1 DCA曲线介绍

上一篇文章，我们讲到 如何使用R语言，进行倾向性评分匹配分析，本来今天准备总结如何使用易侕软件进行倾向匹配评分操作，不过刚好有个朋友想要了解，决策曲线分析，在生存资料中，对两个模型的比较。同时，网上的文章，DCA研究多集中在诊断模型，在生存资料中的模型比较，仍然较少。所以我就这么没有原则的调整了计划

步入正文：
既往对于预测模型的评估，常采用ROC等传统方法，而ROC仅能够预测模型准确性，对于模型实际应用价值，缺乏指导意义。

2006年，纪念斯隆凯特琳癌症研究所的AndrewVickers博士等人研究出另一种评价方法，叫决策曲线分析法（Decision Curve Analysis，DCA），因此本文所用关键R包，需要到其研究中心官网进行下载。

以一篇JAMA Oncology 发表的一篇文献为例，讲解DCA曲线
注：该文章做的还是二分类变量，logistic回归，与本文所讲生存资料不同，仅用于介绍DCA曲线构成与意义。

 

题目：基于磁共振成像参数的前列腺活检风险分层预测模型
研究目的：
确定基于MRI的预测模型是否可以提高前列腺癌诊断效果，减少可疑前列腺癌患者不必要的活检。
方法：
筛选合适的建模人群与验证人群，所有患者均经过前列腺穿刺病理检查（金标准）。综合MRI参数及相应临床变量，构建诊断模型，通过ROC曲线，分析模型预测准确性。但是传统ROC，只能检测准确性，对于模型实际临床应用价值，缺乏相应指导。而决策曲线DCA的存在，恰好解决这一问题。

Figure1: 传统ROC曲线比较AUC：MRI模型预测准确性更高

Figure2:DCA曲线

DCA曲线讲解：
这幅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诊断为前列腺癌的概率记为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（比如实行穿刺）。

那么实行穿刺，自然就改变了确诊（及时检查）与误诊（不必要的穿刺）之间的利弊平衡，纵坐标就是利减去弊之后的净获益率（Net Benefit, NB）。

存在两种极端情况：

蓝色虚线（直线）：None,代表所有患者经模型评估，全都不诊断为前列腺癌，因此均未行穿刺活检。
此时，实际患病人群，未得到及时穿刺检查而无法获益，而实际未患病人群，避免了不必要的检查。

蓝色实线（反曲线）：All, 代表所有患者经模型评估，全都诊断为前列腺癌，因此均行穿刺活检。
此时，实际患病人群，得到及时检查。而实际未患病人群，被实行了多余的穿刺。

如图所示，黄色曲线（MRI模型）对比黑色曲线（Baseline模型），在一个很大的Pt区间范围内（安全范围），在相同概率的情况下，人群净获益率更高。即临床实际应用价值更高。
通俗的讲：曲线离两种极端情况越远越好。

 

2 生存资料DCA曲线绘制

演示文件：data.csv
本地R包资源：stdca.R

setwd("C:\\Users\\Desktop\\DCA")
source("stdca.R") #一定要把stdca.R放在当前设定的起始目录中。
dev<-read.csv("data.csv")
head(dev)

Srv=Surv(dev$time,dev$OS)coxmod=coxph(Srv ~ A + B + C ,data=dev)
#计算3年生存率
dev$three.years.Survival.Probabilitynew = c(1- (summary(survfit(coxmod,newdata=dev),times=36)$surv))  
#计算5年生存率
dev$five.years.Survival.Probabilitynew = c(1- (summary(survfit(coxmod,newdata=dev),times=60)$surv))

如有需要观察每一名患者3年、5年生存概率得分，可生成新的数据，用于后续分析

write.csv(dev, "datanew.csv")

绘制预测3年生存率的决策曲线

stdca(data=dev,outcome="OS",ttoutcome="time",timepoint=36,predictors="three.years.Survival.Probabilitynew",xstop=0.9,smooth=TRUE)

 

Figure3 : 3年DCA

绘制预测5年生存率的决策曲线

stdca(data=dev,outcome="OS",ttoutcome="time",timepoint=60,predictors="five.years.Survival.Probabilitynew",xstop=0.9,smooth=TRUE)

Figure4: 5年DCA

3 两个模型间生存资料DCA曲线比较

#两模型比较，以3年为例，进行示范
fit1<-coxph(Srv ~ A+ B+ C,data=dev)
fit2<-coxph(Srv ~ A+ B,data=dev)

dev$model1<-c(1- (summary(survfit(fit1,newdata=dev),times=36)$surv))
dev$model2<-c(1- (summary(survfit(fit2,newdata=dev),times=36)$surv))

stdca(data=dev,outcome="OS",ttoutcome="time",timepoint=36,predictors=c("model1"),smooth=TRUE)
stdca(data=dev,outcome="OS",ttoutcome="time",timepoint=36,predictors=c("model1","model2"),smooth=TRUE)

 

Figure5: 两个model在预测3年生存率时，临床净获益率比较，可见model1（A+B+C）优于model2（A+B），也凸显了变量C的加入，对于改善模型的临床应用，具有实际预测价值。

 

以上是小编有关生存资料决策曲线，在两个模型间的比较，一些经验和心得，

当然也可以加入更多的model3、model4等等，可以自行尝试，交流学习为主~

 

获取本文示范用数据和代码，以及stdca.R资源包，关注微信公众号，后台回复 DCA生存资料比较 即可