考虑不同研究设计的两种诊断试验准确性的联合meta分析框架

两种诊断试验准确性的meta分析通常假设在真实疾病状态条件下试验独立。该假设往往不现实，且其违背会导致对联合使用试验准确性的有偏估计。现有的考虑条件依赖的模型要求所有研究提供“联合分类”数据（所有受试者的两项试验结果及“金标准”），和/或存在计算不稳定性。我们提出一种贝叶斯分层模型，用于两项二值试验准确性的联合meta分析，通过研究特异的对数优势比建模条件依赖。该模型兼容未报告联合分类数据的研究。我们展示了模型如何扩展以兼容不同研究设计的数据，包括无金标准研究与部分核实研究，且不假设不完美参考标准无误。我们通过两项示例meta分析演示该框架。我们的建模框架保留了标准诊断试验准确性meta分析方法的关键特征，同时允许条件依赖。当条件依赖显著时，忽略条件依赖会产生有偏的联合准确性估计。我们的参数化保持了计算稳定性并兼容不同研究设计的数据，无需初始数据插补步骤，也不假设所有研究中参考标准无误。