这里有一份示例数据，是NHLBI（美国国家心肺血液研究所）的Framingham心脏研究专项数据集的一个子集，4000多个样本。
自变量分别为性别（sex）、收缩压（sbp）、舒张压（dbp）、血清胆固醇（scl）、年龄（age）、身体质量指数（bmi）等，因变量为冠心病相关死亡事件（chdfate）。因变量必须是二元变量，随访时间内死亡为1，未死亡为0。
一个是简单模型，以血清胆固醇值为预测方法（predictor），死亡事件为结果（outcome）；另一个是复合模型，联合性别、年龄、BMI、血清胆固醇、收缩压、舒张压为预测方法，死亡事件为结果。
#安装软件
install.packages("DecisionCurve")
#导入软件
library(DecisionCurve)
#设置路径
setwd("~/Desktop/cancerlab/file")
#导入文件
Data<- read.csv('2.20.Framingham.csv',sep = ',')
#使用函数建立模型
simple<- decision_curve(chdfate~scl,data = Data, family = binomial(link ='logit'),thresholds= seq(0,1, by = 0.01), confidence.intervals =0.95,study.design = 'case-control',population.prevalence = 0.3)
#decision_curve()函数中，family =binomial(link = ‘logit’)是使用logistic回归来拟合模型。threshold设置横坐标阈概率的范围，一般是0 ~ 1；但如果有某种具体情况，大家一致认为Pt达到某个值以上，比如40%，则必须采取干预措施，那么0.4以后的研究就没什么意义了，可以设为0 ~ 0.4。by是指每隔多少距离计算一个数据点。
可见，在Pt约为0.1~0.5范围内，复合评价模型的净受益率都比简单模型高。
complex<- decision_curve(chdfate~scl+sbp+dbp+age+bmi+sex,data = Data,family = binomial(link ='logit'), thresholds = seq(0,1, by = 0.01),confidence.intervals= 0.95,study.design = 'case-control', population.prevalence= 0.3)
summary(complex)
List<- list(simple,complex)
plot_decision_curve(List,curve.names= c('simple','complex'),cost.benefit.axis =FALSE,col = c('red','blue'),confidence.intervals =FALSE,standardize = FALSE)
# 使用simple模型预测1000人的风险分层，显示“损失:受益”坐标轴，赋以8个刻度，显示置信区间，得到下图：
plot_clinical_impact(simple,population.size = 1000,cost.benefit.axis = T, n.cost.benefits= 8,col = c('red','blue'), confidence.intervals= T)
#红色曲线（Numberhigh risk）表示，在各个阈概率下，被simple模型划分为阳性（高风险）的人数；蓝色曲线（Number high risk with outcome）为各个阈概率下真阳性的人数。
转载：解螺旋·临床医生科研成长平台