MerQuR+Başvuru Kitabı

199. Tanı doğruluğu meta-analizi (Reitsma, HSROC, SROC)

Şablon kimliği: tanisal_meta · Kategori: meta_analiz · Dil: R · Dosya: pro/sablonlar/meta_analiz/tanisal_meta.R (satır 1–230; üstbilgi 1–91) · Örnek veri: _ornek/auditc.csv · Paketler: mada 0.5.12 (R 4.5.3)

199.1 Ne işe yarar

Bir tanı ya da tarama testinin doğruluğunu inceleyen çalışmaların 2×2 tablolarından (DP, YN, YP, DN) özet duyarlılık ve özgüllüğü birlikte kestirir. Çalışmalar farklı eşik değerleri kullandığından duyarlılık ve özgüllük genellikle ters ilişkilidir; ayrı ayrı birleştirmek yanıltır. Model, her çalışmanın logit duyarlılığı ile logit yanlış pozitif oranını (YPO =1-özgüllük) korelasyonlu rastgele etkilerle birleştiren iki değişkenli modeldir (Reitsma ve ark., 2005).

\mathbf y_i=\begin{pmatrix}\mathrm{logit}\,\widehat{Se}_i\\ \mathrm{logit}\,\widehat{FPR}_i\end{pmatrix}\sim N\bigl(\boldsymbol\mu,\ \mathbf S_i+\boldsymbol\Psi\bigr),\quad \mathbf S_i=\mathrm{diag}\Bigl(\tfrac1{DP_i}+\tfrac1{YN_i},\ \tfrac1{YP_i}+\tfrac1{DN_i}\Bigr)

Bu ifadede \boldsymbol\mu=(\mu_A,\mu_B) birleştirilmiş logit duyarlılık ve logit YPO, \mathbf S_i çalışma içi (bilinen kabul edilen) varyans, \boldsymbol\Psi=\begin{pmatrix}\tau_A^2&\rho\tau_A\tau_B\\ \rho\tau_A\tau_B&\tau_B^2\end{pmatrix} çalışmalar arası kovaryanstır.

Ne zaman kullanılır? Tek bir test ve tek bir eşik türü için, en az 4 çalışmanın 2×2 tablosu varsa; özet nokta, SROC eğrisi ve AUC isteniyorsa.

Ne zaman kullanılmaz?

  • Tek bir oran birleştirilecekse: oran_meta (Bölüm 198).
  • Az olaylı çalışmalarda binom olabilirlikli iki değişkenli model gerekiyorsa: bu şablonda yoktur; normal yaklaşımlı model kurulur.
  • İki testin aynı hastalarda karşılaştırılması: desteklenmez.
  • Doz-yanıt eğrisi: doz_yanit_meta (Bölüm 197); genel çok değişkenli birleştirme: cok_degiskenli_meta (Bölüm 195).

Temel programla ilişki. Temel programdaki Meta-Analiz tek bir etki büyüklüğü birleştirir; tanı doğruluğu için iki değişkenli model ve SROC yoktur. Bu şablon yalnız MerQuR+'ta vardır.

199.2 Şablonun girdileri

Form, üstbilgideki 12 [[param]] bloğundan kurulur (tanisal_meta.R:11–90). Türlerin ve ortak denetimin anlamı Bölüm 1.2'de anlatılmıştır.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
DP · dp sayısal sütun · Değişkenler yok negatif olmayan tamsayı 2×2 hücresi (96, 104).
YN · yn sayısal sütun · Değişkenler yok aynı (96, 104).
YP · yp sayısal sütun · Değişkenler yok aynı (96, 104).
DN · dn sayısal sütun · Değişkenler yok aynı (96, 104).
Çalışma adı · calisma sütun, zorunlu değil · Değişkenler boş herhangi Etiket (110).
Ortak değişkenler · ortak sütunlar, zorunlu değil · Değişkenler boş sayısal ya da kategorik sütunlar Meta-regresyon (98, 113–134).
Süreklilik düzeltmesi · duzeltme ondalık · Seçenekler 0,5 0–1 correction (138–139).
Düzeltilecek çalışmalar · duzeltme_kosulu seçim · Seçenekler all all, single, none correction.control (111, 138–139).
Kestirim yöntemi · yontem seçim · Model reml reml, ml, mm method (139).
Duyarlılık dönüşümü α · alfa_duyarlilik ondalık · Gelişmiş 1 0,01–2 alphasens (140).
YPO dönüşümü α · alfa_ypo ondalık · Gelişmiş 1 0,01–2 alphafpr (140).
Güven düzeyi · guven ondalık · Seçenekler 0,95 0,5–0,999 Özet GA ve güven bölgesi (161–163, 220).

Şablona özgü denetimler: veri açık değil (95); dört sütun farklı (97); eksiksiz satırlar, en az 4 çalışma (102–106); hücreler negatif olmayan tamsayı (107); her çalışmada DP+YN >0 ve YP+DN >0 (108); sıfır hücre varsa ve düzeltme yoksa (none ya da duzeltme = 0) durur (111); ortak değişken sabitse (125–127) ve k<2(p+1)+3 ise (p model matrisindeki ortak değişken sütun sayısıdır: sayısal değişken 1, L düzeyli kategorik değişken L-1; 134) durur; model kurulamazsa "Model kurulamadı: …" (141); REML/ML yakınsamazsa uyarı metni (143). Seçilen sütunlarda eksik değeri olan satırlar çözümlemeden çıkarılır ve çıkarılan satır sayısı ile kalan çalışma sayısı yazılır (101–104). Ortak değişken listesi sayısal rol değildir: veri sekmesindeki tür geçerlidir (Bölüm 1.3). Düzey sırası ortak kuraldır (114–118): etken (factor) sütunda Veri sekmesindeki sıra; metin ya da mantıksal sütunda bütün değerler sayıysa sayısal sıra, değilse harf sırası. Her etken ortak değişken için başvuru (ilk) düzey ve düzey sırası çıktıya yazılır (128–131).

Örnek ayar: dp = TP, yn = FN, yp = FP, dn = TN, calisma = calisma, duzeltme = 0,5, duzeltme_kosulu = all, yontem = reml.

Tohum. Kestirim deterministiktir; Tohum alanı (Bölüm 1.3) sonucu değiştirmez.

199.3 Örnek veri

auditc.csv: mada paketinin AuditC verisi; AUDIT-C anketinin sağlıksız alkol kullanımını saptamadaki doğruluğu, 14 çalışma, eksik değer yok.

Değişken Rol Tür Özet
calisma etiket metin C1–C14
TP, FN hastalıklı sayısal TP 19–752, FN 0–51
FP, TN sağlıklı sayısal FP 3–3226, TN 56–2977

İki çalışmada (C7, C8) FN =0 olduğundan all kuralıyla bütün 56 hücreye 0,5 eklenir (mada varsayılanı). Düzey sırası bu şablonda yalnız ortak değişken metin sütunuysa rol oynar (199.8).

Çalıştırmalar: ornek; ml, mm; g90 (guven = 0,9); duz1 (duzeltme = 1); single; alfa (alfa_duyarlilik = 0,5); e_* uç durumlar (tan_cov*.csv, tan_k3, tan_k4, tan_sifir2 vb. verileriyle).

199.4 Yöntem: formüller ve hesap adımları

Sıra: hücreler okunur, düzeltme eklenir; logit dönüşüm; mada::reitsma (\boldsymbol\mu, \boldsymbol\Psi); özet ölçüler; olabilirlik ve bilgi ölçütleri; AUC ve I²; HSROC dönüşümü; SROC grafiği.

199.4.1 Kestirim

REML/ML, \mathbf y_i\sim N(\mathbf X_i\boldsymbol\beta,\mathbf S_i+\boldsymbol\Psi) için profil olabilirliğini \boldsymbol\Psi (3 parametre) üzerinden en küçükler; \hat{\boldsymbol\beta}=(\sum\mathbf W_i)^{-1}\sum\mathbf W_i\mathbf y_i, \mathbf W_i=(\mathbf S_i+\hat{\boldsymbol\Psi})^{-1}, \mathrm{Var}(\hat{\boldsymbol\beta})=(\sum\mathbf W_i)^{-1}. mm momentler yöntemidir (Jackson ve ark., 2010) ve olabilirlik üretmez. mada'nın bildirdiği log-olabilirlik logit dönüşümün Jacobian'ını içerir:

\ell=\ell_{\mathrm{mvmeta}}-\sum_i\bigl[\ln\widehat{se}_i(1-\widehat{se}_i)+\ln\widehat{f}_i(1-\widehat{f}_i)\bigr],\qquad \mathrm{AIC}=-2\ell+10,\quad \mathrm{BIC}=-2\ell+5\ln(2k)

Bu ifadede \widehat{se}_i,\widehat f_i (düzeltilmiş) gözlenen duyarlılık ve YPO'dur; 5 parametre iki ortalama ve \boldsymbol\Psi'nin üç öğesidir; 2k ikinci aşamadaki değer sayısıdır. Olasılık ölçeğindeki olabilirlik, farklı \alpha dönüşümlerini karşılaştırılabilir kılar.

Koddaki tercih

reitsma(dat, formula = form, correction = …, correction.control = …, method = …, alphasens = …, alphafpr = …) (138–140). all: sıfır hücre varsa bütün çalışmalara; single: yalnız sıfır hücreli çalışmalara düzeltme eklenir. Örnekte single ile \hat\mu_A=2{,}1875 (all: 2{,}0997): düzeltme seçimi sonucu değiştirir.

199.4.2 Özet ölçüler

\widehat{Se}=\mathrm{expit}(\hat\mu_A), \widehat{Sp}=1-\mathrm{expit}(\hat\mu_B), \widehat{FPR}=\mathrm{expit}(\hat\mu_B); güven aralıkları logit ölçeğinde \hat\mu\pm z\,\mathrm{SH}'nin geri dönüşümüdür (162–175). LR^+=\widehat{Se}/\widehat{FPR}, LR^-=(1-\widehat{Se})/(1-\widehat{FPR}), DOR=LR^+/LR^- nokta kestirimidir; aralığı yoktur. Yalnız ortak değişkensiz ve \alpha=1 iken verilir.

199.4.3 HSROC eşdeğeri ve SROC

Rutter–Gatsonis modeli \mathrm{logit}\,Se=(\theta+\alpha/2)e^{-\beta/2}, \mathrm{logit}\,Sp=(\alpha/2-\theta)e^{\beta/2} biçimindedir. A=\mathrm{logit}\,Se, B=\mathrm{logit}\,Sp, \sigma_A,\sigma_B ve \sigma_{AB}=-\Psi_{12} ile (Harbord ve ark., 2007):

\beta=\ln\frac{\sigma_B}{\sigma_A},\quad \Lambda=\sqrt{\tfrac{\sigma_B}{\sigma_A}}\mu_A+\sqrt{\tfrac{\sigma_A}{\sigma_B}}\mu_B,\quad \Theta=\tfrac12\Bigl(\sqrt{\tfrac{\sigma_B}{\sigma_A}}\mu_A-\sqrt{\tfrac{\sigma_A}{\sigma_B}}\mu_B\Bigr)
\sigma_\alpha^2=2(\sigma_A\sigma_B+\sigma_{AB}),\qquad \sigma_\theta^2=\tfrac12(\sigma_A\sigma_B-\sigma_{AB})

Bu ifadede \mu_B=-\hat\mu_{\mathrm{YPO}}. \Theta için yukarıdaki ifade \mu_A=(\Theta+\Lambda/2)e^{-\beta/2} özdeşliğini sağlayan türetilmiş biçimdir ve mada'nın calc_hsroc_coef işleviyle aynıdır. Şablonun kodu (203) aynı ifadeyi kullanır; örnekte \Theta=-0{,}0834'tür.

SROC eğrisi: Se(f)=\mathrm{expit}\bigl(\Lambda e^{-\beta/2}+e^{-\beta}\mathrm{logit}(f)\bigr). AUC bu eğrinin f=0{,}01,\dots,0{,}99 noktalarında yamuk toplamıdır, \bigl(s_1/2+\sum s_j+s_{99}/2\bigr)/99; kısmi AUC aynı formülün gözlenen (düzeltilmemiş) YPO aralığı üzerindeki 99 noktalı sürümüdür.

199.4.4 Zhou–Dendukuri I^2

mada'nın özeti I^2=\sqrt{\tau}/(\sqrt{em}+\sqrt{\tau}) hesaplar; \tau=(1-\rho^2)\,t_At_B ve em tipik çalışma içi varyans çarpımıdır. mada t_A,t_B yerine sabit etkilerin SH karelerini (\mathrm{SH}_{\mu_A}^2,\mathrm{SH}_{\mu_B}^2) koyar; ortak değişken varsa bunlar kesişimin SH'leridir. Şablon iki sayı verir ve tanımı çıktıya yazar (178–195): "I² (Zhou-Dendukuri; mada hesabı)" mada'nın sayısıdır (örnekte 0{,}4038; yayımlanmış vinyet değeri), "I² (Zhou-Dendukuri; Ψ'den, ortak değişken yokken)" aynı ifadeyi t_A,t_B yerine \boldsymbol\Psi'nin köşegeniyle ve \rho için \boldsymbol\Psi'nin korelasyonuyla hesaplar (örnekte 0{,}8605; ortak değişkenli modelde boş). Bu ikinci satır kaynak makalenin formülüne karşı sınanmamıştır.

199.4.5 Meta-regresyon

ortak doluysa \mathbf X_i=(1,\mathbf x_i) her iki sonuç için kullanılır; sabit etkiler tablosunda her ortak değişken için iki katsayı (tsens.…, tfpr.…) bulunur. Özet ölçüler, HSROC ve AUC verilmez; SROC grafiğinde yalnız noktalar çizilir.

199.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
95–111 Paket, veri, hücre denetimleri, etiket. Eksik satır sayısı ve kalan çalışma sayısı yazılır; duzeltme = 0 ve sıfır hücre durdurur.
112–135 Ortak değişken formülü. Düzey sırası ortak kurala göre, başvuru düzeyi yazılır; kontrol k < 2(p+1)+3 model matrisinin sütun sayısına bakar.
136–143 reitsma çağrısı, uyarı toplama, yakınsama notu. mm'de yakınsama sınanmaz; sınır çözümünü 157–160'taki not yakalar.
144–152 Sabit etkiler tablosu. tsens, tfpr logit ölçeğinde.
154–176 \Psi, sınır notu, özet ölçüler tablosu. Özet ölçüler yalnız ortak değişkensiz ve \alpha=1; |ρ| ≥ 0,99, SD < 10⁻⁶ ya da olabilirlik yoksa sınır uyarısı.
177–195 AUC, iki I², varyans bileşenleri ve model özeti, I² tanım notu. İki I² satırı ve tanım metni (199.4.4).
197–206 HSROC parametreleri. \Theta mada calc_hsroc_coef ile aynıdır.
207–229 Uyarılar; SROC grafiği. Grafik lejandı guven değerini yazar (225–226).

Çıktı tabloları: Sabit etkiler; Özet ölçüler; Varyans bileşenleri ve model özeti; Eşdeğer HSROC. Bir şekil.

199.6 Elle hesap: örnek veride bağımsız yeniden hesap

mada, mvmeta ve mixmeta kullanılmadan: dogrulama/tanisal_meta/elle_hesap.py (numpy/scipy; logit, REML/ML Cholesky parametrizasyonu, özet ölçüler, HSROC, AUC, I²) ve r_dogrulama.R (metafor::rma.mv, yapısız kovaryans; açık formüller).

Adım 1 — Dönüşüm. Düzeltmeli C1: y_1=\ln(47{,}5/9{,}5)=1{,}6094, v_1=0{,}1263; y_2=\ln(101{,}5/738{,}5)=-1{,}9847, v_2=0{,}0112.

Adım 2 — REML. \hat\mu=(2{,}099742;\ -1{,}263691), SH (0{,}337852;\ 0{,}174332); \hat{\boldsymbol\Psi}=\begin{pmatrix}1{,}379584&0{,}640295\\0{,}640295&0{,}407208\end{pmatrix}, yani \tau_A=1{,}174557, \tau_B=0{,}638129, \rho=0{,}854275.

Adım 3 — Olabilirlik. mvmeta olabilirliği -33{,}9096, Jacobian terimi +65{,}4736, \ell=31{,}5640; AIC =-53{,}1279, BIC =-46{,}4669.

Adım 4 — Özet. \widehat{Se}=0{,}890878 [0{,}808078;\ 0{,}940583]; \widehat{Sp}=0{,}779661 [0{,}715451;\ 0{,}832768]; YPO 0{,}220339; LR^+=4{,}043213; LR^-=0{,}139961; DOR=28{,}8882.

Adım 5 — HSROC. \Lambda=3{,}262133, \beta=-0{,}610106, \sigma_\alpha^2=0{,}218448, \sigma_\theta^2=0{,}694907; \Theta=-0{,}083380. Geri kurma: (\Theta+\Lambda/2)e^{-\beta/2}=2{,}099742=\hat\mu_A ✓. Şablonun \Theta satırı bu değeri verir.

Adım 6 — AUC. 99 noktalı yamuk 0{,}886679; [0{,}1] üzerindeki tam tümlev 0{,}887901; kısmi AUC 0{,}861192 (gözlenen YPO aralığı 0{,}0588–0{,}5203).

Adım 7 — I^2. mada tanımı (SH² ile) 0{,}40384; \boldsymbol\Psi köşegeniyle 0{,}86047; şablon ikisini ayrı satırda verir.

Adım 8 — Öbür çalıştırmalar. ML: \hat\mu=(2{,}0763;\ -1{,}2624), \tau=(1{,}1063;\ 0{,}6123), \rho=0{,}8611, \ell=33{,}0732. single: (2{,}1875;\ -1{,}2675), \ell=31{,}8861. duz1: (2{,}1038;\ -1{,}2610).

Adım 9 — Yayımlanmış değerler. mada vinyeti (AuditC): logit duyarlılık 2{,}0997, logit YPO -1{,}2637, AUC 0{,}887; hepsi örtüşür.

199.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
logit duyarlılık, REML, 0,5 düzeltme 2,09974225 2,09974235 2,09974274 2,4e−7 ✓
logit YPO, REML, 0,5 düzeltme −1,26369094 −1,26369093 −1,26369097 3,0e−8 ✓
SH logit duyarlılık, REML, 0,5 düzeltme 0,33785101 0,33785116 0,33785181 8,1e−7 ✓
SH logit YPO, REML, 0,5 düzeltme 0,17433141 0,17433142 0,17433184 4,4e−7 ✓
τ_A, REML, 0,5 düzeltme 1,17455647 1,17455708 1,17455964 2,7e−6 ✓
τ_B, REML, 0,5 düzeltme 0,63812864 0,63812869 0,63813031 1,7e−6 ✓
korelasyon, REML, 0,5 düzeltme 0,85427452 0,85427475 0,85427496 4,4e−7 ✓
log-olabilirlik, REML, 0,5 düzeltme 31,56396067 31,56396067 31,56396067 2,5e−12 ✓
AIC, REML, 0,5 düzeltme −53,12792135 −53,12792135 — 1,5e−13 ✓
BIC, REML, 0,5 düzeltme −46,4668988 −46,4668988 — 1,7e−13 ✓
AUC, REML, 0,5 düzeltme 0,88667935 0,88667933 0,88667937 2,4e−8 ✓
kısmi AUC, REML, 0,5 düzeltme 0,86119156 0,86119154 — 2,0e−8 ✓
I² (Zhou-Dendukuri), REML, 0,5 düzeltme 0,40383519 0,40383513 — 6,7e−8 ✓
duyarlılık 0,89087812 0,89087813 0,89087817 4,8e−8 ✓
duyarlılık GA alt 0,80807752 0,80807749 — 2,9e−8 ✓
duyarlılık GA üst 0,94058292 0,94058294 — 2,2e−8 ✓
özgüllük 0,77966083 0,77966083 0,77966083 6,4e−9 ✓
özgüllük GA alt 0,715451 0,715451 — 7,2e−9 ✓
özgüllük GA üst 0,83276817 0,83276817 — 2,3e−9 ✓
YPO 0,22033917 0,22033917 0,22033917 6,4e−9 ✓
LR+ 4,04321262 4,04321264 — 4,1e−9 ✓
LR− 0,1399607 0,13996069 — 1,3e−8 ✓
TOO 28,88819929 28,88820206 — 9,6e−8 ✓
Λ 3,26213264 3,26213274 3,26213307 1,3e−7 ✓
β −0,61010599 −0,61010643 −0,61010608 4,4e−7 ✓
σ²_α 0,21844777 0,21844756 0,21844828 5,0e−7 ✓
σ²_θ 0,69490617 0,69490668 0,69491004 3,9e−6 ✓
Θ, (σ_B/σ_A)^½ μ_A − (σ_A/σ_B)^½ μ_B (mada calc_hsroc_coef ile aynı) −0,08337926 −0,08337957 −0,08337917 3,1e−7 ✓
AUC, tam tümlev (0–1) [şablon 99 noktalı yaklaşım] 0,88667935 0,88790064 0,88790068 1,2e−3 ✓
I², Ψ'den (Zhou-Dendukuri ifadesi, çalışmalar arası varyanslarla) 0,86046709 0,86046702 — 6,1e−8 ✓
logit duyarlılık, ML 2,07625908 2,07625909 2,07625979 3,4e−7 ✓
logit YPO, ML −1,26244709 −1,26244709 −1,26244714 3,8e−8 ✓
SH logit duyarlılık, ML 0,31986527 0,31986527 0,31986601 7,4e−7 ✓
SH logit YPO, ML 0,16754454 0,16754454 0,16754491 3,7e−7 ✓
τ_A, ML 1,10627382 1,10627383 1,10627668 2,6e−6 ✓
τ_B, ML 0,61227643 0,61227641 0,61227783 1,4e−6 ✓
korelasyon, ML 0,86105691 0,86105691 0,86105697 6,4e−8 ✓
log-olabilirlik, ML 33,07323852 33,07323852 33,07323852 2,7e−12 ✓
AIC, ML −56,14647703 −56,14647703 — 5,1e−16 ✓
BIC, ML −49,48545448 −49,48545448 — 1,0e−15 ✓
AUC, ML 0,8862938 0,88629379 0,88629382 2,5e−8 ✓
kısmi AUC, ML 0,86008606 0,86008606 — 1,5e−9 ✓
I² (Zhou-Dendukuri), ML 0,3790583 0,37905829 — 7,1e−9 ✓
duyarlılık GA alt, %90 0,82404934 0,82404932 — 2,0e−8 ✓
duyarlılık GA üst, %90 0,93434658 0,9343466 — 2,2e−8 ✓
özgüllük GA alt, %90 0,72650088 0,72650087 — 6,2e−9 ✓
özgüllük GA üst, %90 0,82497736 0,82497736 — 1,8e−9 ✓
logit duyarlılık, düzeltme 1,0 2,10381024 2,10381025 — 2,0e−9 ✓
τ_A, düzeltme 1,0 1,21919798 1,21919823 — 2,1e−7 ✓
log-olabilirlik, düzeltme 1,0 30,35910851 30,35910851 — 2,2e−14 ✓
logit duyarlılık, yalnız sıfır hücreli çalışmalara düzeltme 2,18751988 2,18751995 — 3,6e−8 ✓
logit YPO, yalnız sıfır hücreli çalışmalara düzeltme −1,26748141 −1,26748139 — 9,5e−9 ✓
τ_A, yalnız sıfır hücreli çalışmalara düzeltme 1,2587699 1,25877055 — 5,2e−7 ✓
log-olabilirlik, yalnız sıfır hücreli çalışmalara düzeltme 31,8860706 31,8860706 — 1,5e−13 ✓
logit duyarlılık, iki sıfır hücre, tüm çalışmalara 1,96071639 1,96071462 — 9,0e−7 ✓
logit YPO, iki sıfır hücre, tüm çalışmalara −1,31961095 −1,31961047 — 3,6e−7 ✓
τ_A, iki sıfır hücre, tüm çalışmalara 1,03459824 1,03459147 — 6,5e−6 ✓
log-olabilirlik, iki sıfır hücre, tüm çalışmalara 22,82962253 22,82962253 — 1,4e−11 ✓
logit duyarlılık, iki sıfır hücre, yalnız sıfırlı çalışmalara 2,01590902 2,01591095 — 9,6e−7 ✓
logit YPO, iki sıfır hücre, yalnız sıfırlı çalışmalara −1,32905395 −1,32905409 — 1,1e−7 ✓
τ_A, iki sıfır hücre, yalnız sıfırlı çalışmalara 1,10168311 1,10168774 — 4,2e−6 ✓
log-olabilirlik, iki sıfır hücre, yalnız sıfırlı çalışmalara 23,0105017 23,0105017 — 1,3e−11 ✓
yayımlanmış: logit duyarlılık 2,0997 2,09974225 2,0997 — 2,0e−5 ✓
yayımlanmış: logit YPO −1,2637 −1,26369094 −1,2637 — 7,2e−6 ✓
yayımlanmış: AUC 0,887 0,88667935 0,887 — 3,2e−4 ✓

Ölçütü karşılayan: 65/65. Ölçüt: göreli fark ≤ 10⁻⁵. Θ, mada::calc_hsroc_coef ile aynı ifadeyle hesaplanır; iki I² satırı (mada hesabı ve Ψ'den) ayrı karşılaştırılır. AUC için yakınsama toleransı: şablon 99 noktalı yamuk toplamıdır, tam tümlevden ~10⁻³ farklıdır.

\Theta ve Ψ'ye dayalı I^2 satırları şablonun çıktısıyla bağımsız hesapta örtüşür; mada'nın I^2'si ayrı satırdır ve bağımsız hesapta mada'nın SH² ifadesiyle karşılaştırılır. mm yöntemi bağımsız olarak hesaplanmamıştır.

199.7 Çıktıyı okuma

14 çalışma; yöntem: REML; süreklilik düzeltmesi 0,5 (all)
terim kestirim SH z p GA alt GA üst
tsens.(Intercept) 2.099742 0.337851 6.2150 5.1e−10 1.437566 2.761918
tfpr.(Intercept) −1.263691 0.174331 −7.2488 4.2e−13 −1.605374 −0.922008
ölçü kestirim GA
Duyarlılık 0.890878 0.808078–0.940583
Özgüllük 0.779661 0.715451–0.832768
YPO 0.220339 0.167232–0.284549
LR+ · LR− · TOO 4.043213 · 0.139961 · 28.888199 yok
ölçüt değer
SS logit duyarlılık (τ_A) · SS logit YPO (τ_B) · korelasyon 1.174556 · 0.638129 · 0.854275
Log-olabilirlik · AIC · BIC 31.563961 · −53.127921 · −46.466899
AUC · kısmi AUC · I² (mada hesabı) · I² (Ψ'den) 0.886679 · 0.861192 · 0.403835 · 0.860467
Λ · Θ · β · σ²_α · σ²_θ 3.262133 · −0.083379 · −0.610106 · 0.218448 · 0.694906
Öğe Ne yazar Nasıl yorumlanır
Sabit etkiler Logit ölçeğinde birleştirilmiş duyarlılık ve YPO Geri dönüşüm özet tablodadır.
Özet ölçüler Duyarlılık 0{,}89, özgüllük 0{,}78 LR+ 4,04: hastalıklı bireyde pozitif sonucun görülme olasılığı sağlıklıdakinin yaklaşık dört katıdır. LR+, LR− ve TOO'nun aralığı yoktur.
\tau_A>\tau_B, \rho=0{,}85 Çalışmalar arası değişkenlik Duyarlılığı yüksek çalışmalar daha çok yanlış pozitif üretir: eşik etkisi.
AUC SROC altındaki alan 0{,}887; 99 noktalı yaklaşıktır (tam tümlev 0{,}888).
HSROC Eşdeğer parametreler \beta\ne0: DOR eşikle değişir (asimetrik SROC). \Theta mada calc_hsroc_coef ile aynıdır (199.4.3).

Şekil 199.1. SROC eğrisi: çalışmalar (üçgen), özet nokta, güven bölgesi (kesikli) ve eğri (gözlenen YPO aralığında).

Ek çalıştırmalar: ml \hat\mu=(2{,}0763;\,-1{,}2624), \ell=33{,}07, AUC 0{,}8863; mm (1{,}5681;\,-1{,}2605), \tau=(1{,}022;\,1{,}184), \rho=1{,}0, olabilirlik, AIC ve BIC boş; g90 aynı kestirim, duyarlılık GA 0{,}824–0{,}934; alfa (\alpha_{Se}=0{,}5) \hat\mu_A=3{,}2709, AUC 0{,}8771 ve özet ölçüler/HSROC verilmez.

Rapor cümlesi. AUDIT-C'nin 14 çalışmasının 2×2 tabloları iki değişkenli rastgele etkili modelle (REML, 0,5 süreklilik düzeltmesi) birleştirildi. Özet duyarlılık 0,89 (%95 GA 0,81–0,94), özgüllük 0,78 (0,72–0,83) bulundu; logit duyarlılık ile logit YPO arasındaki çalışmalar arası korelasyon 0,85'ti (eşik etkisi). SROC eğrisi altındaki alan 0,89'du.

199.8 Sık hatalar ve tuzaklar

  • Sıfır hücre. all bütün çalışmalara ekler ve sonucu değiştirir; none ile durur. duzeltme = 0 sıfır hücrede de none gibi durur ve aynı iletiyi verir (e_duz0).
  • Az çalışma. k=4'te mada "very few primary studies" uyarır; korelasyon \pm1 sınırına gidebilir; mm örnekte \rho=1 ve olabilirliksiz sonuç verir; şablon bu durumda (|ρ| ≥ 0,99, SD sıfıra yakın ya da olabilirlik yok) "kovaryans matrisi sınırda kestirildi" uyarısı yazar.
  • Meta-regresyon. Moderatör merkezlenmezse kesişim ve SH anlamsızdır (yil: kesişim -77{,}9, SH 174{,}7). Düzey sırası ortak kuraldır: etken sütunda Veri sekmesi sırası; metin sütununda bütün değerler sayıysa sayısal, değilse harf sırası (klinik < toplum; 2 < 10). Başvuru düzeyi ve düzey sırası her etken ortak değişken için çıktıya yazılır. I^2 ortak değişkenle kesişim SH'sine bağlı olduğundan anlamsızlaşır (yil: 0; ortam: 0{,}79).
  • \alpha\ne1. Özet ölçüler ve HSROC verilmez; ama AUC yazılır ve tablo etiketleri hâlâ "logit"tir.
  • Eksik değerli satırlar çözümlemeden çıkarılır; çıkarılan satır sayısı ve kalan çalışma sayısı yazılır.
  • Ondalık hücre sayısı "tamsayı olmalı" iletisini verir; DP+YN =0 olan çalışma durur.
  • AUC dışdeğerleme içerebilir; kısmi AUC gözlenen YPO aralığıyla sınırlıdır.
  • Güven bölgesi etiketi guven değerini yazar (örnek: guven = 0,9 için "%90 güven bölgesi").

199.9 Uzman soruları

S1. Neden iki değişkenli model, ayrı birleştirme değil?

Eşik farkı duyarlılık ve özgüllüğü ters ilişkili kılar (örnekte \rho=0{,}85 logit duyarlılık ve YPO arasında); ayrı birleştirme bu ilişkiyi atar ve eşik etkisini yanlış bir özet noktaya dönüştürür.

S2. `all` ile `single` düzeltmesi arasındaki fark ne kadar?

Örnekte duyarlılık logiti 2{,}0997 ve 2{,}1875, \tau_A 1{,}175 ve 1{,}259; düzeltmenin değeri 1 yapılırsa 2{,}1038. Sıfır hücreli çalışma azsa single yanlılığı azaltır; çok sayıda hücreye eklemek küçük çalışmaların ağırlığını bozar.

S3. Sınır durumu: k=4.

Model kurulur; \hat\rho sınıra gidebilir ve mada uyarır. Örnekte ilk 4 çalışma için \rho=0{,}77, AUC 0{,}902, ama güven aralıkları geniştir. Meta-regresyon için k\ge2(p+1)+3 gerekir.

S4. HSROC ile Reitsma aynı model mi?

Ortak değişken yokken eşdeğerdir (Harbord ve ark., 2007): parametre dönüşümü yapılır. Biri eşik ve doğruluk parametreleriyle, diğeri duyarlılık/özgüllükle konuşur. Doğrulama: \mu_A geri kurulumu (\Lambda,\Theta,\beta ile) her iki ifade için sınanabilir; yalnız türetilmiş \Theta sağlar.

S5. Log-olabilirlik neden pozitif?

mada olabilirliği olasılık ölçeğine Jacobian ile çevirir (+65{,}47); mvmeta olabilirliği -33{,}91'dir. Farklı \alpha dönüşümleri bu ölçekte karşılaştırılır.

S6. Başka bir tanım: binom olabilirlikli iki değişkenli model (Chu–Cole).

Az olaylı çalışmada normal yaklaşım ve süreklilik düzeltmesi yanlılık yaratır; Chu ve Cole (2006) binom olabilirliğini doğrudan kullanır. Bu şablonda yoktur.

S7. I^2 neden %40 değil %86 olabilir?

Zhou ve Dendukuri (2014) ölçüsü çalışmalar arası kovaryansı kullanır; mada özetinde t_A,t_B yerine ortalamaların SH kareleri geçer (199.4.4). Aynı veriyle iki farklı sayı çıkar; şablon ikisini de tanımıyla birlikte yazar. Ψ'ye dayalı sayı kaynak makaleye karşı sınanmamıştır.

199.10 Kaynaklar

Chu, H., & Cole, S. R. (2006). Bivariate meta-analysis of sensitivity and specificity with sparse data: A generalized linear mixed model approach. Journal of Clinical Epidemiology, 59(12), 1331–1332. https://doi.org/10.1016/j.jclinepi.2006.06.011

Doebler, P. (2025). mada: Meta-analysis of diagnostic accuracy (R package version 0.5.12). https://doi.org/10.32614/CRAN.package.mada

Doebler, P., Holling, H., & Böhning, D. (2012). A mixed model approach to meta-analysis of diagnostic studies with binary test outcome. Psychological Methods, 17(3), 418–436. https://doi.org/10.1037/a0028091

Harbord, R. M., Deeks, J. J., Egger, M., Whiting, P., & Sterne, J. A. C. (2007). A unification of models for meta-analysis of diagnostic accuracy studies. Biostatistics, 8(2), 239–251. https://doi.org/10.1093/biostatistics/kxl004

Jackson, D., White, I. R., & Thompson, S. G. (2010). Extending DerSimonian and Laird's methodology to perform multivariate random effects meta-analyses. Statistics in Medicine, 29(12), 1282–1297. https://doi.org/10.1002/sim.3602

Reitsma, J. B., Glas, A. S., Rutjes, A. W. S., Scholten, R. J. P. M., Bossuyt, P. M., & Zwinderman, A. H. (2005). Bivariate analysis of sensitivity and specificity produces informative summary measures in diagnostic reviews. Journal of Clinical Epidemiology, 58(10), 982–990. https://doi.org/10.1016/j.jclinepi.2005.02.022

Rutter, C. M., & Gatsonis, C. A. (2001). A hierarchical regression approach to meta-analysis of diagnostic test accuracy evaluations. Statistics in Medicine, 20(19), 2865–2884. https://doi.org/10.1002/sim.942

Viechtbauer, W. (2010). Conducting meta-analyses in R with the metafor package. Journal of Statistical Software, 36(3), 1–48. https://doi.org/10.18637/jss.v036.i03

Zhou, Y., & Dendukuri, N. (2014). Statistics for quantifying heterogeneity in univariate and bivariate meta-analyses of binary data: The case of meta-analyses of diagnostic accuracy. Statistics in Medicine, 33(16), 2701–2717. https://doi.org/10.1002/sim.6115