轉(zhuǎn)自  EmpowerStats

2006年，紀(jì)念斯隆凱特琳癌癥研究所的AndrewVickers博士在Medical Decision Making 期刊上發(fā)文首次提出了臨床決策曲線分析（Decision Curve Analysis, DCA）方法[1]。

DCA是一種評(píng)估臨床預(yù)測(cè)模型、診斷試驗(yàn)和分子標(biāo)記物的簡(jiǎn)單方法。傳統(tǒng)的診斷試驗(yàn)指標(biāo)如：敏感性，特異性和ROC曲線下面積僅測(cè)量預(yù)測(cè)模型的診斷準(zhǔn)確性，未能考慮特定模型的臨床效用，而 DCA的優(yōu)勢(shì)在于它將患者或決策者的偏好整合到分析中[2]。

這種理念的提出滿足了臨床決策的實(shí)際需要，在臨床分析中的應(yīng)用日益廣泛。

DCA的開發(fā)者在紀(jì)念斯隆凱特琳癌癥研究所的官方網(wǎng)站上設(shè)立了專門的網(wǎng)頁(yè)介紹DCA的相關(guān)理論、發(fā)表文章以及軟件實(shí)現(xiàn)方法。

作者提供了STATA、R和SAS三種軟件實(shí)現(xiàn)DCA曲線分析，感興趣的朋友可以關(guān)注一下。網(wǎng)址：

https://www./departments/epidemiology-biostatistics/health-outcomes/decision-curve-analysis-01

初次接觸DCA曲線的讀者可能會(huì)一臉懵逼，在這里教大家解讀一篇SCI論文中的DCA曲線實(shí)例。

論文標(biāo)題為：Urinary Podocalyxin as a Biomarker to Diagnose Membranous Nephropath[3]，文章主要講述了利用尿Podocalyxin標(biāo)志物診斷膜性腎病的故事。

作者構(gòu)建了3個(gè)診斷模型：

①u-PCX單變量模型

②除u-PCX以外的臨床參數(shù)模型（臨床模型）

③u-PCX和臨床參數(shù)的組合模型

分別在建模和驗(yàn)證人群中通過(guò)DAC分析來(lái)比較三個(gè)模型的臨床診斷價(jià)值，DCA曲線圖如下所示：

圖中有AB兩個(gè)圖形，A圖表示在建模人群中進(jìn)行DCA分析，而B圖則在驗(yàn)證人群中進(jìn)行DCA分析。我們主要以A圖為例進(jìn)行介紹：

A圖的橫坐標(biāo)為閾概率：在風(fēng)險(xiǎn)評(píng)價(jià)工具中，患者i診斷為膜性腎病的概率記為Pi；當(dāng)Pi達(dá)某個(gè)閾值（記為Pt），就界定為陽(yáng)性，采取治療措施。此時(shí)會(huì)有病人治療的獲益(利)，也會(huì)有非病人治療的傷害以及病人未治療的損失(弊)。而縱坐標(biāo)就是利減去弊之后的凈獲益（Net Benefit, NB）。

A圖中的三條曲斜線分別代表三種不同的臨床診斷模型（見圖例標(biāo)識(shí)），除此之外，還有兩條線，它們代表兩種極端情況。橫的那條表示所有樣本都是陰性（Pi < Pt），所有人都不治療，凈獲益為0。斜的那條表示所有樣本都是陽(yáng)性，所有人都接受了治療，凈獲益是個(gè)斜率為負(fù)值的反斜線。

從圖中可以看出，model-A曲線和兩條極端曲線很接近，也就是說(shuō)它沒(méi)什么應(yīng)用價(jià)值。而在一個(gè)很大的Pt區(qū)間范圍內(nèi)，model-B和model-C的獲益都比極端曲線高，所以它們可選的Pt范圍都比較大，相對(duì)安全。而model-C又比model-B更好一些。

接下來(lái)，我們來(lái)看一下如何對(duì)曲線上的點(diǎn)進(jìn)行解釋：假定我們選擇預(yù)測(cè)概率為60%診斷膜性腎病并進(jìn)行治療，那么每100人使用模型C的患者，有18人能從中獲益而不損傷任何其它人的利益; 每100人使用模型B的患者，有8人能從中獲益而不損傷任何其它人的利益, 每100人使用模型A的患者，沒(méi)有人能獲益。

這篇文章提供了原始數(shù)據(jù)，可以從該論文網(wǎng)站上直接下載：

https://journals./plosone/article?id=10.1371/journal.pone.0163507，下載數(shù)據(jù)后按照SCI論文中的要求構(gòu)建三個(gè)診斷模型（篇幅有限，具體操作方法視頻教程可從網(wǎng)易云課堂－“臨床預(yù)測(cè)模型SCI論文理論與實(shí)踐”專題視頻教程中獲得），下面具體演示一下在易侕軟件中繪制DCA曲線的方法：

打開易侕軟件，選擇數(shù)據(jù)分析－診斷試驗(yàn)與預(yù)測(cè)方程－診斷試驗(yàn)與ROC分析，打開操作模塊后，按下圖所示選擇變量和設(shè)定參數(shù)。

軟件輸出結(jié)果和原文一致，并可直接用于SCI論文的發(fā)表。

論文1：2018年JAMA Oncol（IF=20.88）發(fā)文：基于磁共振成像的前列腺活檢危險(xiǎn)分層預(yù)測(cè)模型研究[4]，其中正文結(jié)果部分呈現(xiàn)了上述圖表結(jié)果。

論文2：2017年J Clin Oncol（IF=26.30）發(fā)文：用于結(jié)直腸癌患者林奇綜合征風(fēng)險(xiǎn)評(píng)估PREMM5模型的開發(fā)和驗(yàn)證[5]，其中正文結(jié)果呈現(xiàn)了上述圖表。

論文3：2016年BMJ（IF=23.26）發(fā)表的論文：在一個(gè)荷蘭隊(duì)列對(duì)妊娠期糖尿病的風(fēng)險(xiǎn)預(yù)測(cè)模型進(jìn)行外部驗(yàn)證[6]，其中正文結(jié)果部分呈現(xiàn)了上述圖表結(jié)果。

[1]. Vickers, A.J. and E.B. Elkin, Decision curve analysis: a novel method for evaluating prediction models. Med Decis Making, 2006. 26(6): p. 565-74.

[2]. Fitzgerald, M., B.R. Saville and R.J. Lewis, Decision curve analysis. JAMA, 2015. 313(4): p. 409-10.

[3]. Imaizumi, T., et al., Urinary Podocalyxin as a Biomarker to Diagnose Membranous Nephropathy. PLoS One, 2016. 11(9): p. e0163507.

[4]. Mehralivand, S., et al., A Magnetic Resonance Imaging-Based Prediction Model for Prostate Biopsy Risk Stratification. JAMA Oncol, 2018. 4(5): p. 678-685.

[5]. Kastrinos, F., et al., Development and Validation of the PREMM5 Model for Comprehensive Risk Assessment  of Lynch Syndrome. J Clin Oncol, 2017. 35(19): p. 2165-2172.

[6]. Lamain-de, R.M., et al., External validation of prognostic models to predict risk of gestational diabetes  mellitus in one Dutch cohort: prospective multicentre cohort study. BMJ, 2016. 354: p. i4338.