临床决策曲线可以说解决了临床预测模型到临床应用的一个痛点。以前存在这样一个现象,一个预测模型出来,如果它的区分度(AUC)不算低,但也不够高,这样的预测模型是不是能进入临床应用?答案似乎是不能,但是又拿不准,因为区分度够不够高也没有一定的标准。但是有了DCA之后,如果这个模型的净收益是高于默认策略(all 和none)的,并且在某个决策阈值下净收益足够高(代表足够的筛选效率),那么这个模型就是可以进入临床应用的。
详细来说,DCA从两方面来解决这个临床预测模型评价的痛点:
还是考虑以上两方面,就是将循序颠倒,先考虑DCA曲线的参数,然后考虑临床。
首先还是要确定阈值的范围,然后在这个阈值范围内,选择两个模型中净收益较高的模型,代表了模型筛选的效率较高的模型。细分的话还可以分为两种情况:
这种情况是使用相同的变量,而算法不同,因未产生额外的代价,仅考虑净收益的大小即可,净收益高的模型优于净收益低的模型
这种情况使用的额外的预测变量而产生了额外的代价,所以在考虑净收益大小的同时,还要考虑两个模型净收益差是否足够大。
在实际模型的构建中,构建的是一个二分类的预测模型,发病率极低导致数据极度不平衡,进一步导致模型的整体校准度不符合要求,按照目前的标准,这样的模型是不能够进入下一步评价的, 然而,从临床决策曲线分析中我们看到一点,就是模型的应用过程中我们其实不需要模型预测的整个概率的范围,只需要其中的一部分,所以我们只需/要这一部分的校准度符合要求就可以了。
总之,临床决策曲线提供了一个临床预测模型的评价标准,会促进临床预测模型很多的进入临床应用。