Contribuciones al meta-análisis de pruebas diagnósticas en enfermedades de baja prevalencia

[ES]La capacidad discriminante de una prueba se expresa comúnmente en términos de sensibilidad y especi cidad, y por lo general, existe una relación de compromiso entre estas dos medidas, ya que un umbral creciente para de nir la positividad de la prueba provoca una disminución de la sensibilidad y un aumento de la especificidad. Los métodos recomendados para el meta-análisis de pruebas diagnósticas, como el modelo bivariante, se centra en la estimación de una sensibilidad y especificidad resumen en un umbral común, mientras que el modelo HSROC se centran en la estimación de una curva resumen a partir de estudios que han utilizado umbrales diferentes. Sin embargo, estos modelos no informan la media general, sino mas bien la media de un estudio central y tienen diferencias en la estimación de la correlación entre la sensibilidad y la especificidad cuando el número de estudios en el meta-análisis es pequeño y/o cuando la varianza entre los estudios es relativamente grande. Para solucionar los problemas antes mencionados se considera el uso de estructuras que pueden ser modeladas usando funciones de cópula como una alternativa al modelado de dependencia. En este trabajo, se presentan los pasos a seguir para llevar a cabo un meta-análisis de pruebas diagnósticas en situaciones de baja prevalencia, mediante un novedoso esquema de decisión que se fundamenta en el análisis y estudio de la modelización jerárquica y cópulas. Con el modelo HSROC se simularon meta-análisis de enfermedades de baja prevalencia con diferentes puntos de corte y, a partir de las medidas simuladas, se construyeron predictores y una variable respuesta, con el n de modelizar un aprendizaje automático que sugiera el mejor modelo estadistica a la hora de resumir los resultados de un meta-análisis de pruebas diagnósticas. El problema de la multicolinealidad fue abordado, para ello se identificó los predictores inflactados, mediante la propuesta de un algoritmo que calcula la matriz de correlación de los predictores e identifica todas las correlaciones por pares que estén por debajo de un umbral. Finalmente, dentro del análisis expuesto, se propone un novedoso diagrama de flujo en conjunto con un algoritmo, que le permita al investigador construir un modelo estadístico con algoritmos de aprendizaje automático, con la finalidad de obtener resultados confiables tanto en la predicción como en clasificación