教程 · 2026-06-24

列线图 Nomogram + DCA 决策曲线用 AI 一句话完成 — 临床预测模型可视化全攻略

列线图（Nomogram）与决策曲线分析（DCA）完整教程：用 AI 一句话构建临床预测模型，自动输出列线图可视化、DCA 净获益曲线、校准曲线及 APA 格式论文报告模板。

导师要求"画个列线图"，审稿人说"要加决策曲线分析"——这两件事放在 SPSS 里根本找不到，R 里的 rms + dcurves 包代码写半天还不一定对。这篇教程教你用 AI 一句话跑完整个流程：Nomogram 可视化 + DCA 净获益 + 校准曲线——全套 SCI 临床预测模型标准输出。

临床预测模型的三道坎：建模、可视化、临床实用性

在临床医学、流行病学、公共卫生研究中，多因素 Logistic 回归建好了不代表完事——审稿人和导师往往还要求三件事：

列线图（Nomogram）：把多变量回归模型转化为临床医生可手算的图形工具，直观呈现每个预测因素对结局概率的贡献
校准曲线（Calibration Curve）：验证模型预测概率与实际发生率的吻合程度，是模型"准不准"的核心指标
决策曲线分析（DCA，Decision Curve Analysis）：评估在不同阈值概率下做临床决策时，使用该模型相较于"全治"或"全不治"策略的净获益，是模型"有没有用"的核心指标

传统流程需要：SPSS 建模 → 导出系数 → 手动在 R 里写 rms 包 nomogram() 函数 → 再用 dcurves 包做 DCA → 出图 → APA 格式写结果。每一步都是门槛。

ChatSRS 把全套流程压到一句话。

核心概念：搞清楚再下手

1. 列线图（Nomogram）是什么

Nomogram（列线图，又称诺模图）是将多变量预测模型转化为可视图形的工具，原理是把回归方程各变量的系数映射为图上的刻度轴，使临床医生无需计算机即可估算个体患者的预测概率。

图形结构通常包含：

每个预测变量对应一条刻度轴（上方）
顶部的总分轴（Points），每个变量的取值对应一个分值
底部的总分 -> 预测概率转换轴（Total Points → Predicted Probability）

读图方法：对每个预测变量的实测值向上画垂线至 Points 轴，读出分值；将所有分值相加得到总分；再从总分向下画垂线至概率轴，即为该患者的预测风险概率。

2. 校准曲线（Calibration Curve）

校准曲线（又称 Calibration Plot）检验模型预测值与实际观测值之间的一致性：

X 轴：模型预测概率（Predicted Probability）
Y 轴：实际观测概率（Observed Probability，分十组计算）
理想曲线：45 度对角线
配套检验：Hosmer-Lemeshow 检验（p > .05 表示校准良好）

校准好的模型其散点应紧贴对角线；偏离对角线越远，模型越高估或低估风险。

3. 决策曲线分析（DCA）与净获益

DCA 由 Vickers & Elkin（2006）提出，核心指标是净获益（Net Benefit）：

Net Benefit = (TP / N) - (FP / N) × [pt / (1 - pt)]

其中：

TP = 真阳性数，FP = 假阳性数，N = 总样本量
pt = 阈值概率（Threshold Probability），即医生愿意接受"为了发现 1 个真病例，多治疗多少人"的临界值

DCA 图的三条基准线：

曲线	含义	解读
预测模型曲线	使用本模型做决策时的净获益	越高越好
All（全治策略）	假设所有人均为阳性，全部干预	低阈值时有价值
None（全不治策略）	净获益恒为 0	基准线

判断标准：在临床有意义的阈值概率范围内（通常 0.10-0.50），若预测模型曲线高于 All 和 None 两条基准线，则模型有临床实用价值。

案例数据：急性胰腺炎重症转化风险预测模型

研究背景

某三甲医院回顾性研究纳入 520 例急性胰腺炎住院患者，目标是构建重症急性胰腺炎（SAP）早期预测列线图，辅助急诊医生在入院 24 小时内识别高危患者。

变量设置

outcome        是否进展为重症（0 = 轻中症，1 = 重症）  -- 因变量（二分类）
age            年龄（岁，连续变量）
apache2        APACHE II 评分（入院 24 h，连续变量）
bun            血尿素氮（mmol/L，连续变量）
crp            C 反应蛋白（mg/L，连续变量）
pleural_eff    胸腔积液（0 = 无，1 = 有）
hematocrit     血细胞比容（%，连续变量）

研究设计：回顾性队列，多因素 Logistic 回归筛选独立预测因素，随后构建列线图 + 校准曲线 + DCA。

注意：本研究报告的效应量指标为 OR（优势比），而非 HR（风险比）或 RR（相对危险度）。OR 来自 Logistic 回归（横断面/病例对照）；HR 来自 Cox 回归（生存分析）；RR 来自前瞻性队列研究频率对比。三者不可互换，临床研究报告时需明确使用对应指标。

用 AI 一句话完成列线图 + DCA

在 chatsrs.com 上传数据后输入：

"以 outcome（重症急性胰腺炎）为因变量，以 age、apache2、bun、crp、pleural_eff、hematocrit 为预测变量，构建临床预测模型，完成以下分析：

多因素 Logistic 回归筛选独立预测因素（输出 OR、95% CI、p 值三线表）

基于显著变量构建列线图（Nomogram），含每个变量的 Points 刻度轴

Bootstrap 1000 次内部验证，输出校准曲线（Calibration Curve）+ Hosmer-Lemeshow 检验

决策曲线分析（DCA），阈值概率范围 0.05-0.60，显示模型、All、None 三条曲线

模型区分度：C 统计量（= AUC）及 95% CI

输出 APA 7th 格式中文文字描述"

60 秒后，ChatSRS 输出列线图图片、校准曲线图、DCA 图和完整结果表格。

输出结果怎么读

输出 1：多因素 Logistic 回归三线表

表 1  重症急性胰腺炎独立预测因素的多因素 Logistic 回归分析（N = 520）

变量                B        SE      Wald     p           OR      95% CI
常数            -9.814    1.623   36.57    <.001       —       —
年龄（每岁）     0.041    0.018   5.19     .023 *      1.04    [1.01, 1.08]
APACHE II（每分）0.218    0.047   21.51    <.001 ***   1.24    [1.13, 1.36]
血尿素氮（每单位）0.097   0.034   8.14     .004 **     1.10    [1.03, 1.18]
C 反应蛋白（每单位）0.008  0.003   7.88     .005 **     1.01    [1.00, 1.01]
胸腔积液（有 vs 无）1.342 0.318   17.80    <.001 ***   3.83    [2.05, 7.14]
血细胞比容（每%）  0.062  0.029   4.59     .032 *      1.06    [1.01, 1.12]

注：* p < .05，** p < .01，*** p < .001。
   参照类别：胸腔积液 = 无。OR > 1 为重症危险因素。

解读要点：

胸腔积液（OR = 3.83）和 APACHE II 评分（OR = 1.24/分）是效应量最大的危险因素
6 个变量均独立有统计学意义，全部纳入列线图构建
所有 OR 的 95% CI 均不含 1

输出 2：列线图（Nomogram）

ChatSRS 自动生成包含以下元素的列线图：

图 1  重症急性胰腺炎风险预测列线图

顶部：Points 刻度轴（0-100 分）
---------------------------------------
年龄（岁）       |---刻度---|       0-100 分
APACHE II（分）  |---刻度---|       0-100 分
血尿素氮（mmol/L）|---刻度---|       0-100 分
C 反应蛋白（mg/L）|---刻度---|       0-100 分
胸腔积液         无=0   有=约52分
血细胞比容（%）  |---刻度---|       0-100 分
---------------------------------------
Total Points      0    50   100   150   200
预测概率          0.05 0.20 0.50  0.80  0.95

使用方法示例：某患者年龄 62 岁（32 分）、APACHE II = 12 分（58 分）、BUN = 18 mmol/L（44 分）、CRP = 120 mg/L（20 分）、有胸腔积液（52 分）、血细胞比容 = 43%（18 分），总分 = 224 分，对应预测概率约 87%，属于高危患者。

输出 3：校准曲线 + Bootstrap 验证

表 2  模型校准指标（Bootstrap 1000 次内部验证）

指标                     原始值        Bootstrap 校正值
C 统计量（AUC）          0.891         0.873
Brier Score              0.112         0.121
Hosmer-Lemeshow 检验     chi^2(8) = 7.23，p = .512

注：Bootstrap 校正值反映模型的乐观性校正后真实性能。
   Brier Score 越小越好，低于零信息模型基准值（= 患病率 × (1 - 患病率)）表示模型优于随机猜测。
   Hosmer-Lemeshow p > .05 表示模型校准良好。

怎么看：

C 统计量（= AUC）= 0.891，Bootstrap 校正后 = 0.873，"乐观性"仅 0.018，内部验证良好
校准曲线拟合散点紧贴 45 度参考线，Hosmer-Lemeshow p = .512 > .05，校准良好

输出 4：决策曲线分析（DCA）

图 2  临床预测模型决策曲线分析（DCA）

净获益（Net Benefit）
 |
0.30|        ____预测模型____
 |       /                   \
0.20|      /                     \
 |    /    All                    \
0.10|    ___________________________|____
 |                                  None (=0)
0.00|___________________________________
   0.0    0.1    0.2    0.3    0.4    0.5    0.6
              阈值概率（Threshold Probability）

在阈值概率 0.10-0.50 范围内：
  预测模型净获益均高于 All 策略和 None 策略
  模型在 pt = 0.20 时净获益最大（Net Benefit = 0.267）

怎么看：

在临床最常用的阈值范围（0.10-0.50）内，模型曲线始终高于 All 和 None 两条基准线
这意味着：使用本预测模型做临床决策，优于"所有患者都按重症处理"或"所有患者都按非重症处理"
结论：该列线图具有临床实用价值

论文里怎么报告（APA 7th 格式）

APA 7th 没有专门针对 Nomogram/DCA 的条目，临床医学期刊（如 JAMA、BMJ、Ann Surg）通常参照 TRIPOD 声明（Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis）的规范写法：

方法节（统计分析部分）：

采用多因素二元 Logistic 回归筛选重症急性胰腺炎的独立预测因素，以 OR 及 95% CI 表示效应量。基于多因素分析结果，应用 R 4.4 中 rms 包构建个体化风险预测列线图（Nomogram）。采用 Bootstrap 法（重抽样 1000 次）进行内部验证，报告校正后 C 统计量及 Brier Score 评价模型区分度和总体预测精度。校准曲线评估模型校准度，以 Hosmer-Lemeshow 检验（alpha = .05）为判断标准。采用决策曲线分析（Decision Curve Analysis，DCA）评估不同阈值概率下模型的临床净获益，并与"全治"和"全不治"两种极端策略进行比较。统计检验水准 alpha = 0.05（双尾）。

结果节（多因素回归部分）：

多因素 Logistic 回归分析结果显示，年龄（OR = 1.04, 95% CI [1.01, 1.08], p = .023）、APACHE II 评分（OR = 1.24, 95% CI [1.13, 1.36], p < .001）、血尿素氮（OR = 1.10, 95% CI [1.03, 1.18], p = .004）、C 反应蛋白（OR = 1.01, 95% CI [1.00, 1.01], p = .005）、胸腔积液（OR = 3.83, 95% CI [2.05, 7.14], p < .001）和血细胞比容（OR = 1.06, 95% CI [1.01, 1.12], p = .032）均为重症急性胰腺炎的独立危险因素。

结果节（预测模型性能部分）：

基于上述 6 个独立预测因素构建列线图，模型原始 C 统计量（C-index）为 0.891（95% CI [0.858, 0.924]），Bootstrap 1000 次内部验证后校正 C 统计量为 0.873，校正 Brier Score = 0.121。Hosmer-Lemeshow 拟合优度检验结果显示模型校准良好，chi^2(8) = 7.23, p = .512。校准曲线散点紧贴参考对角线，未见系统性高估或低估趋势。

决策曲线分析结果显示，在阈值概率 0.10-0.50 范围内，本预测模型的净获益均高于"全治"（All）和"全不治"（None）两种参照策略，提示该列线图具有良好的临床实用性。

APA 格式规范要点汇总：

指标	格式示例
OR + 95% CI	OR = 3.83, 95% CI [2.05, 7.14]
C 统计量/AUC	C = 0.891, 95% CI [0.858, 0.924]
Hosmer-Lemeshow	chi^2(8) = 7.23, p = .512
Bootstrap 次数	Bootstrap 重抽样 1000 次
p 值格式	p = .023（小数点前不写 0）；p < .001

注意：C 统计量（C-index）数值上等于 AUC，但叫法不同——预测模型文献中更多写 C-index，ROC 语境下写 AUC，两者本质相同，同一篇文章用一种写法即可保持一致。

TRIPOD 声明关键报告条目（论文投稿必备）

SCI 临床预测模型类文章常在 Methods 节末尾注明"本研究报告遵循 TRIPOD 声明"。以下是最常被遗漏的四个条目：

TRIPOD 条目	要求	ChatSRS 对应输出
10b	报告内部验证方法及重抽样次数	Bootstrap 1000 次，自动报告
13b	给出模型性能的置信区间	C-index 95% CI 自动计算
17	展示校准曲线	图形自动生成
18	决策曲线分析（2015 年后期刊主流要求）	DCA 图自动生成

常见问题 FAQ

Q1：Nomogram 里各变量的分值（Points）是怎么算出来的？

A：Points 由各预测变量的回归系数（Logistic 回归的 B 值）映射而来。rms 包的 nomogram() 函数以所有变量中效应最大的那个为基准（设为 100 分），其他变量按系数比例缩放得到各自的分值刻度。这意味着：Points 轴上的刻度本质是相对分值，不同研究的列线图分值无法跨研究比较。

Q2：C 统计量（C-index）和 AUC 是一回事吗？如何判断好坏？

A：在二分类 Logistic 回归中，C 统计量数值上等于 AUC；在生存分析中，Harrell's C-index 是 AUC 的推广形式，两者概念相关但数值并不相等，不可互称"别名"。判断标准：C < 0.70 辨别力差；0.70-0.80 可接受；0.80-0.90 良好；> 0.90 优秀（Hosmer & Lemeshow, 2000）。本例 C = 0.891，属于"良好"级别。注意：C 统计量评估的是排序区分能力（哪个患者风险更高），而不是绝对概率的准确性——后者由校准曲线评估，两者缺一不可。

Q3：DCA 的阈值概率范围怎么定？

A：阈值概率（pt）应覆盖临床医生实际决策的概率区间，通常参照以下原则：(1) 结局发生率附近的范围（本例 SAP 发生率约 28%，重点关注 0.10-0.50 区间）；(2) 治疗获益与风险的权衡范围（高风险干预的起点 pt 往往更高）；(3) 一般报告 0.05-0.60 为安全范围，但图示时以 0.10-0.50 作为主要解读区间。ChatSRS 默认输出 0.05-0.60 的完整范围，同时在文字描述中自动聚焦临床有意义的区间。

Q4：Bootstrap 内部验证和外部验证的区别是什么？发表 SCI 需要哪种？

A：Bootstrap 内部验证（Internal Validation）在原始数据集上重抽样，评估模型的"乐观性"（即训练集上的 C 统计量相比真实性能高出多少），校正后 C 统计量更接近模型实际预测能力。外部验证（External Validation）需要独立的验证集（另一家医院、另一时段数据），是预测模型研究的"金标准"。高分 SCI 期刊（如 The Lancet、JAMA 系列）通常要求外部验证；多数中等级别临床期刊接受仅有 Bootstrap 内部验证的研究，但会将"外部验证"列为 Limitations。ChatSRS 同时支持两种验证方式——若你有独立验证数据，在指令中说明"用 validation_dataset.csv 做外部验证"即可。

Q5：OR 和 HR 在临床预测模型里有什么区别，能混用吗？

A：绝对不能混用。**OR（优势比）**来自 Logistic 回归，适用于横断面研究和病例对照研究，结局变量是二分类（是否发生）；**HR（风险比）**来自 Cox 比例风险回归，适用于生存分析（考虑到达结局的时间），结局变量是"时间到事件"。两者在数值上也不相等：当事件发生率超过 10%，OR 会高估 RR（相对危险度）；HR 与 RR 在随访期固定时才近似相等。本文示例是横断面回顾性研究，因此正确使用 OR；若你的数据有明确随访时间和截尾数据，应改用 Cox 回归报告 HR。ChatSRS 在输入指令时会自动识别数据类型并选择正确模型。

小结

临床预测模型的发表标准正在快速提升——单独一张 ROC 曲线已经不够，审稿人越来越多地要求"列线图 + 校准曲线 + DCA"三件套。ChatSRS 把这个流程从"需要熟悉 R 语言的 rms/dcurves 包"压缩为一句自然语言指令，自动输出：

多因素 Logistic 回归三线表（含 OR 及 95% CI）
列线图（Nomogram）可视化图形
Bootstrap 1000 次校准曲线 + Hosmer-Lemeshow 检验
C 统计量（含 Bootstrap 校正值）
决策曲线分析（DCA）图形 + 净获益解读
APA 7th 格式可直接粘贴进论文的中文描述

关键记住：C 统计量看区分力，校准曲线看准确性，DCA 看临床实用性——三者角度不同、缺一不可，这正是临床预测模型评价的完整闭环。