撰写文献必用的评价指标之DCA决策曲线

系列文章目录

第一章 撰写文献必用的评价指标之普通表格

第二章 撰写文献必用的评价指标之DCA决策曲线

---

目录

系列文章目录

前言

一、DCA决策曲线表现形式

横轴

纵轴

曲线

曲线解读

图例

二、单因素多因素分析

单因素分析

多因素分析

三、R语言程序

代码

代码解释

总结

---

前言

        在智慧医疗中，深度学习模型用于疾病预测等任务，DCA 决策曲线能将模型的预测结果与不同阈值下的临床决策相结合，直观展示在不同疾病概率阈值下，采取某种诊断或治疗策略所带来的净收益，避免只关注模型准确性指标而忽视实际临床应用价值的问题。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、DCA决策曲线表现形式

决策曲线分析（DCA）图，常用于医学和生物统计学领域评估预测模型的临床实用性。

横轴

图的横轴为 “Threshold probability”，即阈值概率，表示在临床决策中用于判断阳性或阴性结果的概率阈值，范围从 0 到 1。

纵轴

纵轴为 “Net benefit”，即净获益，用于衡量在不同阈值概率下采取某种诊断或治疗策略所获得的净收益。净获益值越高，表明该策略在相应阈值下的临床价值越大。

曲线

图中有多条曲线，每条曲线代表一种不同的预测因子或预测模型，具体如下：

• VAT1：紫色曲线，代表名为 VAT1 的预测因子。
• Tumor_diameter：浅粉色曲线，代表肿瘤直径这一预测因子。
• Location：橙色曲线，代表位置这一预测因子。
• CA199：蓝色曲线，代表 CA199 这一肿瘤标志物。
• VAT：红色曲线，代表名为 VAT 的预测因子。
• CEA：橙红色曲线，代表 CEA 这一肿瘤标志物。
• All：灰色曲线，代表综合所有预测因子的模型。
• None：黑色水平直线，代表不采取任何诊断或治疗策略（即假设所有患者均为阴性）的情况。

曲线解读

• 曲线位于 “None” 直线上方，表明在相应的阈值概率范围内，采用该预测因子或模型进行决策所获得的净获益大于不采取任何措施。
• 曲线越高，说明在该阈值概率下该预测因子或模型的净获益越大，临床实用性越强。例如，在图中左侧低阈值概率区域，某些曲线明显高于其他曲线，意味着在低风险判断时这些预测因子或模型的净获益更大。

图例

图右侧的图例清晰标注了每条曲线所代表的预测因子或模型名称，方便读者对应解读曲线含义。

总体而言，这张 DCA 图通过展示不同预测因子和模型在不同阈值概率下的净获益情况，帮助研究者和临床医生直观比较它们的临床实用性，从而选择最适合的预测工具用于临床决策。