Meta-análise diagnóstica

Sensibilidade, especificidade, ponto de resumo e razão de chances diagnóstica

Use este módulo quando cada estudo traz uma tabela 2x2 de acurácia: verdadeiros positivos, falsos positivos, falsos negativos e verdadeiros negativos. Siga o fluxo em três passos, mas o passo 2 é bem mais curto e o passo 3 é o mais diferente de todos os módulos.

Passo 1, os dados

Coluna	O que é
study	rótulo do estudo
TP	verdadeiros positivos
FP	falsos positivos
FN	falsos negativos
TN	verdadeiros negativos

No módulo comparativo há uma coluna a mais, test, com o nome do teste, e cada estudo aparece duas vezes, uma linha por teste.

Colunas extras não são usadas neste fluxo. Data check confere as obrigatórias, conta os estudos e aponta células negativas ou em branco.

Por que este módulo é diferente

Em meta-análise diagnóstica o desfecho é bivariado: sensibilidade e especificidade andam juntas e são correlacionadas. Um teste mais sensível costuma ser menos específico, porque o ponto de corte se move. Por isso o modelo é o GLMM binomial bivariado, e não dois modelos separados. É o modelo que o Cochrane Handbook for DTA Reviews v2.0 especifica no capítulo 10.

Isso tem uma consequência prática: não adianta olhar só a sensibilidade agrupada. O resultado principal é o ponto operacional, sensibilidade e especificidade juntas, com seus intervalos de confiança.

Passo 2, os parâmetros

É o passo 2 mais curto do MetaVidence, porque a maior parte das escolhas de um modelo bivariado não é configurável campo a campo.

Módulo de teste único

Outcome name entra nos títulos e nomes de arquivo.

Analysis model (padrão Random-effects) afeta os forest plots de sensibilidade, de especificidade e de razão de chances diagnóstica.

O modelo bivariado ignora este campo

O modelo bivariado é sempre de efeitos aleatórios, por construção. Trocar para Fixed-effect muda os forest plots, mas não o ponto de resumo.

Não há aqui sm, Method, Tau method, intervalo de predição nem nomes de grupo: nenhum desses campos se aplica ao modelo bivariado.

Módulo comparativo

Além de Outcome name, aparecem Test A e Test B, que se preenchem sozinhos com os nomes encontrados na coluna test. Eles definem quem é comparado com quem e a ordem em que os dois aparecem nas figuras.

Passo 3, exportação e resultados

Teste único

Sensitivity forest plot e Specificity forest plot, um para cada, com sensibilidade calculada como TP / (TP + FN) e especificidade como TN / (TN + FP).

Summary point, com os estudos, a sensibilidade e a especificidade agrupadas, uma região de confiança de 95% e uma região de predição de 95%. Não há curva nem AUC: as duas pertencem ao modelo HSROC, que o handbook registra não ser ajustável em R com o lme4. O modelo bivariado estima um ponto, então é um ponto que o gráfico mostra.

Os forest plots mostram estudos, não estimativa agrupada

Os forests não trazem losango agrupado, de propósito. Agrupar sensibilidade e especificidade separadamente ignora a correlação entre elas, que é justamente o que a seção 10.2.3 do handbook desaconselha. Todo número agrupado deste módulo vem do ajuste bivariado, e há só um de cada.

Diagnostic odds ratio, com forest próprio. A DOR resume acurácia num único número, combinando sensibilidade e especificidade. É útil para comparar testes, mas não diz onde está o equilíbrio entre os dois erros, então não substitui o par sensibilidade e especificidade.

Threshold effect, a correlação entre a sensibilidade e a taxa de falso-positivo entre os estudos, com o teste de Deeks para efeitos de estudo pequeno. Correlação positiva sugere que os estudos usaram pontos de corte diferentes, que é o confundidor específico da acurácia diagnóstica.

Aqui não há análise de subgrupo

Para o modelo bivariado, subgrupo e comparação direta entre testes são a mesma coisa: uma covariável. O handbook diz isso com todas as letras, chamando os dois de “group”. Esse modelo vive no fluxo comparativo, então dividir um teste por uma coluna pertence a lá, em vez de existir aqui numa versão mais fraca.

O app avisa quando há menos de 4 estudos: o modelo bivariado estima 5 parâmetros e converge assim mesmo, mas a estimativa fica instável. Convergir não é o mesmo que ser confiável.

Comparativo

Sensitivity by test e Specificity by test, os forest plots divididos por teste.

Comparative summary points, os dois testes no mesmo gráfico, cada um com a sua região de confiança. Os dois vêm de um modelo conjunto, agrupado por estudo, então um desenho pareado mantém o pareamento.

Overall comparison, Sensitivity comparison e Specificity comparison: três testes de razão de verossimilhança, um para a acurácia global e um para cada componente. Ter o global significativo e os dois específicos não significativos é comum e informativo: os testes diferem no equilíbrio entre os dois erros, não em um deles isoladamente.

O comparativo exige estudos pareados

Cada estudo precisa ter avaliado os dois testes na mesma população. Estudos com apenas um dos testes ficam de fora da comparação conjunta. Comparar testes avaliados em populações diferentes é comparar populações, não testes.