S'abonner

Modèles à classes latentes : la solution miracle en présence d’un test diagnostique de référence imparfait ? - 19/04/19

Doi : 10.1016/j.respe.2019.03.104 
J. Asselineau a, b, , J. Naredo Turrado b, C. Proust-Lima b, c
a CHU de Bordeaux, Pôle de santé publique, Unité de soutien méthodologique à la recherche clinique et épidémiologique, Bordeaux, France 
b CHU de Bordeaux, CIC-EC 1401, Bordeaux, France 
c Inserm, Centre Inserm U1219, Equipe biostatistique, Bordeaux, France 

Auteur correspondant.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.

Connectez-vous pour en bénéficier!

Résumé

Introduction

Dans les études diagnostiques, les modèles à classes latentes (MCL) visent à estimer de façon non biaisée les performances diagnostiques de nouveaux tests binaires lorsque le test de référence est imparfait et que le niveau d’imperfection est inconnu. Cependant, lorsqu’il s’agit d’évaluer les performances diagnostiques de tests dont le seuil de positivité a été antérieurement déterminé en comparaison avec le test de référence imparfait, l’utilisation des MCL permet-elle encore d’obtenir des estimations des performances non biaisées ? L’objectif de ce travail était d’évaluer, à partir d’une étude de simulations utilisant les MCL, le biais sur les performances diagnostiques de tests binaires dont le seuil de positivité a été déterminé en comparaison à un test de référence imparfait.

Méthode

Le biais relatif et le taux de couverture de l’intervalle de confiance à 95 % des sensibilités (Se) et spécificités (Sp) des différents tests ont été évalués selon différents scénarios faisant varier le niveau d’imperfection du test de référence (Se=0,70/0,85 ou Sp=0,90/0,95) et des nouveaux tests (Se de 0,75 à 0,90 et Sp de 0,80 à 0,95), la règle de détermination du seuil de positivité des nouveaux tests (Se ou Sp minimale de 90 %), la prévalence de la condition (entre 10 % et 50 %) et la taille de l’échantillon (500, 1000 et 5000 individus). Les performances diagnostiques ont été estimées par un MCL standard. Pour chaque scénario, 500 échantillons de données ont été simulés.

Résultats

Dans le cas d’un test de référence avec une sensibilité imparfaite et des seuils de positivité déterminés selon une spécificité minimale, la sensibilité des nouveaux tests diagnostiques était sous-estimée (jusqu’à−50 % dans les scénarios étudiés les plus biaisés) tandis que leur spécificité était surestimée (pour atteindre une Sp proche de 100 % dans les scénarios étudiés les plus biaisés). Les biais augmentaient avec l’imperfection du test de référence et la prévalence de la condition. Dans le cas d’un test de référence avec une spécificité imparfaite et des seuils de positivité déterminés selon une sensibilité minimale, la spécificité des nouveaux tests était sous-estimée (jusqu’à−75 % dans les scénarios étudiés les plus biaisés) tandis que leur sensibilité était surestimée (pour atteindre une Se proche de 100 % dans les scénarios étudiés les plus biaisés). Les biais augmentaient avec l’imperfection du test de référence et la diminution de la prévalence de la condition. Dans les deux configurations, la taille de l’échantillon n’avait pas d’influence sur le niveau du biais relatif. Les taux de couverture étaient fortement altérés jusqu’à présenter une valeur nulle. Dans les autres configurations, les estimations de la performance diagnostique des nouveaux tests obtenues par les MCL étaient valides. Hormis dans certaines configurations extrêmes, les performances diagnostiques du test de référence étaient correctement estimées.

Conclusion

Lorsque le seuil de positivité de nouveaux tests diagnostiques a été déterminé en comparaison à un test de référence imparfait, l’utilisation des MCL pour évaluer les performances diagnostiques de ces tests binaires en tenant compte de l’imperfection du test de référence peut mener à des estimations sévèrement biaisées. Des nouvelles stratégies de correction doivent donc être proposées/mises en œuvre au moment de la détermination du seuil de positivité de nouveaux tests diagnostiques ou à défaut au moment de l’évaluation de leurs performances diagnostiques.

Le texte complet de cet article est disponible en PDF.

Mots clés : Modèles à classes latentes, Sensibilité, Spécificité, Seuil diagnostique, Test de référence imparfait


Plan


© 2019  Publié par Elsevier Masson SAS.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 67 - N° S3

P. S136 - mai 2019 Retour au numéro
Article précédent Article précédent
  • Calcul du nombre de sujets nécessaire dans le contexte d’analyse du microbiome
  • R. Coueron, H. Savel, B.P. Hejblum
| Article suivant Article suivant
  • E-monitoring de la qualité de vie des patients atteints de cancer en pratique clinique courante
  • S. Paget-Bailly, G. Mouillet, A. Thierry-Vuillemin, E. Kalbacher, R. Ramanah, A. Anota, C. Borg, V. Westeel

Bienvenue sur EM-consulte, la référence des professionnels de santé.

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.