臨床預測模型好不好還得看DCA圖

2025-04-29 08:45 解螺旋

大家都知道，傳統的診斷試驗指標如：敏感性，特異性和ROC曲線下面積僅測量預測模型的診斷準確性，未能考慮特定模型的臨床效用。
而DCA的優勢在於它將患者或決策者的偏好整合到分析中。這種理念的提出滿足了臨床決策的實際需要，在臨床分析中的應用日益廣泛。
我們在PubMed上以“decision curve analysis”為檢索詞，檢索最近5年時間的發文量在17,255篇，且數量一直在上漲中！很多頂級期刊包括Ann Intern Med、JAMA、J Clin Oncol等都採用這種方法。
這麼高大上的分析，咱們必須拿捏！！
剛入門，還在為生信圖表的繪製頭疼？ 
不知道怎麼做圖？拿著資料手足無措？ 
掃碼免費上車獼猴桃老師的直播課
手把手教你學會用仙桃，零程式碼就能解決！
進群還能免費領取繪圖、復現等乾貨資源包！
下面就來一起看看吧！
01
學習思路
定義：DCA (Decision Curve Analysis)是一種評估臨床預測模型、診斷試驗和分子標記物的簡單方法。
實現功能：評價一種診斷方法是否好用，一般是作ROC曲線，計算AUC。但是，ROC只是從該方法的特異性和敏感性考慮，追求的是準確。決策曲線分析法（Decision Curve Analysis，DCA）是個與ROC曲線相提並論的相對比較新的模型評價方法。
分析過程：
注：淨收益率公式為：真陽性率 * 患病率 – (閾值機率/(1 – 閾值機率)) * (1 – 患病率) * 假陽性率
02
圖解：如何看診斷DCA圖？
點選檢視影片教程
↓ ↓
診斷DCA(Decision Curve Analysis)圖
用來描述隨著閾機率變化，按照模型預測值對病人進行干預的情況下淨收益的變化，也是一種評價診斷方法是否好用的方法。
  • 橫座標：為高風險機率閾值，範圍是0-1。
  • 縱座標：表示淨收益率，給在該高風險機率閾值下的真陽性患者施加干預的受益值和給假陽性患者施加干預的損失值之間的差值。隨著高風險機率閾值的增加，根據模型結果進行干預的淨收益會下降。
  • 每條曲線表示每個變數（每個模型）的淨收益率隨著高風險機率閾值變化的情況，其中All：表示全部人群都干預，None：表示全不干預，淨收益一直為0。
  • All和None有一個交點，表示在某個閾值水平下，對於陽性病人採取全乾預和全部不干預的獲益都是一樣的。
  • 曲線接近兩條參考線（All和None）的模型，說明應用價值不高。Age+Score變數在很大一個機率閾值區間內高於參考線，說明該變數模型較好。
03
使用場景
預測生存時間：可以確定哪些特徵在預測生存時間方面具有最佳的預測效能。透過比較不同的特徵或模型的預測效果，確定最佳的預測模型。
預測治療反應：在個體化醫療中，預後DCA圖可以用於評估不同特徵對治療反應的預測能力。透過比較不同特徵的預測結果，確定最佳的治療策略。
評估預測模型：可用於評估預測模型的效能，包括模型的敏感性、特異性和準確性等。透過比較不同模型在不同閾值下的預測效果，確定最佳的預測模型。
04
如何分析和繪製圖表？
生信圖表的繪製一直都是很多剛入門的新手會頭疼的問題。
拿著資料手足無措？不知道怎麼做圖？
這就來教你解決！
點選檢視影片
↓ ↓
從讓大家記住學會的角度出發，建議先登入網站自己繪製一次，然後再參照影片比對一下自己的繪製過程是否一致哦！
好的，以上就是DCA圖的全部內容了。
從3分到40+分頂刊都在用的DCA曲線，原來使用仙桃學術工具就能進行繪製~
純小白一枚，那仙桃是隻能用來畫圖嗎？
🙉當然不是！
仙桃學術不僅可以幫我們繪製火山圖、熱圖、ROC曲線圖、DCA圖等等，還可以實現：
  • 線上拼圖，1s直接輸出
  • 持續更新預清洗好的雲端資料
  • TCGA資料庫、GEO資料集，資料清洗量+1倍，非腫瘤也可以一鍵出圖
  • 寫作功能，SCI無痛產出，關鍵詞搜尋→文獻海量語料，可以邊檢索邊修改
  • 300+模組，即時更新中，一鍵出圖，高效發表
  • ……
更多的功能可以在獼猴桃老師的【AI & 仙桃 零程式碼發3分SCI文章】課程瞭解哦~有什麼問題也可以直接問問老師~
另外，獼猴桃老師在上節直播中分享給大家的【仙桃學術乾貨資源包】收穫了超乎預期的反響，尤其是“常見問題的圖文解決辦法”，明確列出了各類軟體工具的實操教程，深受學員們的喜愛！
想獲取資源包的同學，趕快來免費報名課程吧~
*具體領取方式以老師為準~
掃描下方二維碼即可報名
免費上車學習獼猴桃的重磅課程
還有機會領取硬核乾貨【仙桃學術資源包】

相關文章