System of Linear Equations to Derive Unreported Test Accuracy Counts for Meta‐Analysis
Notice bibliographique
Résumé
Meta-analyses assessing test accuracy typically require extracting true positive (TP), false negative (FN), false positive (FP), and true negative (TN) counts from each study, commonly organized in a 2 × 2 table. However, many published test accuracy studies do not report all of these counts, which can limit the ability of a meta-analysis to fully capture the available evidence on the screening or diagnostic accuracy of a given test. Fortunately, test accuracy studies often report sufficient parameters, such as sensitivity and specificity, that enable the estimation of unreported counts. The relationships between these commonly reported parameters and the unreported cell counts may be expressed mathematically and organized into a system of four linear equations. The basic principles of solving such systems using matrix methods are introduced, accompanied by examples illustrating the development and solution of linear systems with unknown TP, FN, TN, and TN counts. Approaches for handling rounding errors of reported test accuracy parameters in publications are also demonstrated. Additionally, methods for obtaining a bound solution are explored in scenarios where the solution for missing test accuracy counts results in a system with three linear equations and four unknowns, leading to non-unique solutions. Simulation studies are conducted to assess the performance of these methods, and practical guidance for their implementation is provided. The Microsoft Excel spreadsheets and SAS and R code for the examples presented in this article are available in the Supporting Information.
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 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 | 0,005 | 0,475 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».