Sapevate che in un recente studio il 55.3% dei noduli (piccole escrescenze) è risultato canceroso? Questo dato evidenzia la difficoltà di ottenere risultati accurati con i test medici . Gli operatori sanitari cercano di bilanciare la precisione dei loro strumenti. Tuttavia, spesso, l'influenza delle soglie di test può alterare significativamente questi importanti parametri.
Gli effetti di soglia sono fondamentali per l'accuratezza con cui i test medici diagnosticano una patologia. Influenzano la nostra interpretazione dei risultati, e questo può davvero cambiare l'equilibrio tra l'individuazione precisa di un problema e la prevenzione dei falsi allarmi. Per operare con saggezza nella pratica medica e nella valutazione dei test diagnostici, è essenziale conoscere questi effetti.
| Idea | Descrizione | Impatto sull'accuratezza diagnostica | Contabilità degli effetti di soglia | Esempio |
|---|---|---|---|---|
| Effetto Soglia 🎚️ | La relazione tra sensibilità e specificità varia a seconda del valore soglia scelto per un test diagnostico. | Se non tenuta in considerazione, può portare a una sovrastima o sottostima dell’accuratezza diagnostica. | Utilizzare metodi che non si basino su un singolo valore limite, come l'analisi ROC o l'indice Youden. | In un test per il diabete, l’utilizzo di un valore limite di zucchero nel sangue a digiuno più elevato si tradurrà in una sensibilità inferiore ma una specificità più elevata. |
| Curva caratteristica operativa del ricevitore (ROC) 📈 | Un grafico che illustra la capacità diagnostica di un sistema classificatore binario al variare della sua soglia di discriminazione. | Fornisce una valutazione completa dell'accuratezza diagnostica su tutti i possibili valori di cut-off. | Analizzare l'area sotto la curva ROC (AUC) per valutare l'accuratezza diagnostica complessiva, indipendentemente da una soglia specifica. | Le curve ROC sono comunemente utilizzate nella ricerca medica per valutare le prestazioni dei test diagnostici, come la mammografia per il rilevamento del cancro al seno. |
| Area Sotto la Curva (AUC) 🔍 | Una misura dell'accuratezza diagnostica complessiva di un test, che va da 0.5 (nessuna capacità discriminatoria) a 1.0 (discriminazione perfetta). | Riassume l'accuratezza diagnostica su tutti i possibili valori di cut-off, rendendolo meno sensibile agli effetti soglia. | Riportare l'AUC insieme alla sensibilità e alla specificità per fornire una valutazione più completa dell'accuratezza diagnostica. | Un'AUC di 0.8 indica che un individuo selezionato casualmente dal gruppo malato ha un valore del test maggiore di quello di un individuo scelto casualmente dal gruppo non malato nell'80% dei casi. |
| Indice Youden 🎯 | Il punto di cut-off che massimizza la somma di sensibilità e specificità meno uno. | Fornisce un valore di cut-off ottimale che bilancia sensibilità e specificità, riducendo l'impatto degli effetti soglia. | Calcolare l'indice di Youden per determinare il valore di cut-off ottimale per un test diagnostico. | In uno studio che valuta un nuovo biomarcatore per il rilevamento del cancro, l’indice di Youden può aiutare a determinare il miglior valore limite per massimizzare sia la sensibilità che la specificità. |
| Rapporti di verosimiglianza 🧮 | Il rapporto tra la probabilità di un risultato del test in pazienti con la malattia e la probabilità dello stesso risultato di test in pazienti senza la malattia. | Meno influenzato dagli effetti soglia rispetto alla sensibilità e alla specificità, poiché vengono calcolati utilizzando sia la sensibilità che la specificità. | Riportare i rapporti di verosimiglianza (positivi e negativi) oltre alla sensibilità e alla specificità per fornire una misura più stabile dell'accuratezza diagnostica. | Un rapporto di verosimiglianza positivo pari a 5 significa che un risultato positivo del test ha 5 volte più probabilità di verificarsi nei pazienti con la malattia rispetto a quelli senza la malattia. |
| Fatto Divertente | La curva ROC prende il nome dalle sue origini durante la seconda guerra mondiale, dove veniva utilizzata per analizzare i segnali radar per distinguere tra aerei nemici e amici. 🛩️ |
- Prova perfetta: Sensibilità 100%, Specificità 100%
- Alta sensibilità: Sensibilità 100%, Specificità 95%
- Alta specificità: Sensibilità 95%, Specificità 100%
- Prova moderata: Sensibilità 75%, Specificità 75%
- Classificatore casuale: Sensibilità 50%, Specificità 50%
Il punto chiave di ogni scenario è evidenziato nel grafico.
Studi recenti hanno iniziato a comprendere quanto sia complesso valutare l'accuratezza dei test. Analizzando la ricerca fino a settembre 2012, è evidente una grande varietà di approcci nella valutazione dei test. Ciò dimostra la necessità di metodi migliori e condivisi per gestire questi effetti di soglia nelle nostre analisi.
Mentre approfondisci quest'area, vedrai come le soglie influenzano la luce in cui vedi i risultati del test. Imparerai anche gli strumenti che possono combinare dati provenienti da molte fonti. Con queste competenze, il complicato mondo della capacità dei test di individuare i problemi diventerà più chiaro. E puoi fare scelte più intelligenti nel tuo lavoro.
Punti chiave
- Effetti soglia influenzare in modo significativo accuratezza diagnostica in test medici
- Bilanciamento sensibilità and specificità è fondamentale per una diagnosi accurata
- Meta-analisi di accuratezza del test diagnostico gli studi mostrano ampio variabilità negli approcci valutativi
- Comprendere gli effetti soglia è essenziale per interpretare correttamente i risultati dei test
- Le tecniche statistiche avanzate possono aiutare a tenere conto degli effetti soglia nella sintesi dei dati
- Sono necessari metodi standardizzati per migliorare l'analisi di accuratezza diagnostica attraverso gli studi
Comprendere l'accuratezza diagnostica nei test medici
L'accuratezza diagnostica negli esami medici è fondamentale. Guida i medici nella scelta delle migliori strategie per la cura e il trattamento dei pazienti. Analizzeremo come i fattori chiave influenzano l'interpretazione dei risultati degli esami.
Sensibilità e specificità spiegate
Sensibilità e specificità sono fondamentali per comprendere i risultati di un test. La sensibilità indica quanto bene un test individua le persone affette da una malattia. La specificità indica quanto bene un test esclude la malattia nelle persone sane. Queste misurazioni sono vitali per l'affidabilità dei test.
| Misura | Definizione | Formula |
|---|---|---|
| Sensibilità | Capacità di identificare i pazienti affetti da malattia | Veri positivi / (Veri positivi + falsi negativi) |
| Specificità | Capacità di identificare i pazienti senza malattia | Veri negativi / (Veri negativi + falsi positivi) |
Il ruolo delle soglie nell'interpretazione del test
Le soglie sono molto importanti. Decidono quanto sia sensibile o specifico un test. La modifica della soglia modifica l'accuratezza del test. Ad esempio, le soglie per diagnosticare determinati eventi cardiaci possono variare molto. Questo può fare una grande differenza nel modo in cui vediamo i risultati dei test.
Importanza di una diagnosi accurata nella pratica clinica
Ottenere la diagnosi corretta è fondamentale per la qualità delle cure e delle decisioni terapeutiche. Garantisce la scelta corretta dei trattamenti ed evita di fare troppo. Purtroppo, molti studi in questo settore hanno avuto problemi. Ciò dimostra che dobbiamo stare molto attenti quando osserviamo quanto siano accurati i test nei casi di vita reale.
La ricerca ha scoperto che quando ogni fase degli studi è ben eseguita, i risultati sono più chiari.
Conoscere l’accuratezza diagnostica, la sensibilità, la specificità e il funzionamento delle soglie aiuta gli operatori sanitari. Aiuta a comprendere i risultati dei test. Questa conoscenza è fondamentale per prendere le decisioni migliori per i pazienti.
Effetti di soglia: definizione e significato
Gli effetti soglia sono molto importanti per determinare quanto sia accurato un test diagnostico. Si manifestano quando la sensibilità e la specificità cambiano da studio a studio. Ciò accade perché studi diversi utilizzano vari valori limite per decidere se il risultato di un test è positivo. Conoscere gli effetti soglia ci aiuta a capire quanto bene funziona un test e ad affrontare i diversi risultati che otteniamo dagli studi.
Nei test medici, il punto in cui il risultato del test viene considerato positivo può essere chiaro o non chiaro. I punti chiari si basano su valori impostati dai test di laboratorio. Possono verificarsi punti non chiari quando i medici leggono i test di imaging in modo diverso. Questi diversi modi possono davvero cambiare la precisione di un test.
Sensibilità e specificità spesso si muovono in direzioni opposte a causa degli effetti soglia. Se aumentiamo il punto in cui un test viene considerato positivo, la sensibilità diminuisce ma la specificità aumenta. È fondamentale tenerlo presente quando si controlla il rendimento di un test in diversi studi.
- Soglie più elevate: sensibilità inferiore, specificità più elevata
- Soglie inferiori: sensibilità maggiore, specificità inferiore
Gli effetti soglia spiegano perché i risultati delle meta-analisi dei test diagnostici possono differire così tanto. Osservando questi effetti, i ricercatori possono combinare e dare un senso ai dati di diversi studi. Ciò porta a una migliore comprensione del rendimento complessivo di un test.
Conoscere gli effetti soglia è fondamentale per i medici e gli altri operatori sanitari. Aiuta a fare scelte più intelligenti quando si utilizzano o si leggono test diagnostici. E alla fine, può fare una grande differenza nel modo in cui vengono trattati i pazienti.
La relazione tra sensibilità e specificità
Sensibilità e specificità sono fondamentali nei test medici. La sensibilità individua i veri positivi; la specificità individua i veri negativi. Ci aiutano a comprendere i compromessi nelle prestazioni dei test.
Il concetto di compromesso nelle prestazioni dei test
È importante bilanciare sensibilità e specificità. Quando uno sale, l'altro potrebbe scendere. Questi cambiamenti possono influenzare la precisione del test. Ad esempio, un esame della vista altamente sensibile potrebbe rilevare più casi ma potrebbe anche mostrare falsi positivi.
| Misura | Definizione | Impact |
|---|---|---|
| Sensibilità | Tasso vero positivo | Meno casi persi |
| Specificità | Tasso vero negativo | Meno falsi allarmi |
| PPV | Valore predittivo positivo | Precisione dei risultati positivi |
| NPV | Valore predittivo negativo | Precisione dei risultati negativi |
Visualizzazione della relazione: curve ROC
Le curve ROC sono un modo per visualizzare la relazione tra sensibilità e specificità. Mostrano i tassi di veri positivi e falsi positivi in diversi punti. Le curve ROC aiutano a scegliere i migliori valori di soglia per la diagnosi.
Le prestazioni dei test variano in situazioni reali. Negli studi sulla chirurgia orale, la sensibilità si è attestata tra il 75% e il 100%, mentre la specificità tra il 72% e il 100%. Ciò dimostra la necessità di considerare gli aspetti specifici di ciascun test nei diversi contesti medici.
Variabilità nelle prestazioni dei test tra gli studi
Le prestazioni nei test diagnostici possono variare notevolmente. Diversi gruppi di studio e diverse metodologie di test giocano un ruolo importante. È fondamentale comprendere queste differenze per interpretare correttamente i risultati e trarre le giuste conclusioni.
Analizzando il modo in cui i ricercatori gestiscono queste variazioni, ecco cosa è stato scoperto:
- Il 91% delle meta-analisi ha utilizzato rappresentazioni visive come appezzamenti forestali o Curve ROC
- Il 75% includeva misure statistiche per variabilità
- Il 53% ha applicato il test Q di Cochran per valutare variabilità oltre il caso
- Variabilità quantificata del 58% utilizzando I2
- Il 13% ha presentato stime della varianza tra studi da modelli a effetti casuali
Questi risultati mostrano l’importanza di affrontare la variabilità negli studi diagnostici. I ricercatori utilizzano diversi strumenti statistici per gestire questa variabilità. Ciò rende le loro meta-analisi più affidabili e utili.
| Misura | Percentuale di meta-analisi |
|---|---|
| Rappresentazione visiva | 91% |
| Misure statistiche | 75% |
| Test Q di Cochran | 53% |
| Quantificazione I2 | 58% |
| Stime della varianza tra studi | 13% |
Comprendere e gestire la variabilità delle prestazioni dei test è fondamentale. È cruciale per rendere più affidabili le meta-analisi della ricerca medica. Superando queste difficoltà, i risultati acquisiscono maggiore validità per l'uso clinico.
Sfide nella meta-analisi dell'accuratezza dei test diagnostici
La meta-analisi si trova ad affrontare ostacoli specifici per i ricercatori. Tali ostacoli derivano dalla natura complessa dei dati diagnostici e dei relativi metodi di analisi.
Eterogeneità nei risultati dello studio
La gestione delle differenze tra gli studi rappresenta un problema rilevante nella meta-analisi . Diversi fattori, come i gruppi di pazienti e i metodi di test, ne sono la causa. Ciò rende difficile trarre conclusioni universali sulla qualità di un test.
Sensibilità e specificità correlate
Sensibilità e specificità spesso si muovono insieme nell'analisi. Se uno sale, l’altro potrebbe scendere. Ciò rende difficile l’utilizzo dei metodi di analisi tradizionali.
La natura multivariata del problema
La meta-analisi deve gestire simultaneamente molteplici risultati. Sensibilità e specificità sono due risultati che devono essere considerati insieme. Per questo motivo, sono necessari metodi statistici specifici.
I ricercatori stanno utilizzando nuovi metodi statistici per affrontare questi problemi. Strumenti come i modelli bivariati e le curve HSROC si rivelano utili. Essi affrontano efficacemente i problemi relativi ai risultati correlati e studiano le differenze.
| La sfida | Impact | Soluzione |
|---|---|---|
| Eterogeneità | Risultati incoerenti tra gli studi | Utilizzo di modelli ad effetti casuali |
| Risultati correlati | Stime distorte se ignorate | Metodi di analisi bivariata |
| Natura multivariata | Struttura dati complessa | Approcci statistici specializzati |
Superando questi ostacoli, gli esperti possono realizzare meta-analisi migliori. Ciò significa informazioni più affidabili per le scelte mediche. In definitiva, migliora la cura dei pazienti.
Accuratezza diagnostica e come tenerne conto nell'analisi
Per studiare bene l'accuratezza diagnostica, sono necessarie alcune statistiche. Questi aiutano a capire quanto bene un test identifica una condizione. Aiutano anche a combinare i risultati di molti test per trarre conclusioni più forti su come funziona un test. Esaminano i risultati del test in varie situazioni.
Quando si esamina l'accuratezza diagnostica, si distinguono due metodi: punti di riepilogo e linee di riepilogo. I punti di riepilogo sono migliori quando studi diversi mostrano tutti la stessa accuratezza del test. Le linee di riepilogo si adattano meglio quando queste ricerche non concordano sui risultati del test.
Oggi, le statistiche avanzate come i modelli multivariati sono fondamentali. Includono strumenti come il modello bivariato e il modello HSROC. Questi strumenti parlano di come gli studi potrebbero essere collegati nei loro risultati. Questo ci avvicina all’effettiva esecuzione di un test.
Studi recenti mostrano perché questi metodi sono cruciali. Un'analisi sulla risonanza magnetica per scoprire eventuali rotture del silicone ha rilevato alcuni problemi di progettazione che possono compromettere i risultati. Un’altra ricerca sull’apprendimento profondo per individuare i noduli polmonari ha mostrato quanto siano importanti questi strumenti analitici quando proviamo nuove tecnologie diagnostiche.
| Metodo di analisi | Ideale per | Caratteristica fondamentale |
|---|---|---|
| Punti di sintesi | Sensibilità/specificità simile | Stima puntuale |
| Righe riassuntive | Sensibilità/specificità variabile | Gamma di stime |
| Modello bivariato | Dati correlati | Tiene conto della variazione tra gli studi |
Approcci statistici alla sintesi dei dati sulle prestazioni dei test
I ricercatori utilizzano diversi modi per combinare i dati sulle prestazioni dei test. In questo modo, possono ottenere un quadro completo del funzionamento di un test. Questo è importante per capire se il test è accurato oppure no.
Metodo del punto di riepilogo
Questo metodo fornisce una serie di valori di sensibilità e specificità. È positivo quando i numeri di diversi studi sono abbastanza simili. Con una rapida occhiata puoi vedere quanto è probabile che il test vada bene.
Metodo della riga di riepilogo
Quando numeri come sensibilità e specificità sono molto diversi, c'è un altro modo. La curva SROC di Moses-Littenberg aiuta in questo caso. Ti consente di vedere quanto bene il test bilancia sia la sensibilità che la specificità, permettendoti di fare confronti migliori.
Modelli a effetti casuali bivariati
Se parliamo di meta-analisi negli studi sull'accuratezza diagnostica, alcuni modelli sono migliori. Il Reitsma et al. il modello è uno. È positivo perché comprende come sensibilità e specificità si relazionano tra loro, rendendo i risultati più significativi.
| Metodo | Miglior caso d'uso | Caratteristica fondamentale |
|---|---|---|
| Punto riassuntivo | Bassa variabilità tra gli studi | Unica coppia di sensibilità e specificità |
| Linea di riepilogo | Elevata variabilità tra gli studi | Visualizza il compromesso tra sensibilità e specificità |
| Effetti casuali bivariati | La maggior parte degli studi sull’accuratezza diagnostica | Tiene conto della correlazione tra sensibilità e specificità |
Scegliere il metodo statistico corretto è fondamentale per ottenere dati di test affidabili. Ogni modo ha i suoi vantaggi. Scegli quello che si adatta meglio alle informazioni che hai e a ciò che vuoi scoprire.
Scelta tra approcci per punti di riepilogo e approcci per linee di riepilogo
In una meta-analisi sull'accuratezza diagnostica, una scelta fondamentale riguarda l'utilizzo del metodo del punto riassuntivo e del metodo della linea riassuntiva . Questa decisione influisce notevolmente sull'esito dello studio. Nei casi in cui le prestazioni del test sono costanti, il metodo del punto riassuntivo risulta efficace.
Tuttavia, se le prestazioni del test variano notevolmente, è preferibile il metodo della linea di riepilogo . Esso mostra l'equilibrio tra sensibilità e specificità. Dati recenti rivelano che gran parte delle revisioni del database Cochrane si concentra su questo tipo di analisi. Ciò sottolinea l'importanza di compiere scelte consapevoli.
Quando prendi la tua decisione, pensa al contesto del tuo studio. Ad esempio, se stai cercando di ridurre l'uso delle radiografie del ginocchio e di tagliare la spesa sanitaria, la riga di riepilogo potrebbe essere più adatta. Aiuta ad affrontare la variabilità dei test in diversi contesti sanitari. Tieni presente che l'utilizzo di entrambi i metodi quando appropriato può portare all'analisi più approfondita.
FAQ
Cosa sono la sensibilità e la specificità dei test diagnostici?
La sensibilità e la specificità mostrano quanto bene i test possano individuare se qualcuno ha una condizione. La sensibilità consiste nel catturare le persone con la condizione giusta (vero positivo). La specificità consiste nel non confondere le persone senza la condizione per averla (vero negativo).
Perché le soglie sono importanti nell’interpretazione del test?
Il modo in cui impostiamo le soglie influisce sulla qualità di un test nel trovare veri positivi e veri negativi. Cambiare il punto in cui impostiamo la soglia in un test può migliorare o peggiorare la capacità di rilevare determinate condizioni.
Quali sono gli effetti soglia negli studi di accuratezza diagnostica?
Gli effetti di soglia si verificano quando la modifica del punto di interruzione del test influisce sulla capacità di individuare o escludere le condizioni. Ciò spiega perché i risultati degli studi possono differire e perché le revisioni dell’accuratezza diagnostica devono essere attente.
Come sono correlate sensibilità e specificità?
Sensibilità e specificità spesso cambiano insieme, fenomeno noto come “effetto soglia”. Se migliori un test nel trovare i veri positivi, potrebbe peggiorare nel trovare i veri negativi e viceversa. Questa relazione è mostrata dalle curve ROC.
Perché la variabilità nelle prestazioni dei test rappresenta una sfida nelle meta-analisi?
I test possono funzionare in modo diverso in vari studi a causa di molti fattori. Questi includono chi viene sottoposto al test, lo standard con cui viene confrontato, il test stesso, come viene condotto lo studio e il livello di risultato positivo. Comprendere e spiegare queste differenze è fondamentale quando si combinano i risultati dello studio.
Quali sono le sfide uniche nella meta-analisi dell’accuratezza dei test diagnostici?
Le meta-analisi affrontano problemi come risultati contrastanti, sensibilità e specificità intrecciate e molte parti mutevoli. La risoluzione di questi problemi richiede statistiche speciali per combinare correttamente i dati sull'accuratezza del test.
Come si possono tenere in considerazione gli effetti soglia nell’analisi dell’accuratezza diagnostica?
I modelli bivariati o HSROC aiutano osservando come le soglie modificano la sensibilità e la specificità. Sono buoni quando queste due misure lavorano insieme. Per studi con risultati simili, è una buona idea utilizzare i punti di riepilogo. Per altri, come quelli con risultati diversi, l'utilizzo di righe di riepilogo può essere migliore.
Quali sono alcuni approcci statistici per sintetizzare i dati sulle prestazioni dei test?
Per combinare i risultati dei test, possiamo utilizzare il metodo del punto di riepilogo per studi simili o il metodo della linea di riepilogo se gli studi sono più vari. Un'altra opzione è il modello bivariato per comprendere bene la relazione tra sensibilità e specificità.
Come si sceglie tra l'approccio del punto di riepilogo e quello della linea di riepilogo?
Scegli tra punti e linee di riepilogo in base a quanto simili sono i risultati di sensibilità e specificità degli studi. Se i risultati sono vicini, i punti di riepilogo funzionano bene. Se differiscono molto, sono migliori le linee riassuntive. La scelta dovrebbe pensare anche a cosa serve la meta-analisi.
Collegamenti di origine
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10140638/ – Come valutare e interpretare criticamente le revisioni sistematiche e le meta-analisi dell'accuratezza diagnostica: una guida per l'utente
- https://www.ncbi.nlm.nih.gov/books/NBK578679/ – Revisione sistematica e meta-analisi sull’accuratezza diagnostica – TC dinamica con mezzo di contrasto rispetto alla TC con tomografia a emissione di positroni per caratterizzare i noduli polmonari solitari: lo studio SPUtNIk sull’accuratezza diagnostica e la modellizzazione economica
- https://www.e-epih.org/journal/view.php?doi=10.4178/epih.e2022083 – Meta-analisi di studi sull’accuratezza dei test diagnostici con soglie multiple per l’integrazione dei dati
- https://www.cmaj.ca/content/174/4/469 – Evidenza di bias e variazioni negli studi sull’accuratezza diagnostica
- https://bmjopen.bmj.com/content/6/11/e012799 – Linee guida STARD 2015 per la rendicontazione degli studi di accuratezza diagnostica: spiegazione ed elaborazione
- https://www.ncbi.nlm.nih.gov/books/NBK557491/ – Accuratezza dei test diagnostici: sensibilità, specificità, valori predittivi e rapporti di verosimiglianza – StatPearls
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4975285/ – Misure di accuratezza diagnostica: definizioni di base
- https://effectivehealthcare.ahrq.gov/products/methods-guidance-tests-metaanalysis/methods – Capitolo 8: Meta-analisi delle prestazioni dei test quando esiste un “gold standard”
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6856843/ – Quantificare come l’accuratezza del test diagnostico dipenda dalla soglia in una meta-analisi
- https://www.sciencedirect.com/topics/medicine-and-dentistry/sensitivity-and-specificity – Sensibilità e specificità – una panoramica
- https://www.health.ny.gov/diseases/chronic/discreen.htm – Screening delle malattie – Strumenti didattici della statistica
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4714528/ – Valutare la variabilità dei risultati nelle revisioni sistematiche degli studi diagnostici
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1373751/ – Evidenza di bias e variazioni negli studi sull’accuratezza diagnostica
- https://mentalhealth.bmj.com/content/18/4/103 – Meta-analisi degli studi sull’accuratezza diagnostica nella salute mentale
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4644738/ – Revisione sistematica e meta-analisi degli studi che valutano l'accuratezza dei test diagnostici: una revisione pratica per i ricercatori clinici-Parte I. Guida generale e suggerimenti
- https://www.nature.com/articles/bjc2013185 – Una guida passo passo alla revisione sistematica e alla meta-analisi delle valutazioni dell’accuratezza dei test diagnostici e prognostici – British Journal of Cancer
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10425262/ – Meta-analisi degli studi di valutazione dell’accuratezza dei test diagnostici con un numero variabile di soglie
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8440098/ – Studi sull’accuratezza diagnostica in radiologia: come riconoscere e affrontare potenziali fonti di bias
- https://nursing.lsuhsc.edu/JBI/docs/JBIBooks/Diagnostic Accuracy.pdf – LWBK991-Book6-FM.tex
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8246725/ – Reporting dei confronti tra test negli studi sull’accuratezza diagnostica: una revisione della letteratura
- https://www.goodreports.org/reporting-checklists/stard/info/ – Linee guida EQUATOR
- https://methods.cochrane.org/sites/methods.cochrane.org.sdt/files/uploads/Chapter 10 – Version 1.0.pdf – Microsoft Word – Capitolo 10 – 9 dicembre 2010 _2_ JD_22 dicembre
- https://pubs.rsna.org/doi/full/10.1148/radiol.221437 – Come valutare e interpretare criticamente revisioni sistematiche e meta-analisi dell'accuratezza diagnostica: una guida per l'utente | Radiologia