做腫瘤分析的小伙伴看過來啦，小伙伴平時(shí)做臨床分析的時(shí)候，肯定都少不了對模型的構(gòu)建，比如一些單因素的Cox回歸分析，或者多因素的Cox回歸分析，lasso等等，既然做了模型我們肯定少不了對模型的驗(yàn)證，驗(yàn)證的方式也有很多用比如對模型ROC曲線驗(yàn)證，再比如，臨床特征比較多的情況下，小伙伴有的就會(huì)構(gòu)建Nomogram模型，那么就會(huì)使用校準(zhǔn)曲線去驗(yàn)證模型，以上我們介紹的都是對模型的本身去驗(yàn)證，小云在這里教大家一個(gè)新的曲線，可以去驗(yàn)證小伙伴構(gòu)建的模型在臨床上的適用性！就是決策曲線，小云這里先簡單給大家介紹一下： 決策曲線分析法（decision curve analysis，DCA）是一種評估臨床預(yù)測模型、診斷試驗(yàn)和分子標(biāo)記物的簡單方法。 我們在傳統(tǒng)的診斷試驗(yàn)指標(biāo)如：敏感性，特異性和ROC曲線下面積僅測量預(yù)測模型的診斷準(zhǔn)確性，未能考慮特定模型的臨床效用，而DCA的優(yōu)勢在于它將患者或決策者的偏好整合到分析中。這種理念的提出滿足了臨床決策的實(shí)際需要，在臨床分析中的應(yīng)用日益廣泛。所以呢，小云這里較小伙伴繪制，用在你的文章中，大大的增長文章的豐富度！ 小云這里使用的是R包rmda包去繪制DCA，其實(shí)還有很多包比如ggDCA等， 我們先導(dǎo)入數(shù)據(jù)： dcaData <- read.table("test2.txt",sep = "\t",row.names = 1,check.names = F,stringsAsFactors = F,header = T)

小云這里使用的是小云平時(shí)整理的，小伙伴可以按照自己數(shù)據(jù)形式去設(shè)置，小云提醒一下，數(shù)據(jù)形式要設(shè)置成數(shù)字的形式，這里小云的臨床特征在圖中，也加入了一些基因放入模型中 library(rmda)#加載包 #data("dcaData") #構(gòu)架基礎(chǔ)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()函數(shù)中， family=binomial（link=‘logit）是使用Logistic回歸來擬合模型，默認(rèn)值。 threshold設(shè)置橫坐標(biāo)閾概率的范圍，一般是0~1。但如果有某種具體情況，大家一致認(rèn)為閾概率達(dá)到某個(gè)值以上，比如50%，則必須采取干預(yù)措施，那么0.5以上的研究就沒什么意義了，可以設(shè)為0-0.5。by是指每隔多少距離計(jì)算一個(gè)數(shù)據(jù)點(diǎn)。 bootsrap 重抽樣次數(shù) 小云這里是按照自己的臨床特征還有基因，小伙伴要按照自己情況來#event~stage + age + Mstage + Nstage + Grade+PCNA+MCM2+GINS2+time 下面就是繪制DCA的基本圖形了我們使用默認(rèn)的參數(shù) plot_decision_curve(model,? ????????????????????curve.names = "Clinical and genetic models", ????????????????????col = c("#DC0000B2"), ????????????????????confidence.intervals=F #不顯示置信區(qū)間

顏色名稱都可以自己調(diào)整 但是有的小伙伴想對比兩個(gè)模型，總不能繪制兩個(gè)圖吧，小云下面就教大家繪制兩個(gè)模型的DCA曲線 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變量建立模型 我們先在構(gòu)建一個(gè)模型，這我們隨便使用幾個(gè)變量進(jìn)行展示，小伙伴要按照自己的變量去設(shè)置 #繪制兩個(gè)模型DCA曲線 plot_decision_curve(list(model, model.Clinic), ????????????????????curve.names = c("Hub Gene model", "Clinic model"), ????????????????????col = c("#3C5488B2", "#DC0000B2"),#設(shè)置線的顏色 ????????????????????lty = c(1,2),?#?設(shè)置線形 ????????????????????lwd = c(3,3, 2, 2),??#設(shè)置線寬，分別為baseling.model、full.model、All和None ????????????????????confidence.intervals = F, ????????????????????legend.position = "topright")

DCA曲線不止可以構(gòu)建模型的驗(yàn)證，還可以繪制臨床的影響曲線： 這里我們使用plot_clinical_impact()函數(shù)繪制baseline.model模型的臨床影響曲線（clinical impact curve）。 模型預(yù)測1 000人的風(fēng)險(xiǎn)分層，顯示“損失:受益”坐標(biāo)軸，顯示置信區(qū)間。 plot_clinical_impact(model, ?????????????????????xlim = c(0, .4), ?????????????????????col = c("#3C5488B2", "#DC0000B2"))

如果小伙伴覺得兩個(gè)模型的計(jì)算方式一樣，我們可以使用交叉的驗(yàn)證去繪制DCA曲線 #交叉驗(yàn)證 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') 同樣的我們先繪制兩個(gè)模型，計(jì)算方式有改變，一個(gè)是cv_decision_curve，一個(gè)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")) 同樣的代碼繪制兩個(gè)曲線

結(jié)果不一樣，好了上述代碼我們手把手教會(huì)大家如何繪制DCA圖，還不快去試試？ 圖片繪制起來很容易，小伙伴要多多理解代碼的意義，也要理解繪制圖的含義，這樣才能將繪制的圖放入自己的文章中！