诊断性meta究竟需要哪些图哪些表
1 基线特征表
2 敏感性、特异性、阳性似然比、阴性似然比图
3 ROC曲线图
4 发表偏倚检测图
学习了上面一讲,敏感性、特异性、阳性似然比、阴性似然比图、ROC曲线图大家现在都能画了吧?
重要的事情说三遍!说三遍!说三遍!本系列文章不是教科书,不是教统计的,我不希望大家把注意力放在名词的确切定义上,小编也发了十几篇了,事实证明:不纠结那些复杂的名词也是可行的。
本系列文章重点在于把诊断性meta发表SCI文章所需要的东西分享给大家: 诊断性meta分析,方法难不难,答案是非常非常简单,当时我也是参加了一天的培训班,很多名词的确切的定义,建议翻阅统计学书籍及丁香园,相对于传统的meta分析,诊断性meta分析是一个相对较新的事物,不希望大家把注意力放在名词的确切定义上!!!!
在医学统计里,任何一个诊断指标,都有两个最基本的特征,即敏感性和特异性。所谓敏感性,就是指其在诊断疾病的时候不漏诊(假阴性)的机会有多大(小),所谓特异性就是指该指标在诊断某疾病时,不误诊(假阳性)的机会有多大(小)。单独一个指标,如果提高其诊断的敏感性,必然降低其诊断的特异性。换句话说,减少漏诊必然增加误诊,反之亦然。
概念:LR= [a/(a+c)]÷[b/(b+d)]=Sen/1−Spe
Sen:敏感性;Spe:特异性;a:真阳性;b:假阳性;c:假阴性;d:真阴性 阳性似然比、阴性似然比结合了敏感性、特异性、阳性预测值和阴性预测值的优点,既可以根据患者有无某项报警症状来做预测,同时又不受被检人群中病变发生率的影响,可用于多种临床环境中,因此是一个相对独立的、更具临床意义的诊断性试验效果的评估指标。当阳性似然比>10 或阴性似然比<0.1时,诊断或排除某种疾病的可能性就显著的增加(来源于百度百科;大家记得红色的字体就好,怎么来的,电脑自己会算啊,不用纠结这点)。
下面的图片大家猜得到是什么吗?
这是我路过湖边的一个树洞拍下来的---后来又进行了剪裁
亚组分层分析---分层因素可以按照方法学或生物学特征进行--聚焦到一个局部 举例:
①DWI对肺癌的良性鉴别诊断的meta(图左总的)---左边的图片这是一个树洞有蘑菇有花生壳有叶子------聚焦到非小细胞肺癌 (图右亚组)---把其他的裁掉,重点观察蘑菇(亚组)
②DWI对肺癌的良性鉴别诊断的meta(图左总的)-----中国人的DWI对肺癌的良性鉴别诊断的meta(图右亚组)
发表偏倚是临床医学文献一个广为人知的现象。阳性的研究结果发表的机会更多,发表的速度更快,所发表刊物的影响因子更高。获得发表的研究是获取结论的主要依据,因此,过分强调阳性结果可能造成误导(百度百科)。
在诊断性meta分析中,总之我们要记得进行发表偏倚的检测就是啦,这是一个规定的动作复杂动作怎么做?
今天就先策到这里啦,且听下回分解。
联系客服