gms | German Medical Science

Einleitung und Fragestellung: Bei einer Meta-Analyse diagnostischer Studien ist oft die Beziehung zwischen Sensitivität und Spezifität, etwa im Zusammenhang mit ROC-Kurven, von Interesse. Hier vergleichen wir verschiedene Methoden zur Erstellung einer ROC-Kurve für patientenbasierte Meta-Analysen diagnostischer Studien. Als Beispiel dient eine aktuelle Meta-Analyse von 8 Studien. In diesen Studien wird untersucht, wie gut mit der ARFI-Bildgebung, einer neuen Elastographie-Methode basierend auf Ultraschall, der Fibrosegrad (F≥2: signifikante Fibrose; F≥3: ernste Fibrose; F=4: Zirrhose) in der Leber diagnostiziert werden kann. Als Referenzmethode dient dabei die Leberbiopsie [1].

Material und Methoden: Anhand des konkreten Beispiels einer patientenbasierten Meta-Analyse werden drei Methoden, eine Gesamt-ROC-Kurve mit dem zugehörigen AUROC-Wert (Fläche unter der ROC-Kurve) zu bestimmen, miteinander verglichen. Die Berechnung erfolgt über R-Programme unter Ausnutzung der Programmpakete meta von G. Schwarzer, ROCR von T. Sing et al., nlme von J. Pinheiro et al. und pROC von X. Robin et al.

Als Random-Effects-Modell (REM) bezeichnen wir die Methode, die Gesamt-ROC-Kurve mit Schätzungen von Sensitivitäten und Spezifitäten zu allen möglichen diagnostischen Schwellenwerten jeweils nach DerSimonian und Laird [2] zu erstellen. Diese können auf der Basis der individuellen Patientendaten in R berechnet werden. Aus der daraus erhaltenen Kurve lässt sich auch die AUROC berechnen.

Dieser AUROC-Wert wird mit der direkten Bestimmung eines DerSimonian und Laird-Schätzers aus den einzelnen AUROC-Werten und Standardfehlern verglichen.

Alternativ kann die Bestimmung einer parametrischen SROC-Kurve nach Littenberg und Moses [3] über ein bivariates Modell erfolgen [4], [5]. Unter Ausnutzung einer asymptotischen bivariaten Normalverteilung für die Logit-Transformationen der Richtig-Positiv-Rate (TPR) und Falsch-Positiv-Rate (FPR) kann dabei die SROC-Kurve aus einer linearen Beziehung zwischen Sensitivität (TPR) und Spezifität (1-FPR) bestimmt werden.

Diese meta-analytischen Ansätze werden mit einer direkten Auswertung eines zusammengesetzten Datensatzes aller Patienten (Pooling) verglichen.

Ergebnisse: Das REM liefert in dieser Meta-Analyse bessere Ergebnisse bezüglich der Gesamt-ROC-Kurve als die anderen beiden Ansätze, wobei die Gesamt-ROC-Kurven aus dem Pooling der Daten für die meisten Fibrosegrade sehr nah an denen des REM liegen. Dementsprechend sind auch die AUROC-Werte beim REM höher als bei den beiden anderen Methoden (für F ≥2: REM: 0.87 [0.83; 0.92]; Pooling: 0.86 [0.82; 0.89]; SROC: 0.84).

Diskussion: Aufgrund der Inkonsistenz der Ergebnisse bleibt der parametrische Ansatz hier unbefriedigend. Interessanterweise ergibt der REM-Ansatz eine leicht bessere Aussage zur diagnostischen Güte der ARFI-Methode für die Vorhersage des Fibrosegrades.