在个体参与者数据荟萃分析中调整暴露变量的错误分类
统计方法学
2021-11-03 v1
摘要
在多个数据源的分析中，包括个体参与者数据荟萃分析（IPD-MA），一个常见问题是二元变量的错误分类。即使错误分类完全是随机的，也可能导致模型参数的有偏估计。我们旨在开发统计方法，以便在IPD-MA中实现调整和未调整的暴露-结局关联以及研究间异质性的无偏估计，其中暴露错误分类的程度和性质可能因研究而异。我们提出了贝叶斯方法，允许二元暴露变量的错误分类依赖于研究层面和参与者层面的特征。在使用两个变量进行登革热鉴别诊断的示例中，当某些研究无法获得暴露变量的金标准测量，而仅测量了易受错误分类影响的替代变量时，我们的方法比忽略错误分类或仅基于金标准测量的分析得到了更准确的估计。在模拟研究中，所评估的错误分类模型给出了暴露-结局关联的有效估计，并且比仅使用金标准测量的分析更准确。我们提出的框架能够恰当地处理IPD-MA中二元暴露错误分类的存在。它要求一些研究提供替代变量和金标准暴露的个体参与者数据，并且错误分类在给定观测协变量（和结局）的条件下在研究间是可交换的。当拥有金标准测量的大型研究较少且错误分类频繁时，所提出的方法最为有益。
引用
@article{arxiv.2111.01650,
title = {Adjusting for misclassification of an exposure in an individual participant data meta-analysis},
author = {Valentijn M. T. de Jong and Harlan Campbell and Lauren Maxwell and Thomas Jaenisch and Paul Gustafson and Thomas P. A. Debray},
journal= {arXiv preprint arXiv:2111.01650},
year = {2021}
}