Editverse Kostenloser Rechner
Rechner für diagnostische Metaanalysen (HSROC & Bivariat)
Fassen Sie die diagnostische Genauigkeit aus verschiedenen Studien zusammen – Sensitivität und Spezifität aus einem bivariaten Random-Effects-Modell mit einer HSROC-Kurve – und kopieren Sie den exakten R-Befehl hinter dem Ergebnis. Eine vollständige Anleitung finden Sie weiter unten. Validiert mit R 4.3.3.
In einfachen Worten
Eine diagnostische Metaanalyse kombiniert Studien, die jeweils die Treffsicherheit eines Tests beim Erkennen einer Erkrankung beschreiben, zusammengefasst in einer 2×2-Statistik aus richtig/falsch positiven und falsch negativen Ergebnissen. Die Herausforderung besteht darin, dass Sensitivität und Spezifität mit dem jeweiligen Schwellenwert des Tests gegeneinander abwägen und daher nicht einfach getrennt zusammengefasst werden können.
Das bivariate Modell schätzt Sensitivität und Spezifität gemeinsam unter Berücksichtigung ihrer Korrelation, während der HSROC-Ansatz (hierarchische ROC-Kurve) die zugrundeliegende Genauigkeit und den Schwellenwert über verschiedene Studien hinweg modelliert. Beide Ansätze liefern einen nachvollziehbaren zusammenfassenden Wert und eine zusammenfassende ROC-Kurve, was durch die separate Zusammenfassung der beiden Messwerte nicht möglich ist.
Wann sollte man eine diagnostische Metaanalyse durchführen?
Nutzen Sie diese Methode, wenn mehrere Studien denselben diagnostischen Test anhand eines Referenzstandards bewerten und Sie eine zusammengefasste Schätzung seiner Genauigkeit wünschen. Sie ist das diagnostische Pendant zu einer Interventions -Metaanalyse und bildet die Grundlage für evidenzbasierte Testleitlinien.
Bevorzugen Sie ein bivariates oder ein HSROC-Modell gegenüber der separaten Zusammenfassung von Sensitivität und Spezifität, da diese deren Korrelation und den Schwellenwerteffekt außer Acht lässt. Geben Sie den zusammenfassenden Punkt mit seinem Konfidenzintervall und der HSROC-Kurve an und beurteilen Sie die Heterogenität zwischen den Studien. Nutzen Sie unseren Rechner für die diagnostische Genauigkeit einer einzelnen Studie . Sie sind sich nicht sicher, welches Modell am besten geeignet ist? Unser Testselektor hilft Ihnen weiter.
Erwartet: eine Zeile pro Datensatz, TP, FP, FN, TN
Ziehen Sie hier eine CSV-Datei hoch oder klicken Sie, um eine Datei auszuwählen. Die Verarbeitung erfolgt im Browser: Es wird nichts hochgeladen.
Erwartet: eine Zeile pro Datensatz, TP, FP, FN, TN
Bibliothek(mada) dat <- read.csv(text = "TP,FP,FN,TN {dm_csv}") madad(dat); reitsma(dat)Benutzerhandbuch
Wann anwenden. Die diagnostische Genauigkeit (Sensitivität und Spezifität) aus verschiedenen Studien wird mit einem Random-Effects-Modell zusammengefasst.
Annahmen. Jede Studie berichtet über einen 2×2-Vergleich von Testergebnis und Referenzstandard.
Häufige Fehler. Die separate Zusammenfassung von Sensitivität und Spezifität ignoriert deren Korrelation; ein bivariates/HSROC-Modell ist, wenn möglich, vorzuziehen.
Ausgearbeitetes Beispiel
Klicken Sie oben auf „Beispieldaten laden“ und anschließend auf „Analyse ausführen“ , um ein vollständig ausgearbeitetes Ergebnis mit Abbildung, Formel und Interpretation für diesen Test anzuzeigen.
Referenzen
- Reitsma JB, et al. Bivariate Analyse von Sensitivität und Spezifität. J Clin Epidemiol. 2005;58:982-990.
Ausgearbeitete Beispiele
Beispiel 1 – Zusammenfassung von vier Studien
Vier Studien berichten über 2×2-Zählungen von richtig/falsch positiven und negativen Ergebnissen. Ein bivariates Modell ergibt eine zusammenfassende Sensitivität von etwa 0.84 und eine Spezifität von etwa 0.86, mit einem Konfidenzintervall um den zusammenfassenden Wert und einer HSROC-Kurve über die Studien hinweg – eine kohärente Gesamtschätzung der Testgenauigkeit.
Beispiel 2 – Warum nicht separat zusammenlegen?
Würde man Sensitivität und Spezifität unabhängig voneinander über Studien mit unterschiedlichen Schwellenwerten mitteln, würde man den Zusammenhang zwischen ihnen ignorieren und ein irreführend optimistisches Ergebnis liefern. Bivariate und HSROC-Modelle vermeiden dies, indem sie beide Maße gemeinsam modellieren.
Zu prüfende Annahmen
Jede Studie berichtet über ein vollständiges 2×2-Design. Die Methode benötigt pro Studie die Anzahl der richtig positiven, falsch positiven, falsch negativen und richtig negativen Ergebnisse im Vergleich zu einem einheitlichen Referenzstandard.
Eine gemeinsame Zielerkrankung und ein gemeinsamer Referenzstandard sind erforderlich. Studien müssen dieselbe Erkrankung mit vergleichbaren Referenzstandards diagnostizieren; eine Vermischung führt zu einem nicht interpretierbaren Ergebnis.
Es liegen genügend Studien für ein hierarchisches Modell vor. Bivariate und HSROC-Modelle schätzen die Varianz zwischen den Studien, wofür eine angemessene Anzahl von Studien erforderlich ist; bei sehr wenigen Studien sind möglicherweise nur einfachere Zusammenfassungen vertretbar.
Häufige Fehler
Sensitivität und Spezifität separat zusammenfassen
Unabhängige Datenzusammenführung ignoriert den Schwellenwerteffekt und dessen Korrelation und verzerrt so die Ergebnisse. Verwenden Sie stattdessen ein bivariates oder ein HSROC-Modell.
Kombination von Tests mit verschiedenen Referenzstandards
Wenn die „Wahrheit“ in den einzelnen Studien voneinander abweicht, ist die zusammengefasste Genauigkeit nicht interpretierbar. Es sollte ein einheitlicher Referenzstandard verwendet werden.
Schwellenwertvariation ignorieren
In Studien werden häufig unterschiedliche Positivitätsschwellenwerte verwendet; die HSROC-Kurve erfasst dies, während ein einzelnes zusammengefasstes Wertepaar dies verschleiert.
Heterogenität wird übersehen
Diagnostische Metaanalysen weisen häufig eine hohe Heterogenität auf. Diese Heterogenität sollte dargestellt und untersucht werden, anstatt lediglich einen zusammenfassenden Punkt anzugeben.
Häufig gestellte Fragen
Warum unterscheidet sich die diagnostische Metaanalyse von der Interventionsmetaanalyse?
Es muss zwei korrelierte Maße – Sensitivität und Spezifität – zusammenfassen, die mit dem Testschwellenwert in Wechselwirkung stehen, daher verwendet es bivariate oder HSROC-Modelle anstatt einen einzelnen Effekt zu poolen.
Was ist die HSROC-Kurve?
Es handelt sich um eine hierarchische ROC-Kurve, die die Testgenauigkeit und den Schwellenwert über verschiedene Studien hinweg modelliert und so eine Kurve anstelle eines einzelnen Punktes ergibt.
Soll ich einen zusammenfassenden Punkt oder eine Kurve angeben?
Berichten Sie nach Möglichkeit beides: den zusammenfassenden Betriebspunkt mit seinem Konfidenzbereich und die HSROC-Kurve, die die Leistung über verschiedene Schwellenwerte hinweg darstellt.
Stimmt das Ergebnis mit R überein?
Ja. Der Rechner verwendet Standard-Bivariat-/Reitsma-Modellierung und zeigt den R-Befehl (mada-Paket) an, damit Sie die zusammenfassenden Schätzungen reproduzieren können.
Verwandte Rechner
Referenzen
- Reitsma JB, Glas AS, Rutjes AWS, Scholten RJPM, Bossuyt PM, et al. Die bivariate Analyse von Sensitivität und Spezifität liefert informative zusammenfassende Kennzahlen in diagnostischen Auswertungen. J Clin Epidemiol. 2005;58(10):982–990. PMID 16168343.
- Reitsma JB, Moons KGM, Bossuyt PMM, Linnet K. Systematische Übersichtsarbeiten zu Studien, die die Genauigkeit von diagnostischen Tests und Markern quantifizieren. Clin Chem. 2012;58(11):1534–1545. PMID 22991421.
- Rutter CM, Gatsonis CA. Ein hierarchischer Regressionsansatz zur Metaanalyse von Genauigkeitsbewertungen diagnostischer Tests. Statistik Med. 2001;20(19):2865–2884.
Benötigen Sie diese Analyse für Ihr Manuskript?
Unsere promovierten Biostatistiker führen diagnostische Metaanalysen durch – bivariate und HSROC-Modelle, zusammenfassende ROC-Kurven und Heterogenitätsbewertungen – mit reproduzierbaren R-Ergebnissen.