在前兩篇文章中，我們介紹了曲線下面積（Area under the curve, AUC）與integrated discrimination improvement（IDI）的定義以及使用上的限制。為了回答此問題：「A這個生物標記或預測模型，所增加的預測能力若使用在臨床上，究竟是否可以改變治療決策？」，Pencina（2008）首次提出net reclassification improvement（NRI）這個指標以及展示它的統計檢定1。
在使用NRI之前，必須有個很重要的前提，亦即關於該事件的預測機率已有明確的風險分組。例如根據Third Adult Treatment Panel（ATP III）將10年冠心病的風險（10-year risk of coronary heart disease）明確分為3組：0%–6%、6%–20%及>20%，針對不同風險分組會有不同的治療決策，例如0-6%只要保持定期追蹤，6%–20%則是改變生活方式與藥物治療，而>20%則可能要接受更積極的監測與治療。
在Pencina（2008）的論文中，使用以下公式來說明NRI的組成。方程式4的pup,events表示分母為實際發生事件者，分子為新模式（相較於舊模式）正確增加發生事件者的預測機率，而且是提升了風險分組，例如從0-6%（舊模式）提升到6%–20%或>20%（新模式）都是屬於此類。方程式5的pdown,events表示分母為實際發生事件者，分子為新模式（相較於舊模式）錯誤減少發生事件者的預測機率，而且是降低了風險分組，例如6%–20%或>20%（舊模式）反而變成0-6%（新模式）都是屬於此類。我們當然希望pup,events越高越好（最大值是100%），而pdown,events越低越好（最小值是0%）。
方程式6的pup,nonevents表示分母為實際沒有發生事件者，分子為新模式（相較於舊模式）錯誤增加沒有發生事件者的預測機率，而且是上升了風險分組，例如0-6%（舊模式）變成6%–20%或>20%（新模式）都是屬於此類。方程式7的pdown,nonevents表示分母為實際沒有發生事件者，分子為新模式（相較於舊模式）正確減少沒有發生事件者的預測機率，而且是降低了風險分組，例如6%–20%或>20%（舊模式）變成0-6%（新模式）都是屬於此類。我們當然希望pdown,nonevents越高越好（最大值是100%），而pup,nonevents越低越好（最小值是0%）。
.
而整體NRI就等於（pup,events－pdown,events）－（pup,nonevents－pdown,nonevents），因此可知整體NRI的最大值也是2（200%）。除了整體NRI之外，也可分別計算發生事件者的NRIevent以及沒有發生事件者的NRInonevent。追求高的NRIevent是為了透過所增加的正確風險分類，更能早期積極治療可能會發生事件的病人，而追求高的NRInonevent是為了透過所降低的正確風險分類，能避免對不會發生事件的病人做太積極或侵入性的治療，也可減少醫療浪費。
綜合這一系列的三篇文章，建議研究者未來可同時報告AUC的差異（DeLong test）、IDI與NRI，讓讀者能從更多面向來評估結果。
（全文完）
參考文獻
1. Pencina MJ, D'Agostino Sr RB, D'Agostino Jr RB, Vasan RS. Evaluating the added predictive ability of a new marker: from area under the ROC curve to reclassification and beyond. Statistics in medicine 2008; 27:157-172.
留言列表
{{ article.title }}