0.决策曲线
决策曲线分析法（Decision Curve Analysis，DCA）是个与ROC曲线相提并论的相对比较新的模型评价方法。
关于它的原理，长篇大论的医学统计学知识解读实在不是我的强项，放上两个链接偷偷懒：
https://www.plob.org/article/12455.html https://www.iikx.com/news/statistics/1622.html
如果想看文章，这篇里的fig7就是:https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8051731/。
图的横坐标为阈概率（ThresholdProbability）。当各种评价方法达到某个值时，患者i的出血风险概率记为Pi；当Pi达某个阈值（记为Pt），就界定为阳性，采取某种干预措施。纵坐标就是利减去弊之后的净获益率。
简单说这个图片怎么看，曲线接近两条参考线的模型，说明没有应用价值，在很大一个阈值区间内高于参考线的，说明模型好一些。
下面是DCA曲线的绘制方法
1.传统方法
只能用于logistic回归，图片风格略古老
rm(list = ls())
library(rmda)
data(dcaData)
set.seed(123)
baseline.model <- decision_curve(Cancer~Age + Female + Smokes,
data = dcaData,
thresholds = seq(0, .4, by = .005),
bootstraps = 10)
#plot using the defaults
plot_decision_curve(baseline.model,
curve.names = "model1",
cost.benefit.axis =FALSE,
#col= c('red','blue'),
confidence.intervals=FALSE,
standardize = FALSE)
2.ggDCA
去年8月份的包，支持logistic回归和cox回归，简洁易用，图片基于ggplot2，可以非常方便的修改。
2.1 logstic模型
library(ggDCA)
library(rms)
m1 <- lrm(status~ANLN,LIRI)
data <- dca(m1)
ggplot(data)
m2 <- lrm(status~ANLN+CENPA,LIRI)
data <- dca(m1,m2)
ggplot(data)
2.2 cox回归模型
m1 <- cph(Surv(time,status)~ANLN,LIRI)
data <- dca(m1)
ggplot(data)
m2 <- cph(Surv(time,status)~ANLN+CENPA,LIRI)
data <- dca(m1,m2)
ggplot(data,linetype = T)
o的k！多说一句，ggDCA这个包的作者是一棵树，作者亲手写的教程是在：https://mp.weixin.qq.com/s/dcN1BvmuSO7osWFPPq3pYg 供大家参考。
