Statistical methods for multivariate meta-analysis of diagnostic tests: An overview and tutorial.
Statistical methods for multivariate meta-analysis of diagnostic tests: An overview and tutorial.
复制标题
DOI：
10.1177/0962280213492588
复制
发表时间：
2016-08
影响因子：
2.3
通讯作者：
Chu H
中科院分区：
文献类型：
--
作者：
Ma X;Nie L;Cole SR;Chu H
在这篇文章中，我们介绍了两种情况下诊断测试荟萃分析的统计方法的概述和教程：1）当参考测试可以被认为是金标准时; 2）当参考测试不能被认为是金标准时。在第一种情况下，我们首先回顾传统的总结受试者工作特征（ROC）的方法和双变量方法使用线性混合模型（BLMM）。这两种方法都需要直接计算研究特异性灵敏度和特异性。接下来，我们将讨论联合建模阳性标准和准确性参数的分层汇总ROC曲线方法，以及联合建模敏感性和特异性的双变量广义线性混合模型（GLMM）。我们进一步讨论了三变量GLMM联合建模的患病率，敏感性和特异性，这使我们能够评估三个参数之间的相关性。这些方法基于精确的二项分布，因此不需要特别的连续性校正。最后，我们讨论了一个潜在的类随机效应模型的元分析诊断测试时，参考测试本身是不完美的第二种情况。一些案例研究，详细说明SAS代码的程序MIXED和NLMIXED，以促进这些方法的实施。
In this article, we present an overview and tutorial of statistical methods for meta-analysis of diagnostic tests under two scenarios: 1) when the reference test can be considered a gold standard; and 2) when the reference test cannot be considered a gold standard. In the first scenario, we first review the conventional summary receiver operating characteristics (ROC) approach and a bivariate approach using linear mixed models (BLMM). Both approaches require direct calculations of study-specific sensitivities and specificities. We next discuss the hierarchical summary ROC curve approach for jointly modeling positivity criteria and accuracy parameters, and the bivariate generalized linear mixed models (GLMM) for jointly modeling sensitivities and specificities. We further discuss the trivariate GLMM for jointly modeling prevalence, sensitivities and specificities, which allows us to assess the correlations among the three parameters. These approaches are based on the exact binomial distribution and thus do not require an ad hoc continuity correction. Last, we discuss a latent class random effects model for meta-analysis of diagnostic tests when the reference test itself is imperfect for the second scenario. A number of case studies with detailed annotated SAS code in procedures MIXED and NLMIXED are presented to facilitate the implementation of these approaches.
登录
查看更多内容
影响因子：
2
作者：
Riley, R. D.;Abrams, K. R.;Thompson, J. R.
通讯作者：
Thompson, J. R.
影响因子：
2.1
作者：
Riley, Richard D.;Thompson, John R.;Abrams, Keith R.
通讯作者：
Abrams, Keith R.
影响因子：
--
作者：
Deeks, JJ
通讯作者：
Deeks, JJ
影响因子：
7.2
作者：
Hamza, Taye H.;van Houwelingen, Hans C.;Stijnen, Theo
通讯作者：
Stijnen, Theo
影响因子：
105.7
作者：
Mallett, Susan;Deeks, Jonathan J.;Altman, Douglas G.
通讯作者：
Altman, Douglas G.