用于诊断准确性元分析的有序回归：一种利用所有阈值数据的灵活方法
统计方法学
2025-12-03 v3
摘要
用于医学诊断准确性评估的标准（网络）元分析方法针对每个测试阈值分别分析数据——这会浪费数据——除非每项研究都报告了所有阈值。先前提出的“多阈值”模型要么未能提供特定阈值的汇总估计，要么假设有序测试（例如问卷）是连续的。我们提出了两种有序回归模型——ordinal-bivariate 和 ordinal-HSROC——对截断点参数使用诱导 Dirichlet 框架，从而实现直观的先验以及固定效应和随机效应截断点。我们进行了一项模拟研究以评估所提出模型的性能，模拟数据基于真实的焦虑筛查数据，涵盖 7、22 和 64 个有序类别，分别有 15%、40% 和 55% 的阈值数据缺失。我们提出的具有固定效应截断点的 ordinal-bivariate 模型倾向于获得最佳的 RMSE 和偏差，包括在数据由最近提出的连续假设模型生成时。例如——即使有 64 个类别——连续模型的性能也比我们的模型差 10%-30%，这与许多类别证明将有序测试视为连续是合理的这一普遍假设相矛盾。此外，标准的分层双变量方法表现出更差的性能，特别是对于缺失率较高的测试。我们在 MetaOrdDTA R 包（https://github.com/CerulloE1996/MetaOrdDTA）中实现了这些模型，该包提供以下功能：Stan 估计、用于模型选择的 K 折交叉验证、元回归、网络元分析扩展，以及包括带有可信/预测区域的 sROC 图在内的可视化工具。总体而言，我们的模拟研究表明，对于有序测试，我们提出的模型可能比先前的方法获得更好的准确性估计，即使有序类别的数量非常多。
引用
@article{arxiv.2505.23393,
title = {Ordinal regression for meta-analysis of test accuracy: a flexible approach for utilising all threshold data},
author = {Enzo Cerullo and Klaus Linde and Haley E. Jones and Efthymia Derezea and Tim Lucas and Nicola J. Cooper and Alex J. Sutton},
journal= {arXiv preprint arXiv:2505.23393},
year = {2025}
}