净重新分类指数(NRI)这个指标最初用于评价诊断试验中新的诊断指标较旧诊断指标把研究对象进行正确分类在数量上的变化。既然可以评估诊断试验预测的准确度，那自然也可以用于判断预测模型的准确度，从已发表的临床研究文献来看，NRI这个指标更广泛应用于比较两个预测模型的准确度。前文已经述及比较两个预测模型的准确性或者区分度的方法，一般计算C-statistics，或者叫ROC曲线下面积AUC，而C-statistics或AUC具有一定的局限性：
（1）C-statistics/AUC不够敏感，当我们想要在原有模型中引入新的指标后，观察模型的预测能力是否有所提高，此时新加入的指标有时很难显著改善C-statistics/AUC，其增量往往并不明显；
（2）C-statistics/AUC的专业意义不容易理解，很难转化为恰当的临床解释。而NRI很好的克服了这两个不足。
我们首先以二分类诊断指标为例讲解NRI大致计算原理，然后再将其扩展应用于预测模型预测能力的量化比较，前者一般手动计算即可，后者计算需借助统计软件。简单来讲，旧诊断指标会把研究对象分类为患者和非患者，而新的诊断指标会把研究对象再重新分类为患者和非患者。此时比较新、旧诊断指标对于研究人群的分类变化，就会发现有一部分研究对象，原本在旧诊断指标中被错分，但在新诊断指标中得到了正确划分；同样也有一部分研究对象，原本在旧诊断指标中分类正确，但在新诊断指标中却被错分，因此研究对象的分类在新、旧诊断指标中会发生变化，我们利用这种重新分类的变化，来计算净重新分类指数NRI[1,2]。文字读起来确实有点绕，可参考下面计算过程帮助消化。
首先我们将研究对象按照金标准的诊断结果分为患病和未患病两组，然后分别在这两个分组下，根据新、旧诊断指标的预测分类结果，整理成两个配对的四格表，如下表1.和表2.所示。
表2. 无病组重新分类表
我们主要关注被重新分类的研究对象，从表中可以看出，在患病组（总数为N1），新诊断指标分类正确而旧指标分类错误的有c1个人，新指标分类错误而旧指标分类正确的有b1个人，那么新模型相对于旧模型来说，正确分类提高的比例为(c1-b1)/N1。同理，在非患者组（总数为N2），新诊断指标分类正确而旧指标分类错误的有b2个人，新指标分类错误而旧指标分类正确的有c2个人，那么新诊断指标相对于旧指标正确分类提高的比例为(b2-c2)/ N2。最后，综合患者组和非患者组的结果，新模型与旧模型相比，净重新分类指数NRI= (c1-b1)/N1+(b2-c2)/N2，一般称作绝对NRI。
若NRI>0，则为正改善，说明新指标比旧指标的预测能力有所改善；若NRI<0，则为负改善，新指标预测能力下降；若NRI=0，则认为新模型没有改善。我们可以通过计算Z统计量，来判断NRI与0相比是否具有统计学显著性，统计量Z近似服从正态分布，公式如下图1.，根据Z值可计算P值。
图1.NRI的Z统计量计算公式
进一步将NRI的公式推导可以得出：
NRI =（灵敏度new - 灵敏度old）+（特异度new - 特异度old）=（灵敏度new + 特异度new）-（灵敏度old + 特异度old）
问题就转化为我们熟悉的灵敏度和特异度这两个指标了。
如果灵敏度new ＞灵敏度old，特异度new ＞特异度old，此时可认为新模型优于旧模型，相当于这里的NRI ＞0；
如果灵敏度new ＜灵敏度old，特异度new ＜ 特异度old，此时可认为新模型劣于旧模型，相当于这里的NRI ＜0；
如果新模型和旧模型的灵敏度和特异度具有差异，但方向不一致时，就需要用到约登指数（灵敏度+特异度-1）来进行判断，而此时NRI就相当于新模型和旧模型的约登指数的差值，因此NRI在比较两个模型预测能力时更具有综合性。
NRI可分为Absolute NRI（绝对NRI）和Additive NRI（相加NRI），详情请参考JAMA上的一篇文献：《Discrimination and Calibration of Clinical Prediction Models》，本文大致介绍一下。我们常说的NRI其实就是Additive NRI，即Additive NRI= (B1-C1) / N1+(C2-B2) / N2；而Absolute NRI= (B1-C1 + C2-B2) / (N1+N2)。
相加NRI的值可以从2-2，即新模型完全分类正确时为2，反之为-2；绝对NRI的值从1-1。相加NRI的主要局限性就是没有考虑发生与不发生时间的两拨人在总体中的分布情况。绝对NRI以总体为分母，则回避了这个局限。相加较为常用，但应结合具体场景选择。
NRI最早用于分类模型，而对于生存数据，需要先将其转化成分类数据，但这样会产生数据的信息损失。因此之后（2011年前后）有人将其扩展到了生存数据中，但是需要事先确定好评估的时间节点和风险概率的界值。
以上原理部分讲完了，下面讲解如何通过R软件计算NRI。这里要分分情况， 1.如果只是单纯计算一个新二分类诊断指标较旧指标诊断能力提高多少，可参阅上述计算公式，网上也有大神自编了R语言的计算函数来计算此类NRI； 2.基于Logistic回归构建的两个预测模型NRI计算； 3.基于Cox回归构建的两预测模型的NRI计算[3]。关于R中NRI的计算方法大家可参阅下表3.，我们重点介绍基于nricens包计算NRI[4-6]，建议有关NRI计算首选此包。
表3. R中可计算NRI的包
示例数据来自于survival包里自带的一份梅奥诊所的数据，记录了418位患者的临床指标与原发性胆汁性肝硬化（PBC）的关系。其中前312个患者来自于RCT研究，其他患者来自于队列研究。我们用前312例患者的数据来预测2000天时间点上是否发生死亡。此处需要说明的是原始数据是一个生存数据，我们重新定义一个二分类的结局，死亡or 存活，不考虑时间因素。先载入这份数据，如图4.所示。这个表中的结局变量是status，0 = 截尾（删失），1=接受肝移植，2=死亡。胆我们的研究目的“死亡与否”是个二分类变量，所以要做变量变换。再看time一栏，有的不够2000天，这些样本要么是没到2000天就死亡了，要么是删失了。我们要删掉2000天内删失的数据。其他关于数据中各变量的具体含义可用命令：? pbc查看。
比较新旧两个模型准确性。cut是判断风险高低的临界值，现在我们写了2个，020%为低风险，20%40%为中风险，40%~100%为高风险。根据实际情况确定风险划分的界值，相当于把一个连续的风险概率划分为有序分类变量。updown为定义一个样本的风险是否变动的方式，category是指分类值，即低、中、高风险；另有一种diff，为连续值。选diff时，cut就设1个值，比如0.02，即认为当预测的风险在新旧模型中相差2%时，即被认为是重新分类了。niter为迭代次数，即boostrap重抽样次数，计算NRI的标准误需要重抽样方法计算，如设置为0即表示不计算NRI的标准误，一般迭代次数设置为1000次，如果设置过大对于计算机运算速度要求较高，可能计算要花费很长时间，当然设置越大精确度越高。检验水准alpha一般设为0.05。主要结果截取如下：
图8. 在所有结局、阳性结局、阴性结局中重分类的表格（case在预测模型中应该理解为结局发生，control理解为结局未发生）
图9. NRI点估计计算结果及重抽样后估计的标准误与可信区间。新模型较旧模型重分类正确的比例提高-2.2727%，换句话说增加一个预测变量的新模型预测的准确度降低了，新模型比旧模型差。
案例数据同上。生存资料的NRI与分类结局的NRI差别在于前者需要构建Cox回归模型，所以我们首先构建新旧Cox回归模型，计算这两个模型的NRI.
here consider pbc dataset in survival package as an example
以上新、旧Cox回归模型构建完成，并计算了2000天的新、旧模型计算的死亡风险
参数解释同分类结局。
图15. NRI点估计的计算结果及重抽样后估计的可信区间。新模型较旧模型重分类正确的比例提高11.028%，换句话说增加一个预测变量的新模型预测的准确度比旧模型更好。
本文地址：http://lianchengexpo.xrbh.cn/quote/13164.html 迅博思语资讯 http://lianchengexpo.xrbh.cn/ , 查看更多