Dans cet article, nous proposons un modèle de classes latentes (MCL) pour la méta-analyse des études sur la précision des tests diagnostiques qui tient explicitement compte des seuils spécifiques à chaque étude en modélisant un marqueur diagnostique continu sous-jacent. Le modèle s'adapte naturellement à des seuils multiples, à des données éparses et à des extensions à des paramètres sans référence standard ou avec une référence standard imparfaite. Contrairement aux approches standard qui attribuent des effets aléatoires aux probabilités transformées, le MCL évite de confondre la variabilité des seuils avec la corrélation entre les précisions des différentes études. La nouvelle approche permet d'obtenir des courbes de sensibilité, de spécificité, SROC et AUC regroupées et analytiquement exploitables. À l'aide d'ensembles de données simulées et réelles, nous visons à évaluer et à valider une nouvelle approche qui réduit le biais dans les estimations regroupées, fournit des paramètres de précision des tests diagnostiques interprétables à n'importe quel seuil et offre une géométrie SROC plus fiable, en particulier lorsque les seuils varient considérablement entre les études primaires dans une méta-analyse.