1.7　臨床決策曲線

決策曲線分析法（Decision Curve Analysis，DCA）是臨床預測模型是否能夠落地應用的“最后一公里”。臨床上，我們通過ROC曲線來尋找診斷試驗的切點，主要是將特異性和敏感性作為同等重要的權重進行考慮，但這種考慮真的合理嗎？患者就一定受益嗎？

如通過某個生物標志物預測研究對象是否患病，無論選擇哪個界值，都會遇到假陽性和假陰性的可能；有時候避免假陽性受益更大，有時候則更希望避免假陰性，既然兩種情況都無法避免，那就兩害相權取其輕，兩利相權取其重，我們就選擇對患者最有利的，也就是凈受益最大的方法，這就是臨床效用的問題。

一個病人，如果是X病，做手術可延長6年壽命，如果不是X病，做手術會縮短3年壽命，那么某個患者經過模型預測有40%可能是X病，到底做不做手術呢？臨床決策曲線就是考慮在模型各個閾值情況下，模型真正獲益的凈人數，如圖1-26所示。

橫坐標為閾值概率：在風險評價工具中，患者診斷為X病的概率為P_i；當P_i達到某個閾值（P_t），就界定為陽性，采取治療措施。此時會有病人治療的獲益，也有非病人治療的傷害以及病人未治療的損失。而縱坐標就是利減去弊之后的凈獲益（Net Benefit，NB）。

橫線：代表所有樣本都是陰性（P_i＜P_t），所有人都不治療，凈獲益為0。

斜線：代表所有樣本都是陽性，所有人都接受了治療，凈獲益是個效率為負值的反斜線。

DCA結果解讀見圖1-27，假定選擇預測概率為40%診斷為X病并進行治療，那么每100人使用此模型的患者，大約有42人能從中獲益而不損傷任何其他人的利益（其實是有人利益受損，只是DCA曲線分析校正了這部分人群的損失）。

對于基于Logistic回歸的診斷模型，訓練集和驗證集均需繪制DCA曲線，如圖1-28。而對于基于COX回歸的預后模型，則需要繪制不同時點的DCA曲線，如圖1-29所示，如1年、3年、5年等，而且也需要訓練集和驗證集都要繪制，如圖1-30所示。

圖1-29中A、B、C分別代表1年、2年和3年的決策曲線（DCA），每張圖中的兩條線代表兩個不同的模型。

圖1-30中，A和B代表訓練集的OS和CSS的DCA曲線，C和D代表驗證集OS和CSS的DCA曲線。內部的兩條線代表兩個不同的模型。

初學臨床預測模型，很多人對數據集的應用心存困惑，關于哪些指標訓練集要做，哪些指標驗證集要做，松哥給大家做一個總結。

訓練集和驗證集都要做的是：區分度（C-index或ROC/AUC）、校準度（校準曲線和／或H-L檢驗）、臨床決策曲線（DCA）；Nomogram（諾莫圖）只針對訓練集做。而上述所有這些都是基于模型計算出來的P，有P就有臨床預測模型的一切。