Screening Algorithm for BK Virus-Associated Nephropathy Using Sequential Testing of Urinary Cytology: A Probabilistic Model Analysis
Notice bibliographique
Résumé
BACKGROUND: Incorporating urinary cytology in BK virus (BKV) screening algorithm potentially reduces the screening cost for BK viral nephropathy. We aimed to evaluate the test performances and screening cost of sequential 2-stage screening consisting of urine cytology followed by BKV serum quantitative polymerase chain reaction (PCR). METHODS: Ninety-five kidney transplant recipients who had BKV serum quantitative PCR/urine cytology tested and verified with histopathology (the reference gold standard) were included. A probabilistic model was constructed to evaluate the test performance and screening cost of 2-stage screening, and was compared with screening with urine cytology or serum viral load alone. RESULTS: At a viral load threshold of ≥104 copies/ml, the sensitivity and specificity of quantitative PCR alone were 83% (95% CI 69-96) and 91% (95% CI 83-97), respectively. The sensitivity and specificity of urine cytology alone were 91% (95% CI 79-100) and 74% (95% CI 60-91), respectively. Sequential 2-stage screening resulted in loss in sensitivity but a net gain in specificity (viral load threshold ≥104 copies/ml - sensitivity, 75% (95% CI 60-91); specificity, 98% (95% CI 95-99)). Two-stage screening also had superior positive predictive value and is cost effective when BKV-associated nephropathy prevalence is below 94%. CONCLUSIONS: Our study had demonstrated a favorable test performance and cost efficiency of 2-stage BKV screening.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».