Bayesian latent class analysis of <scp>ELISA</scp> and <scp>RT</scp>‐<scp>rPCR</scp> diagnostic accuracy for subclinical <i>Renibacterium salmoninarum</i> infection in Atlantic salmon (<i>Salmo salar</i>) broodstock
Notice bibliographique
Résumé
Renibacterium salmoninarum infection causes bacterial kidney disease (BKD) in salmonid freshwater and saltwater life stages, with potentially severe financial loss for the aquaculture industry. Preventing vertical transmission, from infected broodstock to eggs, is key to disease management. As there is no perfect reference standard for detecting R. salmoninarum, we used Bayesian latent class analyses to compare real-time reverse transcriptase PCR (RT-rPCR, mRNA target) and enzyme-linked immunosorbent assay (ELISA; p57 antigen target) diagnostic accuracy for detection in Atlantic salmon broodstock from British Columbia, Canada, and assessed ELISA repeatability. In 2016, 4,544 Atlantic salmon broodstock (no clinical signs of BKD or gross lesions) were sampled for ELISA testing of kidney tissue. Two groups of ELISA positives (n = 132) and two groups of a random sample of ELISA negatives (n = 137) were then tested with RT-rPCR, and ELISA testing was repeated. ELISA testing of broodstock provided the best diagnostic sensitivity (DSe; less chance of false-negative results). The use of joint RT-rPCR and ELISA testing improved DSe over that from each test alone, if a sample was considered positive when either test result was positive. Using these testing schemes in combination with management practices can decrease the likelihood of vertical transmission from subclinically infected broodstock.
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 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».