R语言临床预测模型的评估与验证：决策曲线分析

R语言临床预测模型的评估与验证：决策曲线分析

在临床研究中，构建预测模型是一项重要任务。然而，单纯通过评估模型的准确性并不能完全反映其在实际应用中的效果。为了更全面地评估模型的性能，我们需要使用一些评价指标和验证指标。本文将介绍如何使用R语言进行决策曲线分析，以评估和验证临床预测模型的效果。

1. 模型评价指标
   在进行模型评估时，我们通常关注以下几个指标：

• 准确率（Accuracy）：模型正确预测的样本数占总样本数的比例。
• 灵敏度（Sensitivity）：真实阳性样本中被模型正确预测的比例，也称为召回率（Recall）或真阳性率（TPR）。
• 特异度（Specificity）：真实阴性样本中被模型正确预测的比例，也称为真阴性率（TNR）。
• 正预测值（Positive Predictive Value，PPV）：模型预测为阳性的样本中，真实阳性样本的比例。
• 负预测值（Negative Predictive Value，NPV）：模型预测为阴性的样本中，真实阴性样本的比例。

下面是使用R语言计算这些指标的示例代码：

# 计算准确率
accuracy <- function(actual, predicted) {
  return(sum(actual == predicted) / length(actual))
}

# 计算灵敏度
sensitivity <- function(actual, predicted) {
  TP <- sum(predicted ==