1.7 临床决策曲线
决策曲线分析法（Decision Curve Analysis，DCA）是临床预测模型是否能够落地应用的“最后一公里”。临床上，我们通过ROC曲线来寻找诊断试验的切点，主要是将特异性和敏感性作为同等重要的权重进行考虑，但这种考虑真的合理吗？患者就一定受益吗？
如通过某个生物标志物预测研究对象是否患病，无论选择哪个界值，都会遇到假阳性和假阴性的可能；有时候避免假阳性受益更大，有时候则更希望避免假阴性，既然两种情况都无法避免，那就两害相权取其轻，两利相权取其重，我们就选择对患者最有利的，也就是净受益最大的方法，这就是临床效用的问题。
一个病人，如果是X病，做手术可延长6年寿命，如果不是X病，做手术会缩短3年寿命，那么某个患者经过模型预测有40%可能是X病，到底做不做手术呢？临床决策曲线就是考虑在模型各个阈值情况下，模型真正获益的净人数，如图1-26所示。
横坐标为阈值概率：在风险评价工具中，患者诊断为X病的概率为Pi；当Pi达到某个阈值（Pt），就界定为阳性，采取治疗措施。此时会有病人治疗的获益，也有非病人治疗的伤害以及病人未治疗的损失。而纵坐标就是利减去弊之后的净获益（Net Benefit，NB）。
横线：代表所有样本都是阴性（Pi＜Pt），所有人都不治疗，净获益为0。
斜线：代表所有样本都是阳性，所有人都接受了治疗，净获益是个效率为负值的反斜线。
DCA结果解读见图1-27，假定选择预测概率为40%诊断为X病并进行治疗，那么每100人使用此模型的患者，大约有42人能从中获益而不损伤任何其他人的利益（其实是有人利益受损，只是DCA曲线分析校正了这部分人群的损失）。
图1-26 临床决策曲线
图1-27 DCA解读示意图
对于基于Logistic回归的诊断模型，训练集和验证集均需绘制DCA曲线，如图1-28。而对于基于COX回归的预后模型，则需要绘制不同时点的DCA曲线，如图1-29所示，如1年、3年、5年等，而且也需要训练集和验证集都要绘制，如图1-30所示。
图1-28 诊断预测模型DCA曲线
图1-29 预后模型DCA曲线展示（一）
图1-30 预后模型DCA曲线展示（二）
图1-29中A、B、C分别代表1年、2年和3年的决策曲线（DCA），每张图中的两条线代表两个不同的模型。
图1-30中，A和B代表训练集的OS和CSS的DCA曲线，C和D代表验证集OS和CSS的DCA曲线。内部的两条线代表两个不同的模型。
初学临床预测模型，很多人对数据集的应用心存困惑，关于哪些指标训练集要做，哪些指标验证集要做，松哥给大家做一个总结。
训练集和验证集都要做的是：区分度（C-index或ROC/AUC）、校准度（校准曲线和／或H-L检验）、临床决策曲线（DCA）；Nomogram（诺莫图）只针对训练集做。而上述所有这些都是基于模型计算出来的P，有P就有临床预测模型的一切。