這里有一份示例數據，是NHLBI（美國國家心肺血液研究所）的Framingham心臟研究專項數據集的一個子集，4000多個樣本。
自變量分別為性別（sex）、收縮壓（sbp）、舒張壓（dbp）、血清膽固醇（scl）、年齡（age）、身體質量指數（bmi）等，因變量為冠心病相關死亡事件（chdfate）。因變量必須是二元變量，隨訪時間內死亡為1，未死亡為0。
一個是簡單模型，以血清膽固醇值為預測方法（predictor），死亡事件為結果（outcome）；另一個是復合模型，聯合性別、年齡、BMI、血清膽固醇、收縮壓、舒張壓為預測方法，死亡事件為結果。
#安裝軟件
install.packages("DecisionCurve")
#導入軟件
library(DecisionCurve)
#設置路徑
setwd("~/Desktop/cancerlab/file")
#導入文件
Data<- read.csv('2.20.Framingham.csv',sep = ',')
#使用函數建立模型
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()函數中，family =binomial(link = ‘logit’)是使用logistic回歸來擬合模型。threshold設置橫坐標閾概率的范圍，一般是0 ~ 1；但如果有某種具體情況，大家一致認為Pt達到某個值以上，比如40%，則必須采取干預措施，那么0.4以后的研究就沒什么意義了，可以設為0 ~ 0.4。by是指每隔多少距離計算一個數據點。
可見，在Pt約為0.1~0.5范圍內，復合評價模型的凈受益率都比簡單模型高。
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模型預測1000人的風險分層，顯示“損失:受益”坐標軸，賦以8個刻度，顯示置信區間，得到下圖：
plot_clinical_impact(simple,population.size = 1000,cost.benefit.axis = T, n.cost.benefits= 8,col = c('red','blue'), confidence.intervals= T)
#紅色曲線（Numberhigh risk）表示，在各個閾概率下，被simple模型划分為陽性（高風險）的人數；藍色曲線（Number high risk with outcome）為各個閾概率下真陽性的人數。
轉載：解螺旋·臨床醫生科研成長平台