Valoración de la estabilidad y el rendimiento de modelos bayesianos en meta-análisis de pruebas diagnósticas, basada en estudios de simulación

Abstract

[ES]En meta-análisis para pruebas de precisión diagnósticas (DTA) se utilizan medidas resumen como la sensibilidad, especi cidad y odds ratio. Sin embargo, estas medidas pueden no ser adecuadas para integrar estudios con baja prevalencia. Los modelos jerárquicos son importantes, ya que modelizan la heterogeneidad estadística causada por distintos puntos de corte que existen en cada estudio y que se incluyen en un meta-análisis. Para evaluar el rendimiento de los modelos jerárquicos, se simularon 1200 meta-análisis empleando el paquete R, donde cada meta-análisis generado contiene aleatoriamente entre 5 y 35 estudios, cada estudio contiene aleatoriamente entre 200 hasta 2000 pacientes y prevalencias entre 0 y 0.25 distribuidos uniformemente. Las estimaciones de los parámetros e hiper-parámetros que identi can a los modelos bivariante y HSROC se obtuvieron con el Procedimiento NLMIXED de SAS. Estos resultados algorítmicos son almacenados en base de datos para investigar el rendimiento de cinco modelos jerárquicos (incluido el bivariante), los cuales son particularizaciones del modelo HSROC. La identi cabilidad de los modelos se analiza de acuerdo a los criterios de convergencia de, Akaike (AIC), Akaike mejorado (AICC) y bayesiano (BIC). Del 100% (1200) de meta-análisis simulados el 90% se ajustaron a un modelo bivariante y 70% a un modelo HSROC. Evidenciando que, la covarianza (logit de sensibilidad y especi cidad) y la precisión diagnóstica (log DOR) se ajustaron a una normal. Este resultado indica que para valores de covarianzas no negativas entre la tasa de verdaderos y falsos positivos es plausible sugerir una medida resumen (sensibilidad y especi cidad) y curva ROC.

[EN]In meta-analysis for diagnostic precision tests (DTA) summary measures such as sensitivity, speci city and odds ratio are used. However, these measures may not be adequate to integrate studies with low prevalence. Hierarchical models are important because they model the statistical heterogeneity caused by di erent cut-o points that exist in each study and that is included in a meta-analysis. To evaluate the performance of the hierarchical models, 1200 meta-analyses were simulated using the R package, where each generated meta-analysis randomly contains between 5 and 35 studies, in each study it randomly contains between 200 and 2000 patients and prevalence between 0 and 0.25 evenly distributed. The estimates of the parameters and hyper-parameters that identify the bivariate and HSROC models were obtained with the NLMIXED Procedure of SAS. These algorithmic results are stored in a database to investigate the performance of ve hierarchical models (including the bivariate), which are particularizations of the HSROC model. The identi ability of the models is analyzed according to the convergence criteria of Akaike (AIC), Enhanced Akaike (AICC) and Bayesian (BIC). Of the 1200 simulated meta-analyses the (0.90 , 0.70) meta-analyses were adjusted to a model (bivariate, HSROC) respectively. Evidence that covariance (logit of sensitivity and speci city) and diagnostic precision (log DOR) were adjusted to a normal. This result indicates that for nonnegative covariance values between the true and false positive rate it is plausible to suggest a summary measure (sensitivity and speci city) and ROC curve.