An empirical comparison of methods to meta-analyze individual patient data of diagnostic accuracy
Bibliographic record
Abstract
ABR ÉG ÉLes méta-analyses sur les données individuelles de patient (IPD) sont de plus en plus communes dans la littérature scientifique.L'utilisation de données individuelles de patient a plusieurs avantages.Dans le contexte d'études sur la précision du diagnostique de test à échelle ordinale ou semi-continue, la sensibilité et la spécificité du test sont habituellement reportées pour un certain seuil et une méta-analyse est conduite via une approche bivariée qui prend en compte la corrélation entre la sensibilité et la spécificité.Avec des IPD, il est possible d'obtenir une paire de sensibilité et spécificité pour tous les seuils possibles.Une façon d'analyser ce genre de données est d'appliquer le modèle bivarié seuil par seuil.Une autre façon d'analyser ces données est de modéliser les résultats pour tous les seuils simultanément.La corrélation entre les différents seuils pour chaque étude est alors prise en compte.Parmi d'autres méthodes, les modèles ordinal multivarié avec effets aléatoires et normal multivarié avec effets aléatoires ont été proposés pour méta-analyser des données sur la précision du diagnostic avec plusieurs seuils.Notre objectif est de comparer ces deux méthodes au modèle bivarié, empiriquement et via une étude de simulation, lorsque des données IPD sont disponibles.Les données IPD CAGE et les données IPD sur le Questionnaire sur la Santé du Patient-9 (PHQ-9) sont utilisées pour mener les comparaisons empiriques.Les comparaisons empiriques ont montré que les deux approches multivariées sont difficiles à appliquer et sujettes à d'occasionnel problèmes de convergence tandis que l'approche bivariée est simple à appliquer, mais exagérément simpliste.Néanmoins, les études de simulation ont montré qu'ignorer la corrélation intra-étude v n'a pas une effet dramatique sur l'inférence du modèle bivarié.Les deux approches multivariées ne convenaient pas aux études de simulation, ce qui met l'accent sur la complexité des modèles.Nous recommandons de méta-analyser les données IPD sur la précision du diagnostique via l'approche bivariée ou le plus complexe modèle ordinal multivarié.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.229 | 0.451 |
| Meta-epidemiology (narrow) | 0.004 | 0.002 |
| Meta-epidemiology (broad) | 0.008 | 0.025 |
| Bibliometrics | 0.007 | 0.008 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.005 | 0.003 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; the direct Gemma label and the distilled Codex classifier agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".