Los modelos implementados en software estadístico para el análisis de precisión de pruebas diagnósticas incluyen modelado de efectos aleatorios (modelo bivariado) y regresión jerárquica (característica operativa del receptor resumen jerárquico). Sin embargo, estos modelos no proporcionan una media general, sino que calculan la media de un estudio central cuando el efecto aleatorio es igual a cero; por lo tanto, es difícil calcular la covarianza entre sensibilidad y especificidad cuando el número de estudios en el metaanálisis es pequeño. Además, la estimación de la correlación entre especificidad y sensibilidad se ve afectada por el número de estudios incluidos en el metaanálisis, o la variabilidad entre los estudios analizados. Para modelar la relación de los resultados de pruebas diagnósticas, se asume una matriz de covarianza binaria. Aquí utilizamos cópulas como una alternativa para capturar la dependencia entre sensibilidad y especificidad. Los valores posteriores se estimaron utilizando métodos que consideran algoritmos de muestreo de una distribución de probabilidad (cadenas de Markov Monte Carlo), y las estimaciones se compararon con los resultados del modelo bivariado, que asume independencia estadística en los resultados de la prueba. Para ilustrar la aplicabilidad de los modelos y sus respectivas comparaciones, se utilizaron datos de 14 estudios publicados que informan estimaciones de la precisión del Test de Identificación de Trastorno por Uso de Alcohol. Mediante simulaciones, investigamos el rendimiento de cuatro modelos de cópulas que incorporan escenarios diseñados para replicar situaciones realistas para metaanálisis de precisión diagnóstica de las pruebas. El rendimiento de los modelos se evaluó en base a valores p utilizando la prueba de bondad de ajuste de Cramér-von Mises. Nuestros resultados indicaron que los modelos de cópulas son válidos cuando no se cumplen las suposiciones del modelo bivariado.