Evaluation of selective screening of donors for antibody to <scp><i>Trypanosoma cruzi</i></scp>: seroprevalence of donors who answer “no” to risk questions
Notice bibliographique
Résumé
BACKGROUND: Selective testing of donors for Trypanosoma cruzi infection relies on identification of at-risk donors with screening questions. Using risk modeling and a seroprevalence study, we evaluated the risk of questions failing to identify T. cruzi antibody-positive donors. STUDY DESIGN AND METHODS: The rate of donors with unreported risk was estimated by a telephone survey of 2677 donors who answered "no" to risk questions. The number of T. cruzi antibody-positive donors missed by risk questions was estimated from the product of this rate and the selective testing T. cruzi antibody-positive rate. The 95% confidence interval (CI) was estimated by Monte Carlo simulation. To test the model, 60,132 donors were tested for T. cruzi antibody (26% of donors in selected regions, Phase I). In Winnipeg, Manitoba, the highest-risk region, 26,915 donors were tested (92.5% of donors, Phase II). RESULTS: In the telephone survey, 21 (0.8%) donors reported risk factors that would have identified them for selective testing. Seven were born in Mexico or Central or South America, five had travel risk, and nine had mother or maternal grandmother risk. The 95% CI for predicted number of T. cruzi antibody-positive donors answering "no" to risk questions was 0.71 to 4.38. In Phase I, one Winnipeg donor confirmed positive but had answered risk questions correctly. No other positive donations were identified. CONCLUSION: The estimated risk of T. cruzi-positive donors who answer "no" to risk questions is low and is confirmed by the seroprevalence among these donors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».