A Bivariate Finite Mixture Random Effects Model for Identifying and Accommodating Outliers in Diagnostic Test Accuracy Meta‐Analyses
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Outlying studies are prevalent in meta-analyses of diagnostic test accuracy studies and may lead to misleading inferences and decision-making unless their negative effect is appropriately dealt with. Statistical methods for detecting and down-weighting the impact of such studies have recently gained the attention of many researchers. However, these methods dichotomize each study in the meta-analysis as outlying or non-outlying and focus on examining the effect of outlying studies on the summary sensitivity and specificity only. We developed and evaluated a robust and flexible random-effects bivariate finite mixture model for meta-analyzing diagnostic test accuracy studies. The proposed model accounts for both the within- and across-study heterogeneity in diagnostic test results, generates the probability that each study in a meta-analysis is outlying instead of dichotomizing the status of the studies, and allows assessing the impact of outlying studies on the pooled sensitivity, pooled specificity, and between-study heterogeneity. Our simulation study and real-life data examples demonstrated that the proposed model was robust to the existence of outlying studies, produced precise point and interval estimates of the pooled sensitivity and specificity, and yielded similar results to the standard models when there were no outliers. Extensive simulations demonstrated relatively better bias and confidence interval width, but comparable root mean squared error and lesser coverage probability of the proposed model. Practitioners can use our proposed model as a stand-alone model to conduct a meta-analysis of diagnostic test accuracy studies or as an alternative sensitivity analysis model when outlying studies are present in a meta-analysis.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,313 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle