A note on COVID-19 seroprevalence studies: a meta-analysis using hierarchical modelling
Notice bibliographique
Résumé
Abstract In recent weeks, several seroprevalence studies have appeared which attempt to determine the prevalence of antibodies against SARS-CoV-2 in the population of certain European and American locations. Many of these studies find an antibody prevalence comparable to the false positive rate of their respective serology tests and the relatively low statistical power associated with each study has invited criticism. To determine the strength of the signal, we perform a meta-analysis on the publicly available seroprevalence data based on Bayesian hierarchical modelling with Markov Chain Monte Carlo and Generalized Linear Mixed Modelling with prediction sampling. We examine studies with results from Santa Clara County (CA), Los Angeles County (CA), San Miguel County (CO), Chelsea (MA), the Comté de Genève (Switzerland), and Gangelt (Germany). Our results are in broad agreement with the conclusions of the studies; we find that there is evidence for non-trivial levels of antibody prevalence across all study locations. However, we also find that a significant probability mass exists for antibody prevalence at levels lower than the reported figures. The results of our meta-analysis on the recent seroprevalence studies point to an important and strongly suggestive signal.
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 | 0,200 | 0,265 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,013 | 0,048 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».