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

Resumen

En meta-análisis para pruebas de precisión diagnósticas (DTA) se utilizan medidas resumen como la sensibilidad, especificidad 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 identifican 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 identificabilidad 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 especificidad) 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 especificidad) y curva ROC.