本文参考相关网络文章，如涉及侵权，请原作者联系本文作者
临床预测模型是临床研究的常用方法，通常我们构建出模型，需要对模型的效能进行评估。为什么要评估呢，其实就是看你建的模型靠不靠谱。其中一个重要指标是区分能力（准确性），也就是区分有病/无病、有效/无效、死亡/存活等结局的预测能力。即通过评估模型预测结果与实际观察结果的符合程度，以评价模型的预测准确性。
区分能力可以用C统计量的大小来表示。
C-index,全称concordance index，也常写作Harrell’s C-index, concordance C, C statistic等，最早是由范德堡大学生物统计教授Harrell在1996年提出的，主要用于反映各种预测模型的区分能力，考察模型是否进行正确预测。
针对二分类logistic回归模型，C-index可简化为：某疾病病人的预测患病概率大于对照的预测患病概率的可能性。
经过证明，针对二分类logoistic回归的C-index等价于ROC曲线下面积（AUC）。AUC主要反映二分类logistic回归模型的预测能力，但C-index可以评价各种模型预测结果的准确性，可以简单这样理解：C-index是AUC的扩展，AUC是C-index的一种特殊情况。
C-index的定义很是简单，C-index=一致的对子数/有用的对子数，本质是计算预测结果与实际结果一致的情况所占的比例。
想象一下将所有研究对象随机的两两配对，n个研究对象，应该产生Cn2=n*(n-1)/2 个对子数，然后在这么多对子中找到有用的对子数作为分母。
理论上，C-index取值范围是[0.5-1]，若预测与实际完全不一致，则C-index = 0.5，也即模型并无比随机好，没啥实际效用。若模型预测结果与实际结果完全一致，则C-index = 1。
构建疾病风险预测模型最常用的是R软件，虽然R可以比较方便的计算Logistic回归模型的C统计量，但遗憾的是C统计量的95%可信区间并未直接给出，而临床预测模型的文章通常需要我们提供这些数据。
有的专家建议可以使用SPSS软件计算曲线下面积AUC的95%可信区间。
补充知识点：对于结局是二分类的回归模型，ROC曲线下面积的值与C指数是一样的，95%可信区间也是一样的。
虽然能解决这个问题，但软件换来换去，还是略显麻烦一些，我们一起来看看如何计算通过R软件计算C统计量的95%可信区间。
R软件操作
首先，通过复制粘贴的方法导入数据。
mydata <- read.delim("clipboard")
打包数据：
library(rms)
ddist <- datadist(mydata)
options(datadist="ddist")
构建logistic回归模型：
mylog<-lrm(disease~x+y,data=mydata,x=T,y=T)
计算C指数：
install.packages("Hmisc")
library(Hmisc)
Cindex <- rcorrcens(mydata$disease~predict(mylog))
C统计量=0.919，SD=0.04，
计算C统计量SE的公式为SE=SD/2，
进一步计算C统计量95%可信区间的上限ul和下限dl。
结果显示，C统计量=0.919，95%可信区间为0.880-0.958