Modelagem da dependência entre testes para diagnóstico clínico usando funções cópula / Modelling the dependence between diagnostic tests using copula functions

AUTOR(ES)
DATA DE PUBLICAÇÃO

2011

RESUMO

A maioria dos estudos sobre estimação da prevalência e parâmetros de desempenho de testes para diagnóstico clínico não tem considerado que muitos dos métodos de diagnóstico incluem a medição de traços biológicos cuja resposta é expressa em escala contínua e que, devido ao fato de serem medidos no mesmo indivíduo, esses traços necessariamente apresentam algum tipo de dependência que pode ou não ser explicada como um fenômeno de comportamento linear ou de concordância. Além disso, a análise de dados realizada nesses estudos parte do pressuposto de que a estrutura dos testes é binária sem considerar o fato de que as observações assumem essa apresentação depois de serem dicotomizadas usando um ponto de corte estabelecido a partir de critérios clínicos. Nesta tese, apresenta-se uma proposta de abordagem Bayesiana ao problema da estimação da prevalência, da sensibilidade e da especificidade dos testes dentro de planejamentos que incluem a aplicação de dois ou três testes diagnósticos de triagem, os quais são produto da medição de igual número de traços biológicos expressos em escala contínua com ponto de corte para dicotimização e um padrão-ouro para verificação. Embora o objetivo principal do modelo estatístico proposto seja estudar o efeito da dependência entre resultados dos testes de triagem sobre as estimativas da prevalência e os parâmetros de desempenho, também se consideram alternativas para contornar outras dificuldades comuns neste tipo de estudos, como a falta de identificabilidade e o viés devido à não verificação com padrão-ouro de indivíduos com resultado negativo em ambos os testes de triagem (viés de verificação). A proposta considera o uso de três funções cópula para modelar a dependência e a avaliação de três níveis da mesma. Dado o enfoque Bayesiano do estudo, foi necessário desenvolver um procedimento para elicitar distribuições a priori em situações de total ausência de informação sobre o parâmetro de interesse, o que acontece com as cópulas, funções bastante desconhecidas na pesquisa médica. Os resultados obtidos com o modelo proposto foram comparados com aqueles obtidos utilizando a covariância como parâmetro de dependência e o pressuposto de independência. O modelo apresenta uma reparametrização que, a diferença da maioria dos métodos apresentados na literatura sobre o tema, permite obter diretamente as estimativas de interesse sem a necessidade de complexos procedimentos analíticos e computacionais. A presença de dependência tem pouco efeito sobre a estimativa da prevalência e afeta as estimativas dos parâmetros de desempenho, o efeito é mais forte quando o planejamento apresenta viés de verificação. Dependências fracas subestimam as sensibilidades e os outros parâmetros não apresentam viés, enquanto que dependências fortes superestimam todos os parâmetros. Nos casos em que os traços biológicos medidos não apresentam fortes modificações devido à presença da enfermidade (ou infecção) no indivíduo, as estimativas podem chegar a tomar valores 50% maiores que o valor real, o que pode implicar importantes erros na tomada de decisões relacionadas à forma de tratar a doença

ASSUNTO(S)

inferência bayesiana funções cópula diagnóstico clínico métodos de simulação estimativa de parâmetro bayesian inference copula functions clinical diagnosis parameter estimation simulation methods

ACESSO AO ARTIGO

Documentos Relacionados