决策曲线分析(DCA)

所属分类：医学统计模型

这个方法是做什么的

决策曲线回答的不是“模型准不准”，而是“按这个模型决策，比‘所有人都干预’和‘所有人都不干预’这两条默认策略更划算吗”。它的核心量是净获益 NB = TP/n − FP/n × pt/(1−pt)。这里的阈值概率 pt 就是你的风险偏好：pt=0.10 等价于认为漏掉 1 例真阳性的代价相当于 9 例不必要的干预，pt 越低越看重不漏诊。曲线在两条参考线之上的那一段，就是按模型决策真正划算的风险偏好区间。

报告在 0.01~0.99（步长 0.01，共 99 个点）上扫描阈值，给每个概率列的最大净获益及其阈值、优于两条默认策略的阈值区间（可以不连续），以及 0.05/0.10/0.15/0.20/0.30/0.50 六个常用阈值处各策略的净获益对照与“该阈值下最优策略”。第四张卡给标准化净获益 sNB=NB/患病率、每 100 人净减少的不必要干预数、平均净获益增量，以及多模型之间净获益差的配对 bootstrap 检验（500 次重抽样、固定种子，Bonferroni 校正）。第一张卡先把每列概率的 Brier、BSS、校准截距与斜率、Hosmer-Lemeshow 检验摆出来——校准是 DCA 的前提，不是附赠品。

需要准备什么数据

• 放入[二分类]结局变量：不限
• 放入[定量]模型预测概率：至少 1 个

数据要求

• 数据表至少 20 行。
• 单列缺失率不超过 20%。
• 不接受取值全都一样的列（零方差列没有可分析的变异）。
• 「放入[二分类]结局变量」必须正好是 2 个类别。
• 「放入[二分类]结局变量」的每一组至少 5 个样本。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

• 两个模型的 AUC 差不多，你要判断哪一个更值得真的拿去用
• 论证“再加一个检查指标是否值得”：把新旧两列概率一起拖进来比
• 需要一句能对临床讲的话：“同样不漏诊的前提下，每 100 人可以少做多少次不必要的检查”
• 审稿人要求在 ROC 与校准之外补一张决策曲线

数据要求：至少 20 行、缺失比例不超过 20%、不允许常数列；结局恰两类且各至少 5 例；预测概率列必须是落在 0~1 的概率，不能是未经转换的评分或 logit——净获益取决于概率的绝对水平，不是排序。概率列可以放多列，一次比较多个模型。

什么时候不要用它

• 你要问的是“高低风险分不分得开”：那是判别能力，用「ROC曲线分析」。
• 你要问的是“预测的概率数值本身准不准”：那是校准，用「校准曲线」。
• 你手上还没有概率列，只有原始自变量：先用「逻辑回归」建模拿到概率。
• 你要问的是“新指标把多少人重分到了正确的风险层”：用「NRI/IDI 重分类改善」。
• 结局是“事件发生的时间”，净获益的 TP/FP 计数无从定义：用「Cox比例风险回归」，先把风险预测建立在生存框架里。

容易误读的地方

• 把所有概率同比例放大或缩小，AUC 一点都不变，净获益曲线却会整个走样。 卡①的结论文案就是这么写的，这也是这张卡为什么必须先看的原因。示例里“模型B预测概率”的校准斜率只有 0.5245、Hosmer-Lemeshow p<0.001，它优于默认策略的阈值区间因此被切得支离破碎——0.03~0.03、0.39~0.82、0.94~0.94、0.98~0.99；而校准良好的“模型A预测概率”是连成片的 0.02~0.18、0.20~0.99。卡①明说：校准斜率明显小于 1 时应先重校准再画决策曲线，否则模型的临床价值会被低估。
• “最大净获益”那一列几乎没有临床意义。 它通常落在扫描区间最低的阈值 0.01 上——此时几乎所有人都被判为阳性，净获益趋近患病率。示例两个模型的最大净获益都是 0.5320、都在 pt=0.01，模块自己的文案也直说“该点本身并无临床意义”。正确读法是先由临床代价权衡定下 pt 区间，再在这个区间内比较曲线高低，而不是比整条曲线。
• “每 100 人净减少干预数”可以是负的，看到负号不是算错了。 示例“模型B预测概率”在 pt=0.05/0.10/0.15/0.20/0.30 处分别是 −4.7 / −6.7 / −3.0 / −4.0 / −3.9，意思是在这些阈值下按它决策还不如直接“所有人都干预”；到 pt=0.50 才转正为 11.7。这个量是相对“全部干预”算的，与相对“全不干预”的比较是两回事。
• 两两比较的 bootstrap 把预测概率当成已知常量。 表注写明它没有在每个重抽样样本里重新拟合模型，因此概率若来自与本数据相同的拟合样本，置信区间会偏窄、结论偏乐观；p 值的分辨率下限约 2/(B+1)=0.0040。示例 6 次比较里未校正 p 有 3 个小于 0.05（0.012、0.020、0.024），Bonferroni 校正后最小的也只有 0.072，一个都不显著——下结论请用校正列。
• DCA 假定假阳性与假阴性的代价比恒等于 pt/(1−pt)。 卡⑤的局限性写明：代价随个体变化时需改用更一般的决策分析模型。还有一条同样重要——如果模型在你真正关心的阈值区间里并不优于默认策略，那就如实报告，这是有价值的阴性结论，不该靠挑一个碰巧占优的阈值来回避。

报告里有什么

1. 输出结果一：数据概览与前提检验
2. 输出结果二：净获益摘要（主结果表）
3. 输出结果三：决策曲线可视化
4. 输出结果四：效应量与事后分析
5. 输出结果五：结论与解读