Идентификация исследований точности диагностических тестов (DTA) является сложной задачей. Плохая отчетность и непоследовательная индексация затрудняют поиск, а отсутствие проверенных фильтров означает, что чувствительный поиск часто дает десятки тысяч результатов, которые требуют дальнейшей ручной оценки. Машинное обучение (ML) и краудсорсинг показали свою высокую эффективность при выявлении отчетов о рандомизированных испытаниях, а проект скрининга Cochrane Embase точно идентифицирует более 20 000 отчетов с использованием модели.
Можно выделить две стратегии машинного обучения: 1. Моделирование «активного обучения», в котором отрывки, представленные для ручной оценки, расставлены по приоритетам в зависимости от их прогнозируемой вероятности релевантности; 2. Бинарный классификатор, оцененный посредством перекрестной проверки. . Подход активного обучения обеспечивает запоминание 95% при затратах 30% на проверку вручную, увеличиваясь до 100% после проверки 77%. Бинарный классификатор извлекает статьи DTA с точностью до 95% и точностью 40%; 100% отзыв возможен, но с соответствующей точностью 13%.
Обобщение информации многих исследований с использованием метаанализа становится все более важным, в том числе в области диагностических исследований. Особая проблема метаанализа исследований диагностической точности заключается в том, что в целом чувствительность и специфичность являются второстепенными конечными точками. В исследованиях обе конечные точки коррелированы, и эту корреляцию необходимо учитывать при анализе. Стандартный подход для такого метаанализа - это двумерная логистическая модель случайных эффектов. Альтернативный, более гибкий подход - использовать маргинальные бета-биномиальные распределения для истинных положительных и истинно отрицательных значений, связанных распределениями копул.Однако оба подхода могут привести к проблемам конвергенции.
Чувствительность, специфичность и прогностические значения положительного (PPV) и отрицательного (NPV) теста могут существенно отличаться от средних результатов метаанализа из-за неоднородности. . Таким образом, клиницистам необходимо больше рекомендаций: с учетом метаанализа, может ли тест быть полезным в новых популяциях, и если да, то как результаты тестов должны информировать о вероятности существующего заболевания (для диагностического теста) или будущих неблагоприятных исходов (для прогностический тест)?
Включение решения о ведении пациента в исследования диагностической точности улучшает понимание при сравнении роли диагностических тестов. Включение процесса принятия решений по ведению пациентов может быть обременительным с точки зрения времени, затрачиваемого клиническими специалистами и исследователями. Снижение систематической ошибки за счет скрытия результатов тестов и решений по ведению пациентов между сравниваемыми путями тестирования может быть достигнуто только в том случае, если решения по ведению пациентов принимаются за пределами обычных клинических путей.
Добавить комментарий