NRI和IDI指标分析结果解读：预测模型改善效果评价.docxVIP

NRI和IDI指标分析结果解读

一、分析方法介绍

NRI（NetReclassificationImprovement，净重分类改善度）和IDI（IntegratedDiscriminationImprovement，综合判别改善度）是评估预测模型改善效果的两个重要指标，由Pencina等人于2008年提出。传统的模型评价指标如AUC（受试者工作特征曲线下面积）虽然广泛使用，但对于新增预测因子是否真正提高了模型的分类能力并不敏感。NRI和IDI的提出弥补了这一不足，能够更加精细地量化新模型相对于旧模型在风险重分类和判别能力上的改善程度。

NRI的核心思想是衡量新模型是否能够将阳性个体正确地向上调整风险、将阴性个体正确地向下调整风险，即计算“正确重分类”与“错误重分类”的净差额。NRI可以进一步分解为阳性NRI和阴性NRI，分别反映模型对阳性和阴性个体的重分类改善情况。IDI则从判别斜率的角度出发，计算新模型对阳性样本预测概率的平均提升值与对阴性样本预测概率的平均下降值之差。当NRI和IDI为正值且统计显著时，说明新模型的分类能力优于旧模型。本研究运用SPSSAU软件进行NRI和IDI分析，评估新增预测因子对模型分类能力的改善效果。

在SPSSAU【实验/医学研究】模块选择【NRI和IDI】，按提示选择变量，操作如下图：

二、结果分析

表1报告了NRI和IDI的核心结果。总体