科研Labs › NRI / IDI
NRI / IDI 预测模型改善评价
当在旧模型基础上加入新指标，AUC 往往只升高一点点、难以体现增量价值时，用净重分类改善指数（NRI）和综合判别改善指数（IDI）来量化「新模型相比旧模型，对事件/非事件的预测改善了多少」。需要每个对象在两个模型下的预测概率。浏览器本地计算，数据不上传。
① 输入
每行一个对象：结局(1/0) 旧模型预测概率 新模型预测概率（均 0~1）。两个概率通常来自两次 Logistic 回归（旧模型、加入新指标的新模型）。
使用说明与方法学
NRI 和 IDI 有什么不同？
IDI 衡量新旧模型「预测概率分离度（判别斜率）」的总体改善，是连续的整体指标；NRI 衡量「重新分类的方向是否正确」——事件被上调、非事件被下调算改善。两者角度互补，常一起报告。
连续 NRI 和分类 NRI 选哪个？
若临床上有公认的风险分层阈值（如低/中/高危），用分类 NRI 更有意义；没有明确阈值时用连续 NRI（任何方向变化都计入）。注意连续 NRI 数值偏大、且不宜跨研究直接比较。
两个预测概率怎么来？
通常是同一批数据上拟合两个 Logistic 模型：旧模型（基础变量）与新模型（基础变量 + 新指标），各自给出每个对象的预测概率。可用本站 Logistic 工具分别得到。
为什么 AUC 没怎么变，还要看 NRI/IDI？
AUC 对加入新指标的小幅改善常不敏感（提升常很小且难显著）。NRI/IDI 更能体现新指标带来的重分类与判别增量，是评价「新标志物增量价值」的常用补充指标。