Site‐occupancy modelling as a novel framework for assessing test sensitivity and estimating wildlife disease prevalence from imperfect diagnostic tests
Notice bibliographique
Résumé
Summary 1.Reliable assessments of infection status and population prevalence are critical for epidemiological modelling and disease management, but can be greatly biased when disease state is determined from imperfect diagnostic tests. Available statistical methods to adjust test‐based prevalence estimates by correcting for test accuracy demand that many stringent requirements and assumptions be met (knowledge about underlying population prevalence or multiple diagnostic methods), limiting their utility for wildlife disease surveys. 2.In this paper, we present site‐occupancy modelling as a flexible approach to derive estimates of population prevalence and test sensitivity under imperfect pathogen detection without a need for restrictive requirements or assumptions. We extend the utility of the standard site‐occupancy framework for pathogen detection data by novel application of abundance‐induced heterogeneity (AIH) models ( Royle & Nichols 2003 ) that allow test sensitivity to vary with host pathogen load or infection intensity. 3.We demonstrate the utility of this approach for wildlife disease studies by applying site‐occupancy models to a data set consisting of replicate quantitative (q)PCR diagnoses of malaria parasites (Plasmodiumspp.) in blood samples from wild blue tits (Cyanistes caeruleus). 4.Model selection revealed thatPlasmodiumdetection rates by qPCR were strongly dependent on host parasite load. Estimates of parasite detection rates revealed the qPCR assay to be highly sensitive, with accordingly, a very low probability of false negative diagnosis for the majority of infected hosts in our population and little bias in naive estimates of population prevalence, although this will be a system‐specific result. 5.Our results demonstrate the utility of a site‐occupancy approach for deriving estimates of population prevalence under imperfect pathogen detection and reveal that accounting for host variation in pathogen load allows a more accurate assessment of diagnostic test sensitivity. 6.By identifying factors that influence pathogen detection rates, and revealing optimal protocols for obtaining unbiased prevalence estimates, while minimising the probability of false negative diagnoses, we also show that this approach can enhance both diagnostic accuracy and cost‐efficiency in wildlife disease surveys.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».