今天小果为小伙伴们带来的分享为利用DCA分析评价模型的临床净获益率，该分析在模型评价中是缺一不可的分析，小果将通过该推文介绍如何进行模型评价和模型中指标的临床净获益率，该分析非常值得小伙伴学习，小果强烈推荐，接下来和小果一起开始今天的学习吧！
1.何为DCA分析？
在开始该分析之前，小果先为小伙伴们简单介绍一下何为DCA分析？DCA曲线，即决策曲线分析法（Decision Curve Analysis）,是用来帮助确定高风险患者进行干预，而低风险患者避免干预（避免过度医疗），即评价患者获益程度的一种评估方法。这就是小果对DCA分析的简单介绍，小伙伴们是不是很容易理解呀！有不理解的小伙伴，可以自行到网上查询深入学习呀！马上和小果一起开启今天的实操。
2.准备需要的R包
#安装需要的R包
install.packages(“survival”)
#加载需要的R包
library(survival)
library(ggDCA)
library(tidyverse)
source(“stdca.R”)
3.读取输入数据
#行名为样本名，其他列为临床因素，主要包括生存时间，生存状态等信息。
pbc<-read.table(“easy_input.txt”)
#删掉缺失数据
pbc <- na.omit(pbc)
#先把bili分为三类：低、中、高
pbc$catbili <- cut(pbc$bili,breaks=c(-Inf, 2, 4, Inf),
labels=c(“low”,”medium”,”high”))
#把status分为两类，原来的2为变成1，原来的1和0变成0
pbc$died <- pbc$status==2
pbc$status =ifelse(pbc$died==”TRUE”,1,0)
- DCA分析评价模型的临床净获益率
#多因素回归分析
Srv = Surv(pbc$time, pbc$died)
#此处选择5年的时间节点，输入文件的time列的单位是天，5年是1825天。
#下面每两行计算1种cox模型的系数，后面将画图对比
#模型一
coxmod1 = coxph(Srv ~ trt + age + sex + hepato + catbili + copper + stage, data=pbc)
pbc$model1 = c(1 – (summary(survfit(coxmod1,newdata=pbc), times=1825)$surv))
#模型二
coxmod2 = coxph(Srv ~ ascites + spiders + edema + chol + albumin + alk.phos + ast + trig + platelet + protime, data=pbc)
pbc$model2 = c(1 – (summary(survfit(coxmod2,newdata=pbc), times=1825)$surv))
#模型三
coxmod3 = coxph(Srv ~ trt + age + sex + hepato + catbili + copper + stage + ascites + spiders + edema + chol + albumin + alk.phos + ast + trig + platelet + protime, data=pbc)
pbc$model3 = c(1 – (summary(survfit(coxmod3,newdata=pbc), times=1825)$surv))
#模型四
coxmod4 = coxph(Srv ~ stage, data=pbc)
pbc$model4 = c(1 – (summary(survfit(coxmod4,newdata=pbc), times=1825)$surv))
#画一条临床净获益率
mod1<-stdca(data=pbc, outcome=”status”, ttoutcome=”time”, timepoint=1825,
predictors=”model1″,cmprsk=TRUE,smooth=TRUE, xstop=0.5,intervention=”FALSE”)
#多个模型比较
pdf(“net_benefit.pdf”,width = 6,height = 6)
stdca(data=pbc, outcome=”status”, ttoutcome=”time”, timepoint=1825,
predictors=c(“model1″,”model2″,”model3″,”model4″),
cmprsk=TRUE, smooth=TRUE,
xstop=0.5,intervention=”FALSE”)
dev.off()
- DCA分析评价模型的干预临床净获益率
#画一条干预临床净获益率
pdf(“3red.pdf”)
mod1 <- stdca(data=pbc, outcome=”status”, ttoutcome=”time”, timepoint=1825,
predictors=”model1″,cmprsk=TRUE,smooth=TRUE, xstop=0.5,intervention=”TRUE”)
dev.off()
#多条比对
pdf(“net_reduction.pdf”,width = 6,height = 6)
stdca(data=pbc, outcome=”status”, ttoutcome=”time”, timepoint=1825,
predictors=c(“model1″,”model2″,”model3″,”model4″),
cmprsk=TRUE, smooth=TRUE,
xstop=0.5,intervention=”TRUE”)
- ggDCA包绘制DCA曲线
#构建两个模型
fit1 <- coxph(Surv(time,status)~age,data = pbc)
fit2 <- coxph(Surv(time,status)~trt + age + sex + hepato + catbili + copper + stage,data = pbc)
#绘制单个模型的DCA曲线
plot1 <- dca(fit1,times = 365)
ggplot(plot1)
ggsave(“dca1.pdf”)
#绘制两个模型的DCA曲线
plot2 <- dca(fit1,fit2,times = 365)
ggplot(plot2)
ggsave(“dca2.pdf”)
今天小果完成了DCA分析评价模型的临床净获益率，其他相关分析内容欢迎尝试本公司新开发的云平台生物信息分析小工具，零代码完成分析，云平台网址：http://www.biocloudservice.com/home.html，主要包括基于ImmuneSubtypeClassifier进行肿瘤免疫亚型分类http://www.biocloudservice.com/125/125.php),临床亚组生存分析http://www.biocloudservice.com/386/386.php),((lasso回归模型筛选特征基因(http://www.biocloudservice.com/116/116.php),随机森林的十折交叉验证(http://www.biocloudservice.com/646/646.php),svm-ref支持向量机的机器学习(http://www.biocloudservice.com/372/372.php)等机器学习相关的小工具，今天小果的分享就到这里，欢迎大家和小果一起讨论学习，下期再见奥。