image.png
从图中可以看出，age 49时对应的分数是11分，然后meno为0对应的分值为0，nodes为2时对应的分数为3分，总分值为14分，总分值对应的预测值是0.3-0.4之间，小于0.5，所以其预测值应该是0，和实际结果一致。除了这些我们还可以看到哪些信息呢？
特征的取值范围：比如age的取值范围是20-80，meno取值范围是0-1（分类变量），nodes取值范围是0-55.
特征的权重(特征重要性)：线越长代表权重越大，从图中可以看出：nodes > age > meno;
特征的影响趋势(正向、负向)：age越大，发生事件的概率越低，所以是负向趋势；meno和nodes都是随着值越大发生事件的概率越大，所以是正向趋势；
得分：可以通过point得出单个病人某个指标对应的分值，然后通过分值累加即可获得total point；
预测概率：我们可以通过计算得出的total point比对出事件发生的概率。
image.png
X轴表示诺模图预测的概率，y轴表示侵袭性腺癌的实际概率。完美的预测对应绿色虚线。红色虚线表示整个队列，蓝色实线通过Bootstrapping(1000次重复)进行偏差校正，表示观察到的诺模图性能。
临床决策曲线（DCA
(2 封私信) 手把手的教程！一文小果教你学会临床决策曲线（DCA）！！ - 知乎
一、单个决策曲线
image.png
DCA曲线组成部分
1）阈值概率：
临床决策者采取某项干预措施的概率阈值。换言之，它是疾病的预测概率，超过该概率时，预期的治疗益处超过其带来的风险。
2）净收益（Net Benefit）：这是模型在特定阈值概率下的效用度量，考虑了真阳性带来的益处减去假阳性带来的损害（经适当加权）。
3）净收益曲线（Net Benefit Curve）
这是一个图形工具，它展示了在不同阈值概率下模型的净收益。通过比较不同模型的净收益曲线，可以直观地看出哪个模型在特定条件下更优。
4）参考线（Reference Lines）
在DCA图中，通常会包括几条参考线作为比较的基准，最常见的有：“不采取任何行动”（Treat None）的净收益线：假设没有患者被治疗，此时的净收益是零。“治疗所有患者”（Treat All）的净收益线：假设所有患者都接受治疗，这条线展示了在这种极端情况下的净收益。
5）决策阈值（Decision Threshold）：这是决策者做出治疗决策时考虑的阈值概率的具体值。在实际应用中，这个阈值是基于疾病的严重性、治疗的潜在风险与益处以及患者偏好等因素综合确定的。
二、多个决策曲线
image.png
在比较多个决策曲线时，我们主要关注各个模型的净收益在不同阈值概率下的表现。通过这种比较，可以判断哪个模型在特定情境下对临床决策提供最大的净收益。以下是如何解读和比较多个模型决策曲线的几个关键点：
1）查找净收益最高的曲线：在特定的阈值概率下，净收益最高的模型曲线表示该模型在该阈值下为临床决策提供了最大的益处。这意味着该模型能更有效地平衡治疗的好处与风险。
2）考虑阈值概率的范围：有些模型可能在低阈值概率区域表现出色，而其他模型可能在高阈值概率区域更为优越。因此，选择哪个模型不仅取决于单一的净收益值，还需要考虑临床决策中关注的特定阈值概率范围。
3）参考线的对比：通过将模型的决策曲线与“治疗所有患者”和“不治疗任何患者”的参考线进行比较，可以评估模型相对于这些极端策略的优势。如果模型的决策曲线在整个或大部分阈值概率范围内均高于这些参考线，这表明模型在广泛的临床情境下可能具有实际应用价值。
4）曲线的交叉点：如果两个模型的决策曲线在某些阈值概率下交叉，这表明不同模型可能在不同的阈值概率范围内各有优势。在这种情况下，决策者需要根据具体的临床情境和阈值概率来选择最合适的模型。
5）稳定性和一致性：在比较多个模型时，还应考虑它们的曲线在不同阈值概率下的稳定性和一致性。模型的净收益曲线如果在较宽的阈值概率范围内保持较高的净收益，且变化平稳，可能表明该模型具有较好的泛化能力和一致的性能。
以上就是DCA曲线的讲解部分，希望对大家能有用。
