A forensic approach to the interpretation of blood doping markers
Notice bibliographique
Résumé
In the fight against blood doping, the interpretation of the measured levels of blood markers is based on either population-derived reference ranges or the previous test history of the individual under scrutiny. In this report, we demonstrate how an empirical hierarchical Bayesian model can be used to unify both approaches. The aim is to allow anti-doping organizations to bring reliable evidence of blood manipulation in front of a disciplinary panel. Before any tests are performed on an individual, population distributions constitute the priors of a Bayesian network that may depend on heterogeneous factors such as gender, ethnic origin and age. Inferences from the results of a new test are then drawn iteratively. A decision rule can be defined to minimize the expected costs of a decision. Secondly, the same model can be applied to evaluate the evidence of blood doping from a full sequence of individual test results, and not just from a single test result as a function of previous results. We obtained unprecedented sensitivity on a database of 1239 blood samples. Thirdly, if applied to a population of athletes, an extension of the model makes it possible to estimate the prevalence of blood doping for reasonably large populations of athletes. Knowledge of the prevalence allows the decision maker to estimate the prior odds of an athlete being doped. As a consequence, the false-positive fallacy, a form of the prosecutor's fallacy that originates from today multiplication of the number of anti-doping tests, is removed. The joined application of the Bayesian model for (1) the estimation of the prevalence at the population level and (2) the evaluation of the evidence at the individual level will allow anti-doping organizations to prosecute cases for which evidentiary values are derived from indirect blood tests.
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 | 0,016 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».