Valoración de la estabilidad y el rendimiento de modelos bayesianos en meta-análisis de pruebas diagnósticas, basada en estudios de simulación
[ES]En meta-análisis para pruebas de precisión diagnósticas (DTA) se utilizan medidas resumen como la sensibilidad, especi cidad y odds ratio. Sin embargo, estas medidas pueden no ser adecuadas para integrar estudios con baja prevalencia. Los modelos jerárquicos son importantes, ya que modelizan la...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Fecha de publicación: | 2019 |
| País: | España |
| Institución: | Universidad de Salamanca (USAL) |
| Repositorio: | GREDOS. Repositorio Institucional de la Universidad de Salamanca |
| OAI Identifier: | oai:gredos.usal.es:10366/143554 |
| Acceso en línea: | http://hdl.handle.net/10366/143554 |
| Access Level: | acceso abierto |
| Palabra clave: | Tesis y disertaciones académicas Universidad de Salamanca (España) Tesis Doctoral Academic dissertations Análisis multivariante 1209.09 Análisis Multivariante |
| Sumario: | [ES]En meta-análisis para pruebas de precisión diagnósticas (DTA) se utilizan medidas resumen como la sensibilidad, especi cidad y odds ratio. Sin embargo, estas medidas pueden no ser adecuadas para integrar estudios con baja prevalencia. Los modelos jerárquicos son importantes, ya que modelizan la heterogeneidad estadística causada por distintos puntos de corte que existen en cada estudio y que se incluyen en un meta-análisis. Para evaluar el rendimiento de los modelos jerárquicos, se simularon 1200 meta-análisis empleando el paquete R, donde cada meta-análisis generado contiene aleatoriamente entre 5 y 35 estudios, cada estudio contiene aleatoriamente entre 200 hasta 2000 pacientes y prevalencias entre 0 y 0.25 distribuidos uniformemente. Las estimaciones de los parámetros e hiper-parámetros que identi can a los modelos bivariante y HSROC se obtuvieron con el Procedimiento NLMIXED de SAS. Estos resultados algorítmicos son almacenados en base de datos para investigar el rendimiento de cinco modelos jerárquicos (incluido el bivariante), los cuales son particularizaciones del modelo HSROC. La identi cabilidad de los modelos se analiza de acuerdo a los criterios de convergencia de, Akaike (AIC), Akaike mejorado (AICC) y bayesiano (BIC). Del 100% (1200) de meta-análisis simulados el 90% se ajustaron a un modelo bivariante y 70% a un modelo HSROC. Evidenciando que, la covarianza (logit de sensibilidad y especi cidad) y la precisión diagnóstica (log DOR) se ajustaron a una normal. Este resultado indica que para valores de covarianzas no negativas entre la tasa de verdaderos y falsos positivos es plausible sugerir una medida resumen (sensibilidad y especi cidad) y curva ROC. |
|---|