The application of latent class analysis for diagnostic test validation of chronic Trypanosoma cruzi infection in blood donors
Notice bibliographique
Résumé
The main strategy to prevent transfusion-associated Chagas disease is the identification of T. cruzi-infected blood donors by serological screening tests, however there is no perfect serological gold standard. We evaluated an enzyme immunoassay (EIA), an indirect hemaglutination (IHA), and an indirect immunofluorescence (IIF) test for detecting T. cruzi antibodies in Brazilian blood donors. The results were submitted to latent class analysis, and a radioimmunopreciptation (RIPA) test was performed on repeatedly positive samples. Among 1951 donors, 11 (0.56%) were positive by EIA, 6 (0.31%) by IHA and 16 (0.82%) by IIF. Six samples were positive with all tests, while 4 reacted with EIA and IIF. The RIPA was positive in 6 (75.0%), 7 (66.6%), and 4 (54.0%) samples reacting by the EIA, IHA and IIF tests, respectively. The latent class model detected a high sensitivity rate (100%) for the EIA and IIF, and a specificity rate of 99.95% and 99.69% for the EIA and IIF tests, respectively. The probability of being case according to the model was 99.92% when both EIA and IIF were positive, and 100% for the association of EIA, IIF, and IHA.
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 | 0,003 |
| 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 ».