Get access

Empirical likelihood confidence regions for the evaluation of continuous-scale diagnostic tests in the presence of verification bias

Authors

  • Binhuan Wang,

    1. Division of Biostatistics, New York University School of Medicine, New York, NY 10016, USA
    Search for more papers by this author
  • Gengsheng Qin

    Corresponding author
    1. Department of Mathematics and Statistics, Georgia State University, Atlanta, GA 30303, USA
    • Division of Biostatistics, New York University School of Medicine, New York, NY 10016, USA
    Search for more papers by this author

E-mail: gqin@gsu.edu

Abstract

In a continuous-scale diagnostic test, when a cut-off level is given, the performance of the test in distinguishing diseased subjects from non-diseased subjects can be evaluated by its sensitivity and specificity. Joint inferences for sensitivity and specificity as well as cut-off level play an important role in the assessment of the diagnostic accuracy of the test. Most current studies on this topic focus on complete data cases. However, in some studies, only a portion of subjects given their screening test results ultimately have their true disease status verified. In addition, the verification may depend on the test result and the subject's observed characteristics. Directly applying full data methods to verified subjects results in biased estimates, known as verification bias. In this paper, based on a general framework that combines empirical likelihood and general estimation equations with nuisance parameters, we propose various bias-corrected joint empirical likelihood confidence regions for sensitivity and specificity with verification-biased data. Thorough simulation studies are conducted to compare the finite sample performance of the proposed confidence regions in terms of coverage probabilities, and some suggestions are provided accordingly. Finally, an example is provided to illustrate the proposed methods. The Canadian Journal of Statistics 41: 398–420; 2013 © 2013 Statistical Society of Canada

Résumé

Dans le cadre de tests diagnostiques à échelle continue, lorsqu'un seuil est établi, il est possible d’évaluer la performance d'un test visant à départager les sujets malades des sujets sains en examinant sa sensibilité et sa spécificité. L'inférence simultanée pour la sensibilité et la spécificité et l’établissement d'un seuil jouent un rôle important dans l’évaluation de la précision du test diagnostique. La plupart des études récentes sur le sujet supposent des données complètes. Cependant, dans certaines études, le statut réel de la maladie n'est vérifié que pour une partie des sujets, selon les résultats de leur test de dépistage. De plus, la vérification peut dépendre des résultats du test et des caractéristiques observées chez le sujet. L'application de méthodes prévues pour des données complètes à des sujets dont le statut de la maladie a été vérifié cause un biais de vérification. Cet article est fondé sur un cadre général qui combine la vraisemblance empirique et les équations d'estimation générales avec des paramètres de nuisance. Les auteurs proposent des régions de confiance conjointes pour la sensibilité et la spécificité basées sur la vraisemblance empirique et comportant une correction pour le biais de vérification. Ils réalisent des études de simulations approfondies pour comparer la performance des régions de confiance proposées sur des échantillons de taille finie en termes de probabilités de couverture, et formulent quelques suggestions. Enfin, ils illustrent leurs méthodes à l'aide d'un exemple. La revue canadienne de statistique 41: 398–420; 2013 © 2013 Société statistique du Canada

Get access to the full text of this article

Ancillary