Compartir
Titre
Valoración de la estabilidad y el rendimiento de modelos bayesianos en meta-análisis de pruebas diagnósticas, basada en estudios de simulación
Autor(es)
Director(es)
Sujet
Tesis y disertaciones académicas
Universidad de Salamanca (España)
Tesis Doctoral
Academic dissertations
Análisis multivariante
Clasificación UNESCO
1209.09 Análisis Multivariante
Fecha de publicación
2019
Resumen
[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.
URI
DOI
10.14201/gredos.143554
Aparece en las colecciones