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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».