Calculadora gratuita de Editverse
Calculadora de metaanálisis diagnóstico (HSROC y bivariado)
Combine la precisión diagnóstica de los estudios (sensibilidad y especificidad resumidas de un modelo bivariado de efectos aleatorios, con una curva HSROC) y copie el comando R exacto que genera el resultado. A continuación, encontrará una guía completa. Validado con R 4.3.3.
En palabras simples
Un metaanálisis diagnóstico combina estudios que informan sobre la eficacia de una prueba para detectar una afección, resumidos en una matriz de 2x2 de verdaderos/falsos positivos y negativos. El desafío radica en que la sensibilidad y la especificidad se contraponen a medida que varía el umbral de la prueba, por lo que no pueden agruparse por separado.
El modelo bivariado estima la sensibilidad y la especificidad resumidas de forma conjunta, respetando su correlación, mientras que el enfoque HSROC (curva ROC resumida jerárquica) modela la precisión subyacente y el umbral en todos los estudios. Ambos proporcionan un punto de resumen fiable y una curva ROC resumida, algo que la combinación por separado de ambas medidas no permite.
¿Cuándo utilizar el metaanálisis diagnóstico?
Úselo cuando varios estudios evalúen la misma prueba diagnóstica comparándola con un estándar de referencia y desee obtener una estimación combinada de su precisión. Es el equivalente diagnóstico de un metaanálisis de intervención y sustenta las guías de pruebas basadas en la evidencia.
Prefiera un modelo bivariado o HSROC en lugar de combinar la sensibilidad y la especificidad de forma independiente, lo que ignora su correlación y el efecto umbral. Informe el punto resumen con su intervalo de confianza y la curva HSROC, y evalúe la heterogeneidad entre estudios. Para el rendimiento de la prueba de un solo estudio, utilice nuestra calculadora de precisión diagnóstica . ¿No está seguro de qué modelo se ajusta mejor? Nuestro selector de pruebas puede ayudarle.
Esperado: una fila por registro, TP, FP, FN, TN
Arrastra aquí un archivo CSV o haz clic para seleccionar. Analizado en tu navegador: no se carga nada.
Esperado: una fila por registro, TP, FP, FN, TN
biblioteca(mada) dat <- read.csv(text = "TP,FP,FN,TN {dm_csv}") madad(dat); reitsma(dat)Guía del usuario
Cuándo usarlo. Combinar la precisión diagnóstica (sensibilidad y especificidad) de diferentes estudios con un modelo de efectos aleatorios.
Supuestos. Cada estudio presenta una comparación de 2×2 entre el resultado de la prueba y el estándar de referencia.
Errores comunes. Agrupar la sensibilidad y la especificidad por separado ignora su correlación; se prefiere un modelo bivariado/HSROC cuando sea factible.
Ejemplo trabajado
Haga clic en "Cargar datos de ejemplo" arriba y, a continuación, en "Ejecutar análisis" para ver un resultado completo con la figura, la fórmula y la interpretación de esta prueba.
Referencias
- Reitsma JB, et al. Análisis bivariado de sensibilidad y especificidad. J Clin Epidemiol. 2005;58:982-990.
Ejemplos resueltos
Ejemplo 1: Combinación de cuatro estudios
Cuatro estudios informan recuentos de 2×2 de verdaderos/falsos positivos y negativos. Un modelo bivariado arroja una sensibilidad global cercana a 0.84 y una especificidad cercana a 0.86, con una región de confianza alrededor del punto global y una curva HSROC a través de los estudios, lo que proporciona una estimación general coherente de la precisión de la prueba.
Ejemplo 2: ¿Por qué no agrupar por separado?
Si se promediaran la sensibilidad y la especificidad de forma independiente en estudios que utilizaron diferentes umbrales, se ignoraría la relación inversa entre ellas y se obtendría un resumen engañosamente optimista. Los modelos bivariados y HSROC evitan esto al modelar ambas medidas conjuntamente.
Supuestos a verificar
Cada estudio informa un análisis completo de 2×2. El método requiere verdaderos positivos, falsos positivos, falsos negativos y verdaderos negativos por estudio, en comparación con un estándar de referencia consistente.
Una condición objetivo y un estándar de referencia comunes. Los estudios deben diagnosticar la misma condición con estándares de referencia comparables; mezclarlos produce un resumen ininterpretable.
Se necesitan suficientes estudios para un modelo jerárquico. Los modelos bivariados y HSROC estiman la varianza entre estudios, lo que requiere un número razonable de estudios; con muy pocos, es posible que solo se puedan utilizar resúmenes más sencillos.
Errores comunes
Combinar la sensibilidad y la especificidad por separado
La agrupación independiente ignora el efecto umbral y su correlación, sesgando el resumen. Utilice un modelo bivariado o HSROC.
Combinar pruebas con diferentes estándares de referencia
Si la “verdad” difiere entre los estudios, la precisión combinada no es interpretable. Resígnese a un estándar de referencia consistente.
Ignorando la variación del umbral
Los estudios suelen utilizar diferentes umbrales de positividad; la curva HSROC refleja esta diferencia, mientras que un único par de valores agrupados la oculta.
Pasar por alto la heterogeneidad
Los metaanálisis de diagnóstico suelen ser muy heterogéneos. Es importante informar y explorar esa heterogeneidad en lugar de limitarse a citar un resumen.
Preguntas frecuentes
¿Por qué el metaanálisis diagnóstico es diferente del metaanálisis de intervenciones?
Debe resumir dos medidas correlacionadas —sensibilidad y especificidad— que se compensan con el umbral de la prueba, por lo que utiliza modelos bivariados o HSROC en lugar de combinar un único efecto.
¿Qué es la curva HSROC?
Se trata de una curva ROC jerárquica resumida que modela la precisión de las pruebas y el umbral en diferentes estudios, generando una curva en lugar de un único punto.
¿Debo informar un punto resumen o una curva?
Siempre que sea posible, informe tanto del punto operativo resumido con su intervalo de confianza como de la curva HSROC, que muestra el rendimiento en función de los umbrales.
¿Coincide el resultado con R?
Sí. La calculadora utiliza el modelo bivariado/Reitsma estándar y muestra el comando R (paquete mada) para que pueda reproducir las estimaciones resumidas.
Calculadoras relacionadas
Referencias
- Reitsma JB, Glas AS, Rutjes AWS, Scholten RJPM, Bossuyt PM, et al. El análisis bivariado de sensibilidad y especificidad produce medidas de resumen informativas en las revisiones diagnósticas. J Clin Epidemiol. 2005;58(10):982–990. PMID 16168343.
- Reitsma JB, Moons KGM, Bossuyt PMM, Linnet K. Revisiones sistemáticas de estudios que cuantifican la precisión de las pruebas y marcadores diagnósticos. Clin Chem.. 2012;58(11):1534–1545. PMID 22991421.
- Rutter CM, Gatsonis CA. Un enfoque de regresión jerárquica para el metaanálisis de evaluaciones de la precisión de las pruebas diagnósticas. estadística médica. 2001;20(19):2865–2884.
¿Necesita que se realice este análisis en su manuscrito?
Nuestros bioestadísticos con doctorado realizan metaanálisis de diagnóstico —modelos bivariados y HSROC, curvas ROC resumidas y evaluación de la heterogeneidad— con resultados reproducibles en R.