Meta-análisis de tests diagnósticos para evaluación de enfermedades con baja prevalencia: un estudio comparativo desde HRSOC, MADA y STATA

El crecimiento exponencial de la literatura médica y el uso cada vez más extendido de las tecnologías de la información y la comunicación (TIC), junto con la dispersión de la literatura científica, dificulta al investigador, y sobre todo al profesional sanitario, el acceso a la información relevante. Meta-análisis es una revisión sistemática que incorpora una estrategia estadística para integrar resultados de varios estudios en una sola estimación. El diagnóstico médico es un proceso dinámico en el que se intenta tomar decisiones idóneas en presencia de incertidumbre. Desde un punto de vista funcional, se considera prueba diagnóstica a cualquier procedimiento realizado para confirmar o descartar un diagnóstico o incrementar o disminuir su verosimilitud. La utilidad de una prueba diagnóstica depende fundamentalmente de su validez y de su fiabilidad, pero también de su rendimiento clínico y de su coste. A menudo se emplean procedimientos diagnósticos de los que se desconocen estos parámetros. Para conocer esta información se debe recurrir a los estudios de evaluación de pruebas diagnósticas publicados. Sin embargo, en muchos de estos estudios no siempre encontramos información válida, relevante o aplicable al entorno clínico. La sensibilidad y la especificidad son características intrínsecas de la prueba diagnóstica que informan de su validez antes de conocer el resultado. Una vez conocido el resultado de la prueba, son los valores predictivos los que informan sobre la probabilidad de la enfermedad. Sin embargo, los valores predictivos dependen de la prevalencia de enfermedad en el estudio original y por ello no son directamente aplicables a escenarios con probabilidades pre-prueba distintas. Para conocer la probabilidad de enfermedad (post-prueba) en escenarios con probabilidades pre-prueba distintas debemos usar los cocientes de probabilidades (probabilidad de un determinado resultado de la prueba en presencia de enfermedad dividida por la probabilidad de ese mismo resultado en ausencia de enfermedad) que son índices resumen de la sensibilidad y la especificidad, independientes de la probabilidad pre-prueba en el estudio original. Para poder operar con las razones de verosimilitudes en el cálculo de probabilidades, éstas deben transformarse en ventajas (odds), estos cálculos se simplifican recurriendo a nomogramas (de Fagan). La sensibilidad y la especificidad varían en función del punto de corte que se utilice para separar los valores normales de los anormales. En estos casos, los resultados pueden representarse gráficamente como una curva ROC, que permite conocer las características de la prueba según diferentes puntos de corte y que puede utilizarse para elegir el más adecuado. Un estimador de la relevancia global de una prueba puede ser el área bajo la curva (AUC). Es preciso tener en cuenta que la información de que se dispone sobre la validez de las pruebas diagnósticas proceden de diferentes poblaciones. Por tanto, las estimaciones obtenidas en dichos estudios están sujetas a variabilidad aleatoria y si los estudios han sido diseñados incorrectamente, a sesgos. La variabilidad de las mediciones va a estar influida por múltiples factores que interesa conocer y controlar. Entre ellos, tiene especial importancia distinguir las variaciones intra e inter estudio. En el presente trabajo se analiza el modelo jerárquico HSROC (Hierarchical Summary Receiver Operating Characteristic) propuesto por Rutter y Gatsonis, el cual en lugar de modelizar directamente S (Sensibilidad) y E (Especificidad), ajusta los datos de clasificación de los estudios mediante una regresión logística de efectos aleatorios. Se compara con la propuesta de Reitsma y colaboradores en la que se propone modelizar los resultados de los estudios mediante una regresión Normal Bivariante (NB), donde S y E se incluyen como efectos aleatorios y se añade un parámetro que refleja la eventual correlación entre ellos. Se presentan los pasos a seguir para llevar a cabo un meta-análisis de tests diagnósticos en situaciones de baja prevalencia (Heterogeneidad (Q, I2 ), Sesgo de publicación (Eger´s Index), Hair cross y ROCellipses, parámetros del modelo HSROC y Curva SROC ) y se analiza los programas MIDAS (STATA); MADA (R) y HSROC (R). El enfoque SROC es útil en ausencia de heterogeneidad entre estudios (efectos fijos), donde las medidas más representativas de la validez de la prueba están dadas por: razones de verosimilitud, logit de la sensibilidad y especificidad, Q∗, área bajo la curva; el modelo bivariante (efectos aleatorios) estima la correlación que pueda existir entre la sensibilidad y especificidad intra e inter estudios, generando salidas resúmenes como: gráfico forest-plot sensibilidad y especificidad con diamante, gráficos de evaluación de la capacidad del modelo, sensibilidad, especificidad, razones de verosimilitud y diagnostic odds ratio (DOR) con sus respectivos intervalos de confianza, heterogeneidad estadística (I2 ), curva SROC con sus respectivas regiones de confianza y predicción, área bajo la curva, funnel-plot, nomograma de Fagan. El enfoque HSROC se caracteriza por modelizar las covariaciones de los parámetros de precisión y los puntos de corte mediante simulaciones de cadena de markov y monte carlo (MCMC), teniendo como salidas principales, las configuraciones generales de la simulación, los tipos de distribuciones utilizadas, resumen de las estimaciones de los parámetros intra estudio, curva SROC con sus respectivas regiones de confianza y predicción, las distribuciones muestrales a posteriori de los parámetros del modelo. El objetivo de este trabajo es poner de manifiesto que la forma tradicional de valorar la precisión de las pruebas diagnósticas, a partir de tablas tetracóricas, no tiene sentido en este contexto