基于精确研究内方差计算方法的诊断试验准确性meta分析

《Research Synthesis Methods》:Diagnostic test accuracy meta-analysis based on an exact within-study variance calculation method

【字体: 大 中 小 】 时间:2026年02月05日 来源:Research Synthesis Methods 8.0

编辑推荐:

  诊断试验准确性(diagnostic test accuracy, DTA)研究的Meta分析通常综合各研究特异性的敏感性($Se$)和特异性($Sp$),以量化所关注待评价试验的准确性。采用$Se$和$Sp$的logit转换的双变量线性混合效应模型(biva

  
诊断试验准确性(diagnostic test accuracy, DTA)研究的Meta分析通常综合各研究特异性的敏感性($Se$)和特异性($Sp$),以量化所关注待评价试验的准确性。采用$Se$和$Sp$的logit转换的双变量线性混合效应模型(bivariate linear mixed effects model with logit transformation, BLMM-Logit)常用于进行统计推断,但由于需要进行Haldane–Anscombe校正以及对研究内方差的近似估计,可能导致误导性结果。基于反正弦平方根(arcsine square root, ASR)和Freeman–Tukey双反正弦(Freeman–Tukey double arcsine, FTDA)转换的替代模型已被提出以解决这些问题;然而,这些模型仍依赖仅适用于大样本的近似方差估计。双变量广义线性混合效应模型(bivariate generalized linear mixed effects model, BGLMM)是另一种选择,但在Meta分析规模较小或原始研究稀疏时面临收敛问题。为克服上述局限,研究人员提出了一种精确的研究内方差计算方法,该方法无需Haldane–Anscombe校正,且适用于任何转换以及任意数量的研究和参与者。研究人员利用真实和模拟的DTA Meta分析,将该方法与现有方法进行了评估。对于大型Meta分析,各方法表现相当。然而,BLMM-Logit在估计研究间方差时表现出显著的负偏倚,并在所有模拟场景中持续低估汇总$Se$和$Sp$。相比之下,所提出的精确方法(Exact-Logit、Exact-ASR和Exact-FTDA)以及BGLMM具有最小偏倚和更优的性能指标,尤其是在原始研究稀疏的Meta分析中。因此,对于包含小型或稀疏研究的DTA Meta分析,应优先采用所提出的精确方法。
诊断试验准确性(diagnostic test accuracy,DTA)研究通过比较待评价试验与金标准的结果,报告敏感性(sensitivity,Se)和特异性(specificity,Sp)等指标。DTA Meta分析旨在综合多项研究的数据,为临床决策提供更可靠的证据。目前常用的统计模型是基于logit转换的双变量线性混合效应模型(bivariate linear mixed effects model with logit transformation,BLMM-Logit),该模型通过近似方法估计研究内方差,并在数据稀疏时需要进行Haldane–Anscombe校正(即向四格表添加0.5)。然而,这些近似在样本量较小或出现零单元格时可能导致偏差。为克服这些问题,有研究者提出了基于反正弦平方根(arcsine square root,ASR)和Freeman–Tukey双反正弦(Freeman–Tukey double arcsine,FTDA)转换的模型,但这些方法仍依赖于大样本近似。双变量广义线性混合效应模型(bivariate generalized linear mixed effects model,BGLMM)使用精确二项分布,但在Meta分析规模较小或原始研究稀疏时容易出现收敛问题。因此,研究人员提出了一种精确的研究内方差计算方法,旨在无需Haldane–Anscombe校正,且适用于任意转换和任意规模的研究。

这项研究发表在《Research Synthesis Methods》上。研究人员首先推导了基于二项分布有限和的精确方差计算公式,并将其应用于logit、ASR和FTDA三种转换,得到Exact-Logit、Exact-ASR和Exact-FTDA方法。随后,通过模拟研究和两个真实数据集(US-Children和MMSE)评估了这些方法与现有方法(BLMM-Logit和BGLMM)的性能。模拟研究考虑了不同样本量、研究数量、真实敏感性和特异性、研究间方差及协方差,共324种场景,以绝对偏倚、均方根误差(root mean squared error,RMSE)、覆盖概率和95%置信区间宽度为评价指标。结果显示,对于大型Meta分析,各方法表现相似;但当Meta分析包含稀疏原始研究(存在零单元格)时,BLMM-Logit显著低估汇总Se和Sp,且研究间方差估计存在较大负偏倚。相比之下,提出的精确方法和BGLMM具有更小的偏倚和更优的性能指标。因此,研究人员建议在包含小样本或稀疏研究的DTA Meta分析中优先采用精确方法。

主要技术方法包括:使用R软件进行数据模拟和统计分析,其中faraway包用于转换,mada包用于绘制森林图,MASS包的mvrnorm函数模拟双变量正态数据,lme4包的glmer函数拟合BGLMM(采用迭代加权最小二乘,IRLS)。真实数据集来源:US-Children数据来自Doria等(超声诊断儿童阑尾炎的23项研究),MMSE数据来自Arevalo-Rodriguez等(简易精神状态检查诊断阿尔茨海默病的8项研究)。参数估计采用最大似然估计,通过数值优化实现。

模拟研究结果:在σ12=1.59、σ22=1.83、σ12=-0.03、每组样本量50和100的设置下,当无稀疏研究时,所有方法的Se和Sp偏倚均较小;当存在稀疏研究时,Exact-Logit在Se上偏倚最小,Exact-Logit和BGLMM在Sp上偏倚最小,而BLMM-Logit的负偏倚最大。RMSE方面,无稀疏时各方法相当,稀疏时Exact-Logit和BGLMM的RMSE最小。覆盖概率方面,稀疏时精确方法和BGLMM达到名义95%,BLMM-Logit较差。95%置信区间宽度方面,稀疏时BLMM-Logit、Exact-Logit和BGLMM较窄,而Exact-ASR和Exact-FTDA较宽。研究间方差估计上,BLMM-Logit在所有场景下显著低估σ12和σ22,而其他方法估计更准确。协方差估计方面,无稀疏时各方法偏倚相当,稀疏时Exact-ASR和Exact-FTDA的偏倚和RMSE最小。

实例分析:US-Children数据包含23项研究,其中部分研究存在零单元格(如FN=0或FP=0)。应用所有方法后,BLMM-Logit估计的汇总Se和Sp比其他方法低约2%和1%,且研究间方差估计也较低,这与模拟结果一致。基于logit转换的方法(BLMM-Logit、Exact-Logit、BGLMM)的95%置信区间较基于反正弦转换的方法更窄。SROC曲线显示,BGLMM和BLMM-Logit的AUC较高,但Exact-Logit因对零单元格研究仍需部分校正而AUC最低。MMSE数据包含8项研究,无零单元格,所有方法估计的汇总Se、Sp、研究间方差和协方差均相似,SROC曲线也几乎重叠,表明无稀疏时各方法表现相当。

讨论与结论:研究人员指出,所提出的精确方法消除了Haldane–Anscombe校正的需要,避免了人为偏倚。在稀疏数据场景下,精确方法和BGLMM比BLMM-Logit更稳健。局限性包括假设单一阈值且未考虑研究间阈值差异,统计推断仍依赖大样本近似。未来可探索适用于小样本的Kenward-Roger方法。结论:当原始研究存在零单元格或样本量较小时,应优先使用提出的精确方法或BGLMM;当无稀疏且样本量较大时,各方法均可用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号