Testing bias in calculating HIV incidence from the Serologic Testing Algorithm for Recent HIV Seroconversion
Notice bibliographique
Résumé
OBJECTIVE: Incidence is critical in monitoring HIV infection in populations but often difficult to measure. The Serologic Testing Algorithm for Recent HIV Seroconversion (STARHS) can estimate HIV incidence from a single specimen at low cost. Nevertheless, HIV testing patterns may introduce bias, rendering interpretation of the STARHS result problematic. We found empirical evidence of such bias in Ontario using the STARHS formula with varied window periods METHODS: In a hypothetical population of homosexual men, we calculated HIV incidence from the STARHS assay on the basis of incidence density, study duration, STARHS window period and intertest interval. We also incorporated the increased likelihood of a newly infected person having an HIV test due to seroconversion illness or high-risk behaviours ('seroconversion effect' or SCE). We also varied the intertest interval inversely as a function of incidence density. To adjust incidence estimates for bias, we fit empirical STARHS data to an algebraic formula expressing measured HIV incidence as a function of SCE and incidence. RESULTS: Incidence density estimates were unbiased when SCE or incidence density-interval interactions were absent. However, estimated incidence density was higher than true incidence density in the presence of SCE, as much as seven-fold higher under certain conditions. The goodness-of-fit provided estimates with an excellent fit, yielding plausible results. CONCLUSION: HIV incidence from STARHS may be strongly biased because of early testing in recently infected persons, resulting in substantial overestimation, at least amongst men who have sex with men. Thus, incidence estimates from STARHS must be interpreted with considerable caution. Nevertheless, incidence estimates may be adjusted to yield unbiased results.
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 | 0,066 | 0,246 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».