）净收益（Net Benefit）：这是模型在特定阈值概率下的效用度量，考虑了真阳性带来的益处减去假阳性带来的损害（经适当加权）。

3）净收益曲线（Net Benefit Curve）

这是一个图形工具，它展示了在不同阈值概率下模型的净收益。通过比较不同模型的净收益曲线，可以直观地看出哪个模型在特定条件下更优。

4）参考线（Reference Lines）

在DCA图中，通常会包括几条参考线作为比较的基准，最常见的有：“不采取任何行动”（Treat None）的净收益线：假设没有患者被治疗，此时的净收益是零。“治疗所有患者”（Treat All）的净收益线：假设所有患者都接受治疗，这条线展示了在这种极端情况下的净收益。

5）决策阈值（Decision Threshold）

这是决策者做出治疗决策时考虑的阈值概率的具体值。在实际应用中，这个阈值是基于疾病的严重性、治疗的潜在风险与益处以及患者偏好等因素综合确定的。

二、多个决策曲线

在比较多个决策曲线时，我们主要关注各个模型的净收益在不同阈值概率下的表现。通过这种比较，可以判断哪个模型在特定情境下对临床决策提供最大的净收益。以下是如何解读和比较多个模型决策曲线的几个关键点：

1）查找净收益最高的曲线：在特定的阈值概率下，净收益最高的模型曲线表示该模型在该阈值下为临床决策提供了最大的益处。这意味着该模型能更有效地平衡治疗的好处与风险。

2）考虑阈值概率的范围：有些模型可能在低阈值概率区域表现出色，而其他模型可能在高阈值概率区域更为优越。因此，选择哪个模型不仅取决于单一的净收益值，还需要考虑临床决策中关注的特定阈值概率范围。

3）参考线的对比：通过将模型的决策曲线与“治疗所有患者”和“不治疗任何患者”的参考线进行比较，可以评估模型相对于这些极端策略的优势。如果模型的决策曲线在整个或大部分阈值概率范围内均高于这些参考线，这表明模型在广泛的临床情境下可能具有实际应用价值。

4）曲线的交叉点：如果两个模型的决策曲线在某些阈值概率下交叉，这表明不同模型可能在不同的阈值概率范围内各有优势。在这种情况下，决策者需要根据具体的临床情境和阈值概率来选择最合适的模型。

5）稳定性和一致性：在比较多个模型时，还应考虑它们的曲线在不同阈值概率下的稳定性和一致性。模型的净收益曲线如果在较宽的阈值概率范围内保持较高的净收益，且变化平稳，可能表明该模型具有较好的泛化能力和一致的性能。