Studi Akurasi Diagnostik Meta-analitik
- Diperkenalkan oleh
- Moses, Shapiro & Littenberg (SROC framework, 1993); Reitsma et al. (bivariate model, 2005)
- Tahun
- 1993–2005 (foundational models)
- Jenis
- Quantitative systematic synthesis
- Keluarga
- Clinical / epidemiology
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Studi akurasi diagnostik meta-analitik secara sistematis mengidentifikasi dan menggabungkan data sensitivitas dan spesifisitas dari berbagai studi akurasi tes diagnostik primer.
Menggunakan model bivariate atau hierarchical summary ROC (HSROC), studi ini menghasilkan ringkasan gabungan kemampuan tes untuk mengklasifikasikan individu yang sakit dan tidak sakit dengan benar di berbagai latar klinis, dengan memperhitungkan trade-off inheren antara sensitivitas dan spesifisitas.
Intuisi di balik metode
Ketika satu studi menanyakan 'seberapa baik tes darah ini mendeteksi kanker?', jawabannya bergantung pada ambang batas yang dipilih, populasi pasien, dan variasi acak. Studi akurasi diagnostik meta-analitik mengumpulkan semua studi primer yang sebanding, mengekstrak tabel kontingensi 2x2 mereka, dan menyesuaikan model statistik yang secara bersamaan mengestimasi sensitivitas dan spesifisitas sambil mengakui bahwa studi pasti bervariasi dalam ambang batas dan populasi. Hasilnya adalah kurva ROC ringkasan dan titik operasi gabungan — memberikan bukti terbaik yang tersedia bagi dokter dan pengembang pedoman tentang nilai diagnostik sebenarnya dari suatu tes.
Sejarah
Penggabungan statistik data akurasi tes diagnostik dimulai dengan sungguh-sungguh dengan metode summary ROC (SROC) Moses, Shapiro, dan Littenberg tahun 1993, yang menyesuaikan garis regresi dalam ruang rasio odds diagnostik. Irwig et al. (1994) dan Lijmer et al. (1999) mendokumentasikan dampak cacat desain studi pada estimasi akurasi. Rutter dan Gatsonis (2001) mengusulkan model SROC hierarkis. Kemajuan penting datang dengan Reitsma et al. (2005), yang model efek acak bivarian menjadi pendekatan standar. Cochrane Collaboration mendirikan kelompok kerja Diagnostic Test Accuracy khusus dan menerbitkan bab buku pegangan pertamanya pada tahun 2010. Pedoman pelaporan PRISMA-DTA diterbitkan pada tahun 2018, lebih lanjut menstandarisasi bidang ini.
Kapan digunakan
Gunakan studi akurasi diagnostik meta-analitik ketika berbagai studi akurasi diagnostik primer dari tes indeks dan kondisi target yang sama ada dan estimasi ringkasan kinerja tes diperlukan untuk pedoman klinis, penilaian teknologi kesehatan, atau rekomendasi praktik berbasis bukti. Metode ini memerlukan akses ke data tabel kontingensi 2x2 (atau informasi yang cukup untuk merekonstruksinya) dari setidaknya tiga hingga lima studi primer; lebih sedikit studi membuat model bivariate tidak stabil. Jangan gunakan pendekatan ini ketika studi primer terlalu heterogen dalam populasi pasien, standar referensi, atau konteks klinis untuk membenarkan penggabungan — sebaliknya, lakukan tinjauan sistematis naratif. Hindari penggabungan univariat sensitivitas dan spesifisitas secara terpisah, karena mengabaikan korelasi kritis yang didorong oleh ambang batas antara kedua ukuran tersebut.
Batasan dan pertimbangan
- Memerlukan setidaknya 5-10 studi primer dengan data 2x2 yang dapat diekstraksi; model bivariate menjadi tidak stabil dengan lebih sedikit studi.
- Hasil hanya sevalid studi primer yang disertakan — risiko bias tinggi pada studi primer (misalnya, desain kasus-kontrol, standar referensi yang tidak sempurna) meningkatkan akurasi yang diestimasi.
- Heterogenitas antar studi yang substansial, sering kali didorong oleh perbedaan dalam spektrum pasien dan ambang batas, sering kali membuat estimasi gabungan tunggal menyesatkan.
- Tidak dapat menyesuaikan kovariat dalam studi; meta-regresi terbatas pada variabel tingkat studi dan rentan terhadap bias ekologis.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Menyediakan tingkat bukti tertinggi untuk akurasi tes diagnostik dengan menggabungkan data dari berbagai studi independen.
- Model bivariate dan HSROC secara akurat memperhitungkan trade-off sensitivitas-spesifisitas yang timbul dari variasi ambang batas di berbagai studi.
- Mengkuantifikasi heterogenitas antar studi dan memungkinkan eksplorasi sumbernya melalui analisis subkelompok dan meta-regresi.
- Menghasilkan wilayah prediksi yang menyampaikan akurasi yang diharapkan di latar klinis baru — lebih berguna untuk praktik daripada hanya wilayah kepercayaan.
- Selaras dengan standar pelaporan yang mapan (PRISMA-DTA) dan metodologi yang diperlukan untuk tinjauan Cochrane DTA.
Penerapan
- Mengevaluasi akurasi tes titik perawatan untuk penyakit menular (misalnya, tes antigen cepat untuk influenza, SARS-CoV-2, atau malaria).
- Menilai modalitas pencitraan (CT, MRI, ultrasonografi) untuk mendeteksi kanker, penyakit vaskular, atau patologi organ.
- Membandingkan ambang batas biomarker untuk mengkonfirmasi atau menyingkirkan kondisi seperti sepsis, infark miokard akut, atau emboli paru.
- Menyediakan bukti untuk rekomendasi pedoman klinis tentang tes mana yang akan digunakan pada tingkat prevalensi atau strata risiko klinis yang berbeda.
- Penilaian teknologi kesehatan yang memerlukan estimasi sensitivitas dan spesifisitas untuk mengisi model analitik keputusan.
- Mengidentifikasi kesenjangan dalam penelitian akurasi diagnostik primer di mana keterbatasan metodologis atau populasi yang hilang membenarkan studi lebih lanjut.
Cara kerjanya
Cara kerjanya
Pencarian literatur komprehensif dilakukan di berbagai basis data (MEDLINE, Embase, dll.) menggunakan strategi terstruktur yang menggabungkan istilah untuk tes indeks, kondisi target, dan desain studi. Studi disaring berdasarkan kriteria kelayakan yang telah ditentukan sebelumnya yang mendefinisikan populasi pasien, standar referensi, dan desain studi yang dapat diterima. QUADAS-2 biasanya diterapkan untuk menilai risiko bias dan penerapan setiap studi yang disertakan.
Dari setiap studi yang memenuhi syarat, peninjau mengekstrak tabel 2x2 (positif benar, positif salah, negatif salah, negatif benar) pada ambang batas yang dilaporkan. Ketika beberapa ambang batas dilaporkan, ambang batas yang paling relevan secara klinis atau ambang batas yang paling dekat dengan target yang telah ditentukan sebelumnya dipilih. Kovariat tingkat studi — seperti desain studi (prospektif vs. retrospektif), spektrum pasien, dan standar referensi — juga dicatat untuk analisis subkelompok atau meta-regresi potensial.
Dari setiap tabel 2x2, sensitivitas (TP/(TP+FN)) dan spesifisitas (TN/(TN+FP)) dihitung beserta interval kepercayaannya. Transformasi logit diterapkan untuk menstabilkan varians sebelum penggabungan. Rasio kemungkinan positif dan negatif serta rasio odds diagnostik juga dapat dihitung sebagai indeks sekunder.
Rumus
\text{Sensitivity} = TP/(TP+FN),\quad \text{Specificity} = TN/(TN+FP)Model efek acak bivariate (Reitsma et al., 2005) secara bersamaan memodelkan logit-sensitivitas dan logit-spesifisitas di berbagai studi, secara eksplisit memperhitungkan korelasinya (yang timbul dari variasi ambang batas). Parameterisasi alternatif — model HSROC (Rutter dan Gatsonis, 2001) — mengestimasi kurva ROC ringkasan secara langsung. Kedua model setara dalam kondisi tertentu; model bivariate lebih disukai ketika tujuannya adalah titik operasi ringkasan.
Estimasi gabungan dari model bivariate ditransformasi balik ke skala sensitivitas/spesifisitas dan diplot sebagai titik ringkasan dengan wilayah kepercayaan 95% dan wilayah prediksi 95% pada ruang ROC. Kurva HSROC ditumpangkan untuk menyampaikan bagaimana akurasi berubah di berbagai ambang batas. Grafik ini adalah alat komunikasi utama bagi pengembang pedoman yang mengevaluasi suatu tes.
Heterogenitas dalam sensitivitas dan spesifisitas dikuantifikasi menggunakan komponen varians dari model bivariate. Sumber heterogenitas dieksplorasi melalui analisis subkelompok yang telah ditentukan sebelumnya (misalnya, berdasarkan desain studi, spektrum pasien, standar referensi) atau meta-regresi pada kovariat tingkat studi. Bias publikasi, meskipun lebih sulit dinilai untuk studi diagnostik daripada intervensi, dapat dieksplorasi melalui plot corong dari rasio odds diagnostik.
Kesalahan umum
- Menggabungkan sensitivitas dan spesifisitas secara terpisah seolah-olah independen — ini mengabaikan korelasi negatif yang disebabkan oleh variasi ambang batas dan menghasilkan estimasi ringkasan yang bias; selalu gunakan model bivariate atau HSROC.
- Memasukkan studi primer berdesain kasus-kontrol tanpa analisis sensitivitas — ini meningkatkan sensitivitas dan spesifisitas dibandingkan dengan desain kohort dan harus dinilai secara terpisah.
- Melaporkan hanya wilayah kepercayaan di sekitar titik ringkasan tanpa wilayah prediksi — wilayah prediksi menunjukkan di mana studi baru kemungkinan akan jatuh dan merupakan ukuran ketidakpastian yang relevan secara klinis.
- Mengabaikan peran standar referensi — standar referensi yang tidak sempurna dapat membiaskan sensitivitas dan spesifisitas ke arah yang tidak sepele; nilai kualitas standar referensi dalam penilaian risiko bias dan diskusikan dampaknya.
- Gagal mendaftarkan protokol secara prospektif — tanpa pra-registrasi, keputusan subkelompok pasca-hoc menciptakan risiko peningkatan temuan positif palsu.
Pertanyaan yang sering diajukan
Apa perbedaan antara model bivariate dan model HSROC?
Kedua model memperhitungkan korelasi antara sensitivitas dan spesifisitas. Model bivariate (Reitsma 2005) memparameterisasi langsung dalam hal logit-sensitivitas dan logit-spesifisitas dan lebih disukai ketika titik operasi ringkasan adalah tujuan utama. Model HSROC (Rutter dan Gatsonis 2001) memparameterisasi dalam hal akurasi dan ambang batas dan secara alami menghasilkan kurva ROC. Di bawah asumsi tidak ada kovariat, kedua model secara matematis setara, sehingga pilihan utamanya adalah penekanan dan ketersediaan perangkat lunak.
Berapa banyak studi yang saya perlukan untuk menyesuaikan model bivariate?
Minimum sekitar 5 studi sering dikutip, tetapi model bivariate memiliki 5 parameter dan dapat tidak stabil dengan kurang dari 10 studi, terutama ketika heterogenitas tinggi. Dengan sangat sedikit studi, pendekatan yang lebih sederhana seperti melaporkan median sensitivitas dan spesifisitas dengan rentang, atau menyesuaikan model univariat untuk setiap ukuran secara terpisah sambil mengakui keterbatasannya, lebih jujur.
Haruskah saya menyertakan studi yang menggunakan desain kasus-kontrol?
Studi akurasi diagnostik berdesain kasus-kontrol — di mana kasus direkrut dari populasi yang sakit terkonfirmasi dan kontrol dari populasi yang bebas penyakit terkonfirmasi — biasanya melebih-lebihkan akurasi karena mereka mengecualikan pasien perantara yang menantang secara diagnostik yang terlihat dalam praktik klinis. QUADAS-2 menandai ini sebagai risiko tinggi bias pemilihan pasien. Praktik terbaik adalah melakukan analisis sensitivitas yang mengecualikan studi semacam itu daripada menggabungkan semua desain tanpa pandang bulu.
Bagaimana cara menangani studi yang melaporkan beberapa ambang batas?
Jika studi melaporkan data pada beberapa ambang batas, Anda dapat memilih satu ambang batas per studi (idealnya telah ditentukan sebelumnya dalam protokol Anda) atau menggunakan ekstensi model bivariate multi-ambang batas yang menggabungkan semua titik ambang batas. Mencampur pendekatan ambang batas tunggal dan multi-ambang batas tanpa aturan yang berprinsip menimbulkan ketidakkonsistenan dan harus dihindari.
Pedoman pelaporan apa yang harus saya ikuti?
Pernyataan PRISMA-DTA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses of Diagnostic Test Accuracy Studies), yang diterbitkan pada tahun 2018 oleh McInnes et al. di JAMA, adalah kerangka kerja pelaporan standar. Ini memperluas daftar periksa PRISMA umum dengan item yang spesifik untuk tinjauan akurasi diagnostik, termasuk deskripsi kondisi target, tes indeks, standar referensi, dan penilaian risiko bias QUADAS-2.
Metode terkait
Sumber
Reitsma, J. B., Glas, A. S., Rutjes, A. W., Scholten, R. J., Bossuyt, P. M., & Zwinderman, A. H. (2005). Bivariate analysis of sensitivity and specificity produces informative summary measures in diagnostic reviews. Journal of Clinical Epidemiology, 58(10), 982–990.
Buka referensi DOIDisalin.Macaskill, P., Gatsonis, C., Deeks, J. J., Harbord, R. M., & Takwoingi, Y. (2010). Analysing and Presenting Results. In J. J. Deeks, P. M. Bossuyt, & C. Gatsonis (Eds.), Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy. The Cochrane Collaboration.
Buka referensi publikasiDisalin.