يك روش جديد براي تصحيح سوگرايي تاييدي در مطالعات بررسي صحت تست‌هاي تشخيصي با استفاده از رويكرد بيزين

A New Method for Correcting Verification Bias in Diagnostic Accuracy Studies Using A Bayesian Approach

>مقدمه و اهداف: يكی از سوگرايی‌هايی كه در مطالعات بررسي صحت آزمون‌هاي تشخيصی رخ می‌دهد، سوگرايي تاييدی می‌باشد. اين سوگرايی زمانی رخ می‌دهد كه تست استاندارد طلايی از افرادی كه تست تشخيصی برای آن‌ها صورت گرفته است، انجام می‌شود. روش كار: بيمارانی كه حداقل دو‌بار متوالی سيكل IVM ICSI را از دست داده بودند در اين مدل وارد شدند. بيماران با روش اولترا سونوگرافي غربالگری شدند و بيمارانی كه پوليپ داشتند برای زهدان برداری توصيه شدند روش رگرسيون لجستيك با پيامد دو گانه مناسب برای مقادير گمشده (منفی واقعی و منفي كاذب) برای تعيين حساسيت و ويژگی انتخاب شد. روش‌های بيزين قبل از اطلاع به وجود پوليپ به كار گرفته شد و منفی‌های واقعی و كاذب در چارچوب بايزی تخمين زده شد. نتايج: جمعا 238 بيمار غربالگری شدند كه 47 نفر آن‌ها داردای پوليپ بودند. به دارندگان پوليپ توصيه شد كه زهدان برداری كنند كه بر 47 نفر اين كار را انجام دادند و 37 نفر آن‌ها از نظر داشتن پوليپ تاييد شدند. هيچيك از 191 بيمار كه پوليپ نداشتند بردار ي نشدند. نتيجه بررسی نشان داد كه 14 مورد منفی كاذب و 177 منفی واقعی بودند، در نتيجه حساسيت و ويژگی به آسانی پس از تخمين موارد يافت نشده محاسبه شد. ميزان حساسی و ويژگی به ترتيب 74% و 94% بود. نتيجه‌گيری: تحليل بيزی به همراه اطلاعات كافی ابزار بسيار قوی در شبيه‌سازی فضای آزمايشی می‌باشد.

Background & Objectives: One of the problems of diagnostic accuracy studies is verification bias. It occurs when standard test performed only for non-representative subsample of study subjects that diagnostic test done for them. In this study we extend a Bayesian method to correct this bias. Methods: Patients that have had at least twice repeated failures in cycles IVF ICSI were included in this model. Patients were screened by using an ultrasonography and those with polyps recommended for hysteroscopy. A logistic regression with binomial outcome fit to predict the missing values (false and true negative), sensitivity and specificity. Bayesian methods was applied with informative prior on polyp prevalence. False and true negatives were estimated in Bayesian framework.Results: A total of 238 patients were screened and 47 had polyps. Those with polyps are strongly recommended to undergo hysteroscopy, 47/47 decided to have a hysteroscopy and 37/47 were confirmed to have polyps. None of the 191 patients with no polyps in ultrasonography had hysteroscopy. The false negative was obtained 14 and true negative 177, so sensitivity and specificity was estimated easily after estimating missing data. Sensitivity and specificity were equal to 74% and 94% respectively.Conclusion: Bayesian analyses with informative prior seem to be powerful tools in simulation experimental