.png){kind=icon}
返回
Partial verification bias correction using scaled inverse probability resampling for binary diagnostic tests
.png){kind=icon}
PRE
AI
DOI：10.1371/journal.pone.0321440.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
诊断准确性研究对于在新测试的临床应用前进行评估至关重要。这些测试与金标准测试进行比较，并通常计算准确度指标，如灵敏度（Sn）和特异度（Sp）。然而，由于患者验证的选择性，这些研究常常受到部分验证偏倚（PVB）的影响，从而导致准确性估计存在偏倚。在针对二元诊断测试在缺失机制为随机缺失（missing-at-random）假设下纠正PVB的方法中，提出了一种基于自助法（bootstrap）的方法，即逆概率自助法（IPB）。IPB在估计Sn和Sp时表现出较低的偏倚，但其标准误（SE）高于其他PVB纠正方法，并且仅纠正了PVB数据中已验证部分的数据分布。本文介绍了两种新方法以解决这些局限性：缩放逆概率加权重抽样（SIPW）和缩放逆概率加权平衡重抽样（SIPW-B），两者均基于IPB构建。通过模拟和临床数据集，将SIPW和SIPW-B与IPB及其他现有方法（Begg和Greenes方法、逆概率加权估计量和多重插补法）进行比较。对于模拟数据集，生成了疾病患病率（0.4和0.1）、Sn（0.3至0.9）、Sp（0.6和0.9）和样本量（200和1000）的不同组合。还使用了PVB纠正研究中常用的两个临床数据集。通过偏倚和SE对模拟数据的性能进行评估。模拟结果显示，两种新方法均优于IPB，在Sn和Sp估计中产生了更低的偏倚和SE，结果与现有方法相当，并在低患病率情况下表现出良好的性能。在临床数据集中，SIPW和SIPW-B与现有方法一致。新方法还通过允许完整数据恢复而改进了IPB。尽管目前这些方法计算成本较高，但随着计算能力的持续提升，这一局限性预计将变得不那么重要。
Keyword:
MULTIPLE IMPUTATION
ASSESSING ACCURACY
CHAINED EQUATIONS
MISSING DATA
SENSITIVITY
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
引用论文
Multiple imputation using chained equations: Issues and guidance for practice使用链式方程进行多重插补: 问题和实践指导
PREAI
分享收藏Estimation of the Average Kappa Coefficient of a Binary Diagnostic Test in the Presence of Partial Verification.png)
Mathematics
OAAI
MathematicsIF0
OAAI分享收藏分享收藏A survey on imbalanced learning: latest research, applications and future directions不平衡学习: 最新研究、应用与未来方向
OAAI
OAAI分享收藏Assessment of Diagnostic Tests When Disease Verification is Subject to Selection BiasBiometrics
BiometricsIF0
PREAI
分享收藏
查看更多内容