Latent Class Log‐Linear Models for Estimating Diagnostic Test Accuracy Without a Gold Standard: A Simulation Study
Latente Klassen-Log-Linear-Modelle zur Schätzung der diagnostischen Testgüte ohne Goldstandard: Simulationsstudie
Statistics in Medicine · 2026-07 · 45 (15-17)
DOI: 10.1002/sim.70660 ↗Auf einen Blick
In Simulationen zeigten latente Klassen-Log-Linear-Modelle bei bekannter Abhängigkeitsstruktur eine robuste Schätzung von Sensitivität, Spezifität und Prävalenz. Gegenüber Modellen mit bedingter Unabhängigkeit waren die Ergebnisse meist besser.
Fragestellung
Wie gut schätzen bayesische Zwei-Klassen-Log-Linear-Modelle Sensitivität, Spezifität und Prävalenz ohne Goldstandard unter unterschiedlichen Abhängigkeitsstrukturen?
Methode
Simulationsstudie mit Daten aus latenten Trait-, Fixed-Effect- und Log-Linear-Modellen; Vergleich von Modellen mit bedingter Unabhängigkeit, mit korrekten Paarinteraktionen und mit Shrinkage-Priors.
Ergebnisse
Log-Linear-Modelle mit korrekten Paarabhängigkeiten zeigten eine vielversprechende, aber variable Leistung. Shrinkage-Priors waren bei Abhängigkeiten innerhalb einer Krankheitsklasse brauchbar, konvergierten aber bei komplexen Strukturen schlecht.
Einschränkungen
Die Leistung war teils variabel, vermutlich wegen unzureichender Stichprobengrößen; bei komplexen Abhängigkeitsstrukturen traten Konvergenzprobleme auf.
Schlussfolgerung der Autor:innen
Latente Klassen-Log-Linear-Modelle sind eine relativ robuste Alternative zur Schätzung der Testgüte, wenn die bedingte Abhängigkeitsstruktur bekannt ist. Shrinkage-Priors sind bei Abhängigkeiten in nur einem Krankheitszustand vielversprechend.
Kernaussagen
- Bekannte Abhängigkeitsstruktur: relativ robuste Schätzung von Testgüte
- Gegenüber bedingter Unabhängigkeit meist deutliche Verbesserungen
- Shrinkage-Priors: brauchbar bei einfacher, problematisch bei komplexer Abhängigkeit
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Fachartikel in der Zeitschrift Statistics in Medicine, online erschienen am 06.07.2026. Verfasst von Yasin Okkaoglu und 3 weiteren Autor:innen. Beteiligte Einrichtung: Population Health Sciences, Bristol Medical School, University of Bristol, Bristol, UK. Hauptthemen laut MEDLINE: Diagnostic Tests, Routine, Latent Class Analysis. Die Arbeit nennt 55 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: NIHR Health Protection Research Unit in Behavioural Science and Evaluation at University of Bristol, Turkish Ministry of National Education, MRC-NIHR New Investigator Research Grant.
Abstract (Originalsprache)
Background
In the absence of a gold standard, latent class models can be used to estimate test accuracy from a study comparing results on multiple tests. Fixed‐effect and latent trait models are often used to account for conditional dependencies between tests, mitigating against biased accuracy estimates, but are difficult to implement. Latent class log‐linear models are an under‐evaluated alternative.
Objectives
We evaluate the performance of Bayesian two‐class log‐linear models in estimating sensitivity, specificity, and prevalence under a variety of real‐world conditional dependence structures, and the use of shrinkage priors on interaction terms when dependence structures are unknown.
Methods
Data were simulated from (i) latent trait, (ii) fixed‐effect, and (iii) log‐linear models, with dependence structures motivated by four real data sets and three sample sizes. We fitted conditional independence models, log‐linear models incorporating the “correct” pairwise interactions, and log‐linear models incorporating all interactions with shrinkage priors. We report bias, coverage, residual deviance, and DIC.
Results
Log‐linear models incorporating the correct pairwise dependencies exhibited promising but variable performance (likely due to insufficient sample sizes) across data‐generating mechanisms. Improvements over conditional independence models were substantial. Shrinkage priors achieved reasonable performance when dependencies existed within a single disease class but showed poor convergence under complex dependence structures.
Conclusions
Latent class log‐linear models offer a relatively robust alternative for estimating accuracy when the conditional dependence structure is known. When this is not the case, shrinkage priors show promise when dependencies are only within one disease state, but there are challenges related to convergence.
Schlagwörter
MeSH-Schlagwörter (MEDLINE)
Stichwörter der Autor:innen
Autor:innen und Institutionen
- Population Health Sciences, Bristol Medical School, University of Bristol, Bristol, UK.
ORCID-Profile: Yasin Okkaoglu, Hayley E Jones
Förderung
- NIHR Health Protection Research Unit in Behavioural Science and Evaluation at University of Bristol
- Turkish Ministry of National Education
- MRC-NIHR New Investigator Research Grant
Zitieren
APA
Okkaoglu, Y., Welton, N. J., Ades, A. E., & Jones, H. E. (2026). Latent Class Log‐Linear Models for Estimating Diagnostic Test Accuracy Without a Gold Standard: A Simulation Study. Statistics in Medicine, 45(15-17). https://doi.org/10.1002/sim.70660
Vancouver
Okkaoglu Y, Welton NJ, Ades AE, Jones HE. Latent Class Log‐Linear Models for Estimating Diagnostic Test Accuracy Without a Gold Standard: A Simulation Study. Statistics in Medicine. 2026;45(15-17). doi:10.1002/sim.70660
BibTeX
@article{Okkaoglu2026,
author = {Okkaoglu, Yasin and Welton, Nicky J and Ades, A E and Jones, Hayley E},
title = {Latent Class Log‐Linear Models for Estimating Diagnostic Test Accuracy Without a Gold Standard: A Simulation Study},
journal = {Statistics in Medicine},
year = {2026},
volume = {45},
number = {15-17},
doi = {10.1002/sim.70660}
}
EUVIMED