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).
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:
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):
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.
allbütün çalışmalara ekler ve sonucu değiştirir;noneile durur.duzeltme = 0sıfır hücrede denonegibi durur ve aynı iletiyi verir (e_duz0). - Az çalışma. k=4'te mada "very few primary studies" uyarır; korelasyon \pm1 sınırına gidebilir;
mmörnekte \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
guvendeğerini yazar (örnek:guven = 0,9için "%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