Herramientas de investigación › DCA Decision Curve

Decision Curve Analysis (DCA)

Assess a prediction model's clinical usefulness: compute the model's net benefit across different "threshold probabilities" and compare it with the "treat all" and "treat none" reference lines. Where the model curve is above both reference lines, deciding by that model yields a net benefit. Multiple models can be compared at once. Computed locally in your browser; data are not uploaded.

① Pegar datos

First row is column names, then one subject per row: an outcome column (1=event/0=no) and one or more predicted-probability columns (values 0~1, from logistic/nomogram). You can paste from Excel.

Cómo usarla y metodología

¿Para qué sirve el análisis de curva de decisión (DCA)?

Evalúa si un modelo/marcador de predicción es «útil» en las decisiones reales. El AUC y la calibración miden la calidad del modelo, pero no responden directamente «¿decidir según él aporta un beneficio neto?». El DCA calcula el beneficio neto a lo largo de umbrales de riesgo y lo compara con las estrategias por defecto «tratar a todos» y «no tratar a nadie» para ver dónde el modelo es superior.

¿Qué es la probabilidad umbral?

La probabilidad crítica a la que usted juzga el riesgo lo bastante alto para intervenir (p. ej. biopsia, tratamiento). Pondera implícitamente los costes relativos de «diagnóstico fallido» vs «sobretratamiento»: cuanto más alto el umbral, más certeza exige antes de actuar. El DCA muestra a la vez un rango de umbrales para cubrir distintas preferencias clínicas.

¿Cómo entender el beneficio neto?

Beneficio neto = proporción de verdaderos positivos − proporción de falsos positivos × (pt/(1−pt)), es decir el beneficio de una intervención correcta menos el coste de «tratar a alguien que no debería», descontado por el umbral. Cuanto más alta la curva, más útil es la estrategia en ese umbral.

¿De dónde salen las probabilidades predichas y cómo comparar modelos?

En general la probabilidad de enfermedad/evento (0~1) calculada para cada sujeto por regresión logística o nomograma. Ponga las probabilidades de cada modelo en una columna separada; la herramienta traza una curva por modelo, y compare cuál domina en el rango de umbrales clínicamente pertinente.