Bias from a missing covariate in the analysis of diagnostic test data in the absence of a gold-standard
Notice bibliographique
Résumé
Covariates that influence the sensitivity and/or specificity of different diagnostic tests can create correlations between these tests, conditional on disease status. Thus, ignoring such covariates in a latent class analysis of imperfect tests would amount to ignoring conditional dependence, potentially leading to biased estimates of the prevalence of the condition under study and the accuracies of the tests. In the case of a dichotomous covariate affecting two imperfect tests, we derive an expression showing that the conditional covariance is a function of the product of the change in test sensitivity (or specificity) within subgroups defined by the covariate. For a uniformly or normally distributed continuous covariate, similar results are obtained numerically. Using series of simulated datasets, we study whether in the absence of covariate, unbiased estimates may be obtained by fitting a latent class model that allows for conditional dependence. We found that bias induced by ignoring the dependence and using a conditional independence model is not large in most cases. In cases where bias is present, a conditional dependence model, which places no constraints on the covariance between the tests, works well in adjusting for all three types of missing covariates. Our methods are applied to diagnostic testing data for the detection of tuberculosis which varies by the covariate HIV status.
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 | 0,106 | 0,298 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».