Understanding the effects of conditional dependence in research studies involving imperfect diagnostic tests
Notice bibliographique
Résumé
When two imperfect diagnostic tests are carried out on the same subject, their results may be correlated even after conditioning on the true disease status. While past work has focused on the consequences of ignoring conditional dependence, the degree to which conditional dependence can be induced has not been systematically studied. We examine this issue in detail by introducing a hypothetical missing covariate that affects the sensitivities of two imperfect dichotomous tests. We consider four forms for this covariate, normal, uniform, dichotomous and trichotomous. In the case of a dichotomous covariate, we derive an expression showing that the conditional covariance is a function of the product of the changes in test sensitivities (or specificities) between the subgroups defined by the covariate. The maximum possible covariance is induced by a dichotomous covariate with a very strong effect on both tests. Through simulations, we evaluate the extent to which fitting a latent class model ignoring each type of covariate but including a general covariance term can adjust for the correlation induced by the covariate. We compare the results to when the conditional dependence is ignored. We find that the bias because of ignoring conditional dependence is generally small even for moderate covariate effects, and when bias is present, a model including a covariance term works well. We illustrate our methods by analyzing data from a childhood tuberculosis study. Copyright © 2016 John Wiley & Sons, Ltd.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,202 | 0,466 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,009 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».