R语言绘制复杂加权数据（nhanes数据）生存分析决策曲线
决策曲线分析（Decision Curve Analysis, DCA）是一种用于评估、比较和优化诊断试验、预测模型或分子标志物临床实用性的统计方法。它由Andrew J. Vickers和Eugene B. Elkin于2006年提出，旨在弥补传统统计指标（如灵敏度、特异度、ROC曲线下面积）在评估模型临床价值方面的不足。
传统的统计指标主要关注模型的区分度（discrimination） 和 校准度（calibration），但它们无法直接回答一个关键的临床问题：“使用这个模型来指导临床决策，是否能为患者带来净收益（net benefit）？”
决策曲线分析的核心思想正是解决这个问题。它通过模拟在不同阈值概率（threshold probability） 下做出临床决策的过程，来量化模型的临床净收益。
在既往文章，本人介绍了我的ggscidca包，可以用于逻辑回归，生存分析等各种决策曲线绘制，但是据我所知，目前还没有R包能支持复杂加权数据（nhanes数据）生存分析决策曲线，因此本次升级了新版本的ggscidca包添加了nhanes数据生存分析决策曲线功能
下面我来演示一下，使用我自己提取的一个nhanes数据
好的，废话不多说，先导入数据和R包
library(survey)
library(ggscidca)
library(scinhanes)
bc<-read.csv("E:/r/test/nahnesme.csv",sep=',',header=TRUE)
bc <- na.omit(bc)
我介绍一下数据，SEQN：序列号，RIAGENDR, # 性别， RIDAGEYR, # 年龄，RIDRETH1, # 种族，DMDMARTL, # 婚姻状况，WTINT2YR,WTMEC2YR, # 权重，SDMVPSU, # psu，SDMVSTRA，# strata，LBDGLUSI, #血糖mmol表示，LBDINSI, #胰岛素( pmmol/L)，PHAFSTHR #餐后血糖，LBXGH #糖化血红蛋白，SPXNFEV1, #FEV1：第一秒用力呼气量，SPXNFVC #FVC：用力肺活量，ml（估计肺容量），LBDGLTSI #餐后2小时血糖，factor.FVC是我把肺活量分为了2分类，方便用于测试。
把分类变量转成因子
bc$DMDMARTL<-ifelse(bc$DMDMARTL==1,1,0)
bc$RIAGENDR<-as.factor(bc$RIAGENDR)
bc$RIDRETH1<-as.factor(bc$RIDRETH1)
bc$DMDMARTL<-as.factor(bc$DMDMARTL)
bc$oGTT2<-as.factor(bc$oGTT2)
如果做预测模型要拆分成建模集和验证集。我这里拆分一下
set.seed(123)
tr1<- sample(nrow(bc),0.7*nrow(bc))##随机无放抽取
bc_train <- bc[tr1,]#70%数据集
bc_test<- bc[-tr1,]#30%数据集
建立抽样调查函数
bcSvy2<- svydesign(ids = ~ SDMVPSU, strata = ~ SDMVSTRA, weights = ~ WTMEC2YR,nest=TRUE,data = bc_train)
建立生存分析模型
svyfit <- svycoxph(Surv(time, factor.FVC) ~ RIDAGEYR+RIAGENDR+LBDINSI+RIDRETH1, x = TRUE,design = bcSvy2)
绘制复杂加权数据（nhanes数据）决策曲线一共需要2步：
1. 第一步，把模型变成ggscidca包能够识别的类型
fit<-scisvycoxphmodel(svyfit,username=username,token=token)
2. 绘制决策曲线
scidca(fit)
还可以修饰一下
scidca(fit,threshold.text=T,threshold.line=T)
如果咱们想看验证集的决策曲线
fit<-scisvycoxphmodel(svyfit,newdata =bc_test,username=username,token=token)
scidca(fit,newdata =bc_test)
这样就轻松放入把验证集的决策曲线也做出来了，如果咱们按照普通方法来做nhanes的加权cox回归决策曲线看看
#####普通做法
f1<-coxph(Surv(time, factor.FVC) ~ RIDAGEYR+RIAGENDR+LBDINSI+RIDRETH1,bc_train)
scidca(f1,threshold.text=T,threshold.line=T)
咱们可以看到，加权的和普通的不加权决策曲线无论是阈值还是图形都是有区别的
