Logistic构建临床预测模型系列主要以一篇基于logistic回归构建预测模型的文章为例，从整理数据到构建预测模型，再到内部验证模型，包括了整理数据、随机数据拆分、基线描述、差异性分析、绘制ROC曲线并计算AUC值、HL检验及绘制校准曲线、构建列线图模型并绘制DCA曲线，基本涵盖了Logistic构建预测模型的全过程，敬请期待！

决策曲线分析（DCA）是一种评估预测模型和诊断测试的方法，是个与ROC曲线相提并论的相对比较新的模型评价方法。

本文属于Logistic构建临床预测模型系列文章第八篇，分别用R语言和风暴统计对Logistic预测模型DCA曲线的绘制进行复现。系列文章详情请点击下方链接：

①Logistic构建预测模型：SEER数据库文献解读

②Logistic构建预测模型：如何用R语言整理数据？（附全套代码）

③Logistic构建预测模型：如何用R语言拆分数据集并做基线差异性分析？（附全套代码）

④Logistic构建预测模型：如何用R语言做Logistic单因素+多因素回归分析！（附全套代码）

⑤Logistic构建预测模型：如何用R语言绘制精美的ROC曲线？（附全套代码）

⑥Logistic构建预测模型：如何用R语言绘制校准曲线并做H-L检验？（附全套代码）

⑦Logistic构建预测模型：如何用R语言绘制Logistic预测模型列线图？（附全套代码）

今日文章分为两部分

1.文章解读

2.R语言复现

3.小白简易版DCA曲线绘制

1.文章解读

案例文献是一篇基于SEER公共数据库的一项回顾性研究，旨在开发和验证列线图以预测脑转移的非小细胞肺癌患者早期死亡。

背景：在非小细胞肺癌（NSCLC）的整个病程中，很多患者会出现预后差、死亡率高的脑转移（BM）。然而，很少有模型能预测有脑转移的NSCLC患者的早期死亡（ED）。我们旨在开发列线图来预测NSCLC脑转移患者ED。

方法：从监测、流行病学和最终结果（SEER）数据库中选取了2010年至2015年间患有BM的NSCLC患者。纳入标准如下：（I）患者经病理诊断为NSCLC；（II）患者患有BM。患者按7:3的比例随机分为两组，分别为训练组和验证组。采用单因素和多因素Logistic回归方法来确定伴有BM的NSCLC患者发生ED的危险因素。建立了两个列线图，并通过校准曲线、ROC曲线和决策曲线分析（DCA）进行了验证。随访数据包括生存月数、死因和生命状态。初次诊断后3个月内的死亡定义为ED，终点为全因ED和癌症特异性ED。

结果：共纳入了4,920名患有BM的NSCLC患者，并随机分为两个队列（7:3），包括训练队列（n=3,444）和验证队列（n=1,476）。全因ED和癌症特异性ED的独立预后因素包括年龄、性别、种族、肿瘤大小、组织学、T分期、N分期、分级、手术、放疗、化疗、骨转移和肝转移。所有这些变量都用于建立列线图。在全因ED和癌症特异性ED的列线图中，训练数据集的ROC曲线下面积分别为0.813（95% CI：0.799-0.837）和0.808（95% CI：0.791-0.830），验证数据集的ROC曲线下面积分别为0.835（95% CI：0.805-0.862）和0.824（95% CI：0.790-0.849）。此外，校准曲线证明预测的ED与实际值一致。DCA临床应用前景良好。

结论：列线图可用来预测患者死亡的具体概率，有助于治疗决策和重点护理，以及医患沟通。

本文构建logistic预测模型并做内部验证，思路框架清晰，案例十分典型。先拆分数据集为训练集和验证集，比例为7:3，验证集用于进行内部验证。然后做基线描述，比较训练集和验证集的基线差异性，再做单因素和多因素logistic回归，将单因素P值小于0.05的因素纳入到多因素回归模型中。再根据多因素回归的结果构建列线图预测模型，并对模型进行验证，绘制ROC、校准曲线及DCA曲线，模型比较稳定。

今天我们对本文的DCA曲线绘制展开复现。DCA的结果表明列线图模型具有良好的临床实用性。

2.R语言复现

2.1安装和加载R包

2.2绘制DCA曲线