临床预测模型的决策曲线分析（DCA）：基于ggDCA包 决策曲线分析法（decision curve analysis，DCA）是一种评估临床预测模型、诊断试验和分子标记物的简单方法。 我们在传统的诊断试验指标如：敏感性，特异性和ROC曲线下面积仅测量预测模型的诊断准确性，未能考虑特定模型的临床效用，而DCA的优势在于它将患者或决策者的偏好整合到分析中。这种理念的提出满足了临床决策的实际需要，在临床分析中的应用日益广泛。
前 言
本文介绍使用ggDCA包绘制多因素Cox回归模型的决策曲线分析（Decision curve analysis，DCA）。
ggDCA是目前能同时绘制Cox回归模型、logistic回归模型及广义线性模型的DCA曲线且其图形能用ggplot2美化。同时，该包还能计算DCA的曲线下面积、净获益及阈值概率的范围，如果把这些加入到文章中相信能增色不少！
1. 预测模型评估小结
2. ggDCA包的安装
3. Cox回归模型的DCA
4. 单个Cox模型多个时间点的DCA
5. 多个Cox回归模型的DCA比较
6. 多个模型在多个时间的DCA比较
7. DCA的曲线下面积（AUDC）
8. 其他回归模型的DCA
一、模型评估与比较小结
举例：某列线图（AUC/C-inde=0.8）预测某患者5年复发风险为70%。
1. 区分度 (Discrimination)
使用ROC曲线的曲线下面积（AUC）和C-index评估。
AUC/C-index=0.8，列线图对此结果的区分能力为80%，即有80%的把握确定复发率为70%。预测模型 | 6. 模型评估：ROC曲线-基于多因素Cox回归
2. 校准度 (Calibration)
使用校准图评估。
校准图用于解释列线图预测的70%复发率与实际复发率的接近程度，即准确性评估。详见：预测模型 | 5. 模型评估：校准曲线
3. 临床实用性
(Clinical usefulness)
使用决策曲线分析（DCA）评估。
多因素Cox回归的DCA曲线
#载入R包
ibrary(rms)
library(ggDCA)
library(survival)
#清理环境
rm(list = ls())
#2.载入数据，status=0为复发
aa<- read.csv('决策分析曲线.CSV')
#使用cph（）函数时运行
#即报错：adjustment values not defined here or with datadist.....时
bb<-datadist(aa)
options(datadist='bb')
数据点击：https://mp.weixin.qq.com/s/VO3GiBZcL_kAoHrr6_dPAw获取
1、构建多因素Cox回归模型
数据中status，0为感兴趣事件，因此status==0
model1<-coxph(Surv(time,status==0)~AGE+N+ER+LVI+Grade+RT,
data=aa)
2、决策曲线分析 DCA
fig1<-dca(model1,
new.data = NULL,
times=60)
3、DCA曲线绘制和美化
ggplot(dca1,
model.names="模型1",
linetype =F, #线型
lwd = 1.2) #线粗
2.png
4. 美化
library(ggprism)
ggplot(dca1,linetype =F,lwd = 1.2)+
#使用直线坐标系
theme_classic()+
#使用prism主题
theme_prism(base_size =17)+
#图例放在上方
theme(legend.position="top")+
#x轴范围并加入小刻度
scale_x_continuous(
limits = c(0, 1),
guide = "prism_minor") +
#y轴范围并加入小刻度
scale_y_continuous(
limits = c(-0.01, 0.2),
guide = "prism_minor")+
#颜色
scale_colour_prism(
palette = "candy_bright",
name = "Cylinders",
label = c("模型1", "ALL", "None"))+
#图形标题
labs(title = "5年DCA基于ggDCA包")3.png
更多细节点击查看原文：https://t.1yb.co/nAm1
四、单个模型多个时间点的DCA
#第1步建模同上
#第2步同上，只需改时间即可
dca1<-dca(model1,
new.data = NULL,
times=c(36,48,60))
#第3步改标签
ggplot(dca1,
linetype =F,
lwd = 1.2)+
theme_classic()+
theme_prism(base_size =15)+
theme(legend.position=c(0.7,0.7))+
scale_x_continuous(
limits = c(0, 1),
guide = "prism_minor") +
scale_y_continuous(
limits = c(-0.01, 0.15),
guide = "prism_minor")+
scale_colour_prism(
palette = "candy_bright",
name = "Cylinders",
label = c("3年DCA","4年DCA","5年DCA",
"ALL-3年", "ALL-4年","ALL-5年",
"None"))+
labs(title = "3-5年DCA")五、多个模型DCA比较
#再建两个模型
model2 <- coxph(Surv(time,status==0)~AGE+N+ER+PR+Grade,data=aa)
model3 <- coxph(Surv(time,status==0)~AGE+N+ER+LVI,data=aa)
#三模型DCA分析
#只需指明模型名字和时间即可，跟1个模型一样其实
dca2<- dca(model1,model2,model3,
times=60)
#绘图，跟单模型一样的代码
ggplot(dca2,
linetype =F,
lwd = 1.2)+theme_classic()+
theme_prism(base_size =17)+
theme(legend.position=c(0.8,0.6))+
scale_x_continuous(
limits = c(0, 1),
guide = "prism_minor"
) +
scale_y_continuous(
limits = c(-0.01, 0.15),
guide = "prism_minor"
)+
scale_colour_prism(
palette = "candy_bright",
name = "Cylinders",
label = c("模型1", "模型2", "模型3","ALL","None")
)+labs(title = "三模型DCA比较")六、多模型多时间点DCA比较
#只需修改一下时间和标题
dca2<- dca(model1,model2,model3,times=c(36,48,60))
ggplot(dca2,
linetype =F,
lwd = 1.2)+theme_classic()+
theme_prism(base_size =17)+
theme(legend.position=c(0.9,0.6))+
scale_x_continuous(
limits = c(0, 1),
guide = "prism_minor"
) +
scale_y_continuous(
limits = c(-0.01, 0.15),
guide = "prism_minor"
)+
scale_colour_prism(
palette = "candy_bright",
name = "Cylinders",
label = c("模型1", "模型2", "模型3","ALL","None")
)+labs(title = "三个模型3-5年DCA比较")七、曲线下面积及净获益范围
model1<-cph(Surv(time,status==0)~AGE+N+ER+LVI+Grade+RT,
data=aa)
dca1<-dca(model1,times=60)
AUDC(dca1)
#运行结果
# model1 All None
#0.06035219 0.01139759 0.00000000rFP.p100(dca1)
#也可以直接输入dca1
dca1基于这个数据框，我们可以比较各个模型在各个时间点的阈值概率范围，最大最小净获益。
在我读过的文章里，这些数据很少被报道。
这项结果也是ggDCA包的一大特色。
这些数据将使我们的文章更具亮点和说服力。
八、其他回归模型的DCA曲线
bb<-datadist(aa)
options(datadist='bb')
#建模
m1<- lrm(status~AGE+N+LVI+Grade,data = aa)
m2<- lrm(status~AGE,data = aa)
#dca分析
d<-dca(m1,m2 )
#绘图
ggplot(d)+
theme_classic()+
theme_prism(base_size =17)+
theme(legend.position=c(0.25,0.3))+
scale_x_continuous(
limits = c(0.2, 1),
guide = "prism_minor"
) +
scale_y_continuous(
limits = c(-0.05, 0.8),
guide = "prism_minor"
)+
scale_colour_prism(
palette = "candy_bright",
name = "Cylinders",
label = c("lrm模型1", "lrm模型2","ALL","None")ggDCA包参考手册：
https://cran.r-project.org/web/packages/ggDCA/index.html
错误1
Error in model.frame.default(formula = Surv(time, event) ~ data + new_model_by_liang_guo, :
参数'data'的种类(list)不对
这个错误来源于
model_Liang_Guo <- coxph(Surv(time, event)~data$new_model_by_liang_guo,data=data)
summary(model_Liang_Guo)
去掉datas$ 即可
ggDCA的包报错
由于survival包版本问题，从CRAN安装的ggDCA会报错（如上图）。
因此，要从作者的github上下载ggDCA。
ggDCA安装
#1.安装devtools
install.packages("devtools")
#2.从github安装ggDCA
devtools::install_github('yikeshu0611/ggDCA')
#注：若是devtools::install_github('yikeshu0611/ggDCA')也报错，可先运行：
options(unzip ='internal')