Addressing censoring issues in estimating the serial interval for tuberculosis
Notice bibliographique
Résumé
The serial interval (SI), defined as the symptom time between an infector and an infectee, is widely used to better understand transmission patterns of an infectious disease. Estimating the SI for tuberculosis (TB) is complicated by the slow progression from asymptomatic infection to active, symptomatic disease, and the fact that there is only a 5-10% lifetime risk of developing active TB disease. Furthermore, the time of symptom onset for infectors and infectees is rarely observed accurately. In this dissertation, we first conduct a systematic literature review to demonstrate the limited methods currently available to estimate the serial interval for TB as well as the few estimates that have been published. Secondly, under the assumption of an ideal scenario where all SIs are observed with precision, we evaluate the effect of prior information on estimating the SI in a Bayesian framework. Thirdly, we apply cure models, proposed by Boag in 1949, to estimate the SI for TB in a Bayesian framework. We show that the cure models perform better in the presence of credible prior information on the proportion of the study population that develop active TB disease, and should be chosen over traditional survival models which assume that all of the study population will eventually have the event of interest—active TB disease. Next, we modify the method by Reich et al. in 2009 by using a Riemann sum to approximate the likelihood function that involves a double integral. In doing so, we are able to reduce the computing time of the approximation method by around 50%. We are also able to relax the assumption of uniformity on the censoring intervals. We show that when using weights that are consistent with the underlying skewness of the intervals, the proposed approaches consistently produce more accurate estimates than the existing approaches. We provide SI estimates for TB using empirical datasets from Brazil and USA/Canada.
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 | 0,107 | 0,385 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».