【R-mlr3新书节选】手动计算并绘制任意二分类机器学习模型决策曲线（DCA）

主要观点总结

本文主要介绍了决策曲线分析（DCA）的概念及其在R语言中的实现方式。DCA是一种评估临床决策是否可行的方法，通过考虑患者风险和获益的可能范围来评估预测/诊断模型的实用性。文章详细阐述了DCA中的关键概念，如阈值概率、净获益和决策曲线等，并提供了R语言实现DCA的步骤和函数定义，包括生成DCA数据、绘制DCA曲线和演示案例等。

关键观点总结

关键观点1: 概念原理

决策曲线分析（DCA）是一种评估临床预测/诊断模型是否可行的分析方法，通过考虑患者风险和获益的可能范围来评估临床决策的实用性。

关键观点2: R语言实现DCA的步骤

包括生成DCA数据、定义绘制DCA曲线的函数、案例演示等。其中，生成DCA数据是关键，需要自定义生成DCA数据的函数，该函数根据模型预测结果和阈值概率计算接受治疗的净获益。

关键观点3: DCA中的关键概念

包括阈值概率、净获益、决策曲线等。阈值概率是判断/预测为阳性而患者选择接受治疗/干预的概率水平；净获益是同时考虑获益和伤害后的一个指标；决策曲线是根据不同阈值概率下的净获益绘制出的曲线。

关键观点4: 注意事项

文章主要是阐释DCA原理和计算细节，真正做DCA更建议使用dcurves包，也包含生存任务的DCA。文章内容经过修改后将出现在R语言新书《R机器学习：基于mlr3verse》附录，所以禁止用于任何出版。

文章预览

手动实现一遍，是理解概念或算法最佳的方式，没有之一。 —— 我的观点 1 概念原理 当临床预测/诊断模型想要应用到临床上时，如何选择合适的阈值是临床医生需要考虑的问题。对于不同的疾病，有的可能需要更高的灵敏度，有的需要更高的特异度，但是究竟什么阈值能够使得患者利益最大化，就需要 决策曲线分析（DCA） 。 它是一种通过考虑患者风险和获益的可能范围来评估临床决策是否可行的方法（即临床实用性），也越来越多的应用在预测/诊断模型的研究上。 DCA 中有两个关键概念，一个是阈值概率，即判断/预测为阳性而患者选择接受治疗/干预的概率水平。通常预测/诊断模型会输出一个介于 0 到 1 之间的一个概率，当此概率大于阈值概率，就界定为阳性，对患者采取治疗/干预措施。 但是每个阈值概率判断的阳性组中显然仍然存在真阳 ………………………………