用于多重诊断测试网络荟萃分析的 1-截断 C 藤 Copula 混合模型
统计方法学
2026-05-19 v1
摘要
由于多重诊断测试的荟萃分析会影响临床决策和患者健康，人们对能够综合比较多重诊断测试研究证据的统计模型越来越感兴趣。为了在单项研究中比较多种诊断测试的准确性，通常使用三种设计：(i) 多重测试比较设计；(ii) 随机化设计；以及 (iii) 非比较设计。广义线性混合模型（GLMM）是目前推荐的联合荟萃分析这三种设计数据的方法，可实现同步推断。在此背景下，1-截断 C 藤 Copula 混合模型被提出作为一种灵活且强大的替代方案。这些模型通过允许随机效应的任意单变量分布并捕捉尾部依赖性和不对称性，推广了 GLMM 框架。我们通过广泛的模拟研究以及对深静脉血栓形成诊断测试网络荟萃分析案例的深入再分析，展示了我们方法的实用性。研究结果表明，1-截断 C 藤 Copula 混合模型可以提供优于 GLMM 的改进，支持其被采用于多重诊断测试的网络荟萃分析。
关键词
引用
@article{arxiv.2605.18167,
title = {1-truncated C-vine copula mixed models for network meta-analysis of multiple diagnostic tests},
author = {Aristidis K. Nikoloulopoulos},
journal= {arXiv preprint arXiv:2605.18167},
year = {2026}
}