Valutazione di metodi computazionali per meta-analisi di dati aggregati per studi sull’accuratezza dei test diagnostici Metodologia della ricerca medica BMC

In questa sezione descriviamo il tradizionale modello di meta-analisi ADMA comunemente utilizzato per le DTA, i tre metodi computazionali utilizzati per stimare i parametri di questo modello e i metodi del nostro studio di simulazione.

Modulo standard

Il modello binomiale normale bivariato (BBN) è un modello bivariato a effetti casuali sviluppato per la prima volta da Zhou e Cole [4]. Il modello BBN presuppone una distribuzione binomiale per modellare la variazione all’interno dello studio e una distribuzione normale bivariata per modellare la variazione tra studi in Se e Sp tra gli studi. Il BBN è generalmente accettato come il modello ADMA preferito dei DTA perché modella la variazione all’interno dello studio utilizzando l’esatta distribuzione binomiale, anziché approssimarla a una distribuzione normale, e non richiede una correzione di continuità personalizzata quando una qualsiasi delle quattro frequenze delle celle nel DTA contenere conteggi pari a zero. Se lo permettiamo \(\textbf{y}_i = [\text {logit}(Se_i), \text {logit}(Sp_i)]’\) Indica la sensibilità e la specificità registrate nel registro dello studio, \(\textbf{b}_i\) Effetti casuali specifici dello studio, \(\farvik {\mu }\) Vettore combinato di sensibilità e specificità e \(\varvec{\sigma }\) Parametrizzando l’eterogeneità tra studi, la funzione di verosimiglianza marginale del modello BBN può essere data come nell’equazione 1. Tuttavia, poiché questa probabilità non ha un’espressione chiusa perché l’integrale non può essere valutato analiticamente in forma chiusa [4]è necessario utilizzare metodi di approssimazione numerica per stimare la probabilità.

Dove \(t=1,…,k\) Indica IO-Lo studio in meta-analisi.

AGHQ [6] È un metodo numerico utilizzato per approssimare le probabilità di log mediante integrazione numerica per ottenere MLE dei parametri del modello. Sebbene la stima diventi più accurata all’aumentare del numero di punti quadrati, spesso porta a difficoltà computazionali legate a effetti casuali ad alta dimensione e problemi di convergenza in cui le varianze sono vicine allo zero o le dimensioni dei gruppi sono piccole [6]. Molto spesso, AGHQ [6] È il metodo di stima predefinito ed è considerato il più accurato. Tuttavia, Los Angeles [6] È un quadrato di Gauss-Hermite del primo ordine [17] E IRLS [7, 8] Mira a trovare in modo iterativo una soluzione ai minimi quadrati ponderati, può essere utilizzato anche per trovare MLE e di solito presenta difficoltà computazionali inferiori e velocità di calcolo più elevate.

Progettazione dello studio di simulazione

Simulazione dei dati

Per confrontare i tre metodi computazionali per ciascuna serie di impostazioni dei parametri del modello, abbiamo simulato i dati in base a ciascuno scenario di simulazione e adattato un modello BBN utilizzando gli algoritmi AGHQ, LA e IRLS. Per arricchire le nostre simulazioni, abbiamo estratto il Cochrane Database of Systematic Reviews e selezionato 64 revisioni contenenti dati di meta-analisi. Il rilevamento di queste revisioni e l’esecuzione della pulizia dei dati ci hanno dato accesso a 393 meta-analisi che coprono un’ampia gamma di test diagnostici medici. Abbiamo adattato un modello BBN a ciascuna delle 393 meta-analisi per ottenere la distribuzione empirica dei parametri del modello. Sulla base di questi risultati, definiamo le nostre reali impostazioni dei parametri come mostrato nella Tabella 1. Seguendo Ju et al. (2020) [9] e Jackson et al. (2018) [18]abbiamo introdotto la varianza nella meta-analisi considerando valori significativi di (se, Sp).

Di conseguenza, abbiamo considerato un totale \(3^4\volte 4 = 324\) Scenari generali nel nostro studio di simulazione. Per ciascun set di parametri, abbiamo condotto il nostro studio di simulazione (1) simulando 1000 dati DTA basati su effetti casuali ordinari seguendo i passaggi descritti da Negeri e Beyene [19](2) adattare un modello BBN a ciascun dato simulato utilizzando i tre metodi computazionali e (3) confrontare i risultati stimati di ciascun metodo numerico con i valori reali in termini di bias assoluto, RMSE, larghezza CI, probabilità di copertura, velocità di convergenza e tempo di calcolo.

L’abbiamo usato R Linguaggio statistico [20] Versione 4.2.2 e RStudio [21] Versione 2023.09.0+463 per tutte le analisi dei dati. L’abbiamo usato Glmir() Funzione di lme4 R sfratto [22] Per applicare IRLS e LA impostando nAGQ rispettivamente su 0 e 1. Abbiamo adattato il modello BBN all’algoritmo AGHQ utilizzando mix_modello() Funzione di GLMAdaptive R sfratto [23] Impostando il numero di punti quadrati utilizzati nell’approssimazione (nAGQ) su 5.

Criteri di valutazione delle prestazioni

Nel nostro studio di simulazione, definiamo il tasso di convergenza del modello BBN come il numero di periodi che convergono sul numero totale di periodi in un’iterazione. Abbiamo conteggiato gli adattamenti con matrici di covarianza semidefinita non positive e gli adattamenti che non soddisfacevano le condizioni di ottimalità come non convergenti. Durante la valutazione del tasso di convergenza, abbiamo scoperto che il messaggio “convergente” nel riepilogo del modello proviene da Barlume() La funzione a volte è inaffidabile. Ad esempio, abbiamo visualizzato un messaggio di avviso come “Fitting bounds (singular): See help (‘isSingular’)” durante l’adattamento di un modello BBN, che indicava un adattamento che non convergeva, ma l’opzione “convergente” presentava erroneamente la convergenza. Pertanto, abbiamo trattato questi singoli adattamenti come non convergenza per calcolare il tasso di convergenza. Abbiamo misurato la velocità di calcolo di ciascun metodo numerico utilizzando RFunzione incorporata ora di sistema(). I restanti parametri, come bias assoluto, RMSE, probabilità di copertura e larghezza dell’IC, sono stati calcolati seguendo Burton et al. (2006) [24] e Morris et al. (2019) [25].