Calculatrice gratuite Editverse
Calculateur de méta-analyse diagnostique (HSROC et bivariée)
Combinez les données de précision diagnostique issues de différentes études (sensibilité et spécificité globales d'un modèle bivarié à effets aléatoires, avec une courbe HSROC) et copiez la commande R exacte utilisée. Un guide complet est fourni ci-dessous. Validé avec R 4.3.3.
En mots simples
Une méta-analyse diagnostique combine des études qui évaluent la capacité d'un test à détecter une affection, sous la forme d'un tableau 2×2 de vrais/faux positifs et de faux négatifs. La difficulté réside dans le fait que la sensibilité et la spécificité sont inversement proportionnelles au seuil de détection du test ; on ne peut donc pas les regrouper séparément.
Le modèle bivarié estime conjointement la sensibilité et la spécificité globales tout en tenant compte de leur corrélation, tandis que l' approche HSROC (courbe ROC de synthèse hiérarchique) modélise la précision et le seuil sous-jacents à travers les études. Ces deux approches fournissent un point de synthèse pertinent et une courbe ROC de synthèse, ce qu'un regroupement séparé des deux mesures ne permet pas.
Quand utiliser la méta-analyse diagnostique
Utilisez-la lorsque plusieurs études évaluent le même test diagnostique par rapport à une norme de référence et que vous souhaitez obtenir une estimation globale de sa précision. Elle constitue l'équivalent diagnostique d'une méta-analyse d'intervention et sous-tend les recommandations de tests fondées sur des données probantes.
Privilégiez un modèle bivarié ou HSROC plutôt que de regrouper indépendamment la sensibilité et la spécificité, ce qui ignore leur corrélation et l'effet de seuil. Présentez le point de synthèse avec son intervalle de confiance et la courbe HSROC, et évaluez l'hétérogénéité inter-études. Pour évaluer la performance diagnostique d'une étude unique, utilisez notre calculateur de précision diagnostique . Vous hésitez sur le modèle le plus adapté ? Notre outil de sélection de tests peut vous aider.
Résultat attendu : une ligne par enregistrement, TP, FP, FN, TN
Déposez un fichier CSV ici ou cliquez pour en choisir un. Analyse effectuée dans votre navigateur : aucun fichier n’est téléchargé.
Résultat attendu : une ligne par enregistrement, TP, FP, FN, TN
bibliothèque(mada) dat <- read.csv(text = "TP,FP,FN,TN {dm_csv}") madad(dat); reitsma(dat)Mode d'emploi
Quand l'utiliser ? Regrouper les données de précision diagnostique (sensibilité et spécificité) issues de différentes études à l'aide d'un modèle à effets aléatoires.
Hypothèses. Chaque étude présente un tableau comparatif 2×2 des résultats des tests par rapport à la norme de référence.
Erreurs fréquentes. Le regroupement séparé de la sensibilité et de la spécificité ignore leur corrélation ; un modèle bivarié/HSROC est préférable lorsque cela est possible.
Exemple concret
Cliquez sur « Charger les données d'exemple » ci-dessus, puis sur « Lancer l'analyse » pour afficher un résultat complet avec figure, formule et interprétation pour ce test.
Références
- Reitsma JB, et al. Analyse bivariée de la sensibilité et de la spécificité. J Clin Epidemiol. 2005;58:982-990.
Exemples travaillés
Exemple 1 — Mise en commun de quatre études
Quatre études rapportent des comptages 2×2 de vrais/faux positifs et négatifs. Un modèle bivarié donne une sensibilité globale proche de 0.84 et une spécificité proche de 0.86, avec une région de confiance autour de ce point de synthèse et une courbe HSROC passant par l'ensemble des études — une estimation globale cohérente de la précision du test.
Exemple 2 — Pourquoi ne pas faire des pools séparés ?
Si l'on calculait la moyenne de la sensibilité et de la spécificité indépendamment dans des études utilisant des seuils différents, on ignorerait le compromis entre ces deux paramètres et on obtiendrait un résumé trompeusement optimiste. Les modèles bivariés et HSROC évitent cet écueil en modélisant les deux mesures conjointement.
Hypothèses à vérifier
Chaque étude présente un tableau 2×2 complet. La méthode nécessite, pour chaque étude, des vrais positifs, des faux positifs, des faux négatifs et des vrais négatifs, par rapport à une norme de référence cohérente.
Une pathologie cible et une norme de référence communes. Les études doivent diagnostiquer la même pathologie avec des normes de référence comparables ; les mélanger aboutit à un résultat ininterprétable.
Un nombre suffisant d'études est nécessaire pour un modèle hiérarchique. Les modèles bivariés et HSROC estiment la variance inter-études, ce qui requiert un nombre raisonnable d'études ; avec un nombre très limité d'études, des synthèses plus simples peuvent suffire.
Erreurs courantes
Regrouper séparément la sensibilité et la spécificité
Le regroupement indépendant ignore l'effet de seuil et leur corrélation, ce qui biaise le résumé. Utilisez un modèle bivarié ou HSROC.
Combiner des tests avec différentes normes de référence
Si la « vérité » diffère d'une étude à l'autre, la précision globale est ininterprétable. Il convient de se limiter à une norme de référence uniforme.
En ignorant la variation du seuil
Les études utilisent souvent des seuils de positivité différents ; la courbe HSROC le reflète, alors qu'une seule paire de valeurs regroupées le masque.
Négliger l'hétérogénéité
Les méta-analyses diagnostiques sont souvent très hétérogènes. Il est important de décrire et d'analyser cette hétérogénéité plutôt que de se contenter de citer un résumé.
Questions fréquemment posées
Pourquoi la méta-analyse diagnostique est-elle différente de la méta-analyse interventionnelle ?
Il doit résumer deux mesures corrélées — la sensibilité et la spécificité — qui interagissent avec le seuil du test ; il utilise donc des modèles bivariés ou HSROC plutôt que de regrouper un seul effet.
Qu'est-ce que la courbe HSROC ?
Il s'agit d'une courbe ROC de synthèse hiérarchique qui modélise la précision et le seuil des tests à travers différentes études, donnant une courbe plutôt qu'un point unique.
Dois-je présenter un point de synthèse ou une courbe ?
Indiquez les deux éléments lorsque cela est possible : le point de fonctionnement de synthèse avec sa région de confiance et la courbe HSROC, qui illustre les performances par rapport aux seuils.
Le résultat correspond-il à R ?
Oui. La calculatrice utilise une modélisation bivariée/Reitsma standard et affiche la commande R (package mada) afin que vous puissiez reproduire les estimations sommaires.
Calculatrices associées
Références
- Reitsma JB, Glas AS, Rutjes AWS, Scholten RJPM, Bossuyt PM, et al. L'analyse bivariée de la sensibilité et de la spécificité produit des mesures de synthèse informatives dans les revues diagnostiques. J Clin Epidemiol. 2005;58(10):982–990. PMID 16168343.
- Reitsma JB, Moons KGM, Bossuyt PMM, Linnet K. Revues systématiques d'études quantifiant la précision des tests et marqueurs diagnostiques. Clin Chem. 2012;58(11):1534–1545. PMID 22991421.
- Rutter CM, Gatsonis CA. Une approche de régression hiérarchique pour la méta-analyse des évaluations de la précision des tests diagnostiques. Stat Med. 2001;20(19):2865–2884.
Besoin de cette analyse pour votre manuscrit ?
Nos biostatisticiens titulaires d'un doctorat effectuent des méta-analyses diagnostiques — modèles bivariés et HSROC, courbes ROC de synthèse et évaluation de l'hétérogénéité — avec des résultats R reproductibles.