2024-06-17

手把手的教程！一文小果教你学会临床决策曲线（DCA）！！

原创小果生信果 2023-11-18 19:00:18

收录于话题

做肿瘤分析的小伙伴看过来啦，小伙伴平时做临床分析的时候，肯定都少不了对模型的构建，比如一些单因素的Cox回归分析，或者多因素的Cox回归分析，lasso等等，既然做了模型我们肯定少不了对模型的验证，验证的方式也有很多用比如对模型ROC曲线验证，再比如，临床特征比较多的情况下，小伙伴有的就会构建Nomogram模型，那么就会使用校准曲线去验证模型，以上我们介绍的都是对模型的本身去验证，小果在这里教大家一个新的曲线，可以去验证小伙伴构建的模型在临床上的适用性！就是决策曲线，小果这里先简单给大家介绍一下：

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。所以呢，小果这里较小伙伴绘制，用在你的文章中，大大的增长文章的丰富度！

公众号后台回复“111”领取代码，代码编号：231010

小果这里使用的是R包rmda包去绘制DCA，其实还有很多包比如ggDCA等，

我们先导入数据：

dcaData <- read.table("test2.txt",sep = "t",row.names = 1,check.names = F,stringsAsFactors = F,header = T)

小果这里使用的是小果平时整理的，小伙伴可以按照自己数据形式去设置，小果提醒一下，数据形式要设置成数字的形式，这里小果的临床特征在图中，也加入了一些基因放入模型中

library(rmda)#加载包#data("dcaData")

#构架基础DCA模型

model <- decision_curve(event~stage + age + Mstage + Nstage + Grade+PCNA+MCM2+GINS2+time ,family=binomial(link='logit'),data = dcaData,thresholds = seq(0, .4, by = .005),bootstraps = 10)

在上述decision_curve()函数中， family=binomial（link=‘logit）是使用Logistic回归来拟合模型，默认值。threshold设置横坐标阈概率的范围，一般是0~1。但如果有某种具体情况，大家一致认为阈概率达到某个值以上，比如50%，则必须采取干预措施，那么0.5以上的研究就没什么意义了，可以设为0-0.5。by是指每隔多少距离计算一个数据点。bootsrap 重抽样次数

小果这里是按照自己的临床特征还有基因，小伙伴要按照自己情况来

#event~stage + age + Mstage + Nstage + Grade+PCNA+MCM2+GINS2+time

下面就是绘制DCA的基本图形了我们使用默认的参数

plot_decision_curve(model,curve.names = "Clinical and genetic models",col = c("#DC0000B2"),confidence.intervals=F #不显示置信区间)

颜色名称都可以自己调整

但是有的小伙伴想对比两个模型，总不能绘制两个图吧，小果下面就教大家绘制两个模型的DCA曲线

model.Clinic <- decision_curve(event~stage + age + Mstage + Nstage + Grade,data = dcaData,thresholds = seq(0, .4,by = .005),bootstraps = 10)# stage + age + Mstage + Nstage + Grade变量建立模型

我们先在构建一个模型，这我们随便使用几个变量进行展示，小伙伴要按照自己的变量去设置

#绘制两个模型DCA曲线

plot_decision_curve(list(model, model.Clinic),curve.names = c("Hub Gene model", "Clinic model"),col = c("#3C5488B2", "#DC0000B2"),#设置线的颜色lty = c(1,2),  #  设置线形lwd = c(3,3, 2, 2),   #设置线宽，分别为baseling.model、full.model、All和Noneconfidence.intervals = F,legend.position = "topright")

DCA曲线不止可以构建模型的验证，还可以绘制临床的影响曲线：

这里我们使用plot_clinical_impact()函数绘制baseline.model模型的临床影响曲线（clinical impact curve）。模型预测1 000人的风险分层，显示“损失:受益”坐标轴，显示置信区间。

plot_clinical_impact(model,xlim = c(0, .4),col = c("#3C5488B2", "#DC0000B2"))

如果小伙伴觉得两个模型的计算方式一样，我们可以使用交叉的验证去绘制DCA曲线

#交叉验证

full.model <- cv_decision_curve(event~stage + age +  GINS2 + MCM2 + PCNA,data = dcaData,folds = 5,thresholds = seq(0, .4, by = .01))full.model_Hub <- decision_curve(event~stage + age +  GINS2 + MCM2 + PCNA,data = dcaData,thresholds = seq(0, .4,by = .01),confidence.intervals = 'none')

同样的我们先绘制两个模型，计算方式有改变，一个是cv_decision_curve，一个是decision_curve

plot_decision_curve(list(full.model_Hub, full.model),curve.names = c('Apparent curve','Cross-validated curve'),col = c("#3C5488B2", "#DC0000B2"),lty = c(2,1),lwd = c(3,2, 2, 1),legend.position = ("topright"))

同样的代码绘制两个曲线