Bayesian estimation of diagnostic sensitivity and specificity of a qPCR and a bacteriological culture method for <i>Piscirickettsia salmonis</i> in farmed Atlantic salmon (<i>Salmo salar</i> L.) in Chile
Notice bibliographique
Résumé
Early detection of piscirickettsiosis is an important purpose of government- and industry-based surveillance for the disease in Atlantic salmon farms in Chile. Real-time qPCRs are currently used for surveillance because bacterial isolation is inadequately sensitive or rapid enough for routine use. Since no perfect tests exist, we used Bayesian latent class models to estimate diagnostic sensitivity (DSe) and specificity (DSp) of qPCR and culture using separate two-test, single-population models for three farms (n = 148, 151, 44). Informative priors were used for DSp (culture (beta(999,1); qPCR (beta(98,2)), and flat priors (beta 1,1) for DSe and prevalence. Models were run for liver and kidney tissues combined and separately, based on the presence of selected gross-pathological signs. Across all models, qPCR DSe was 5- to 30-fold greater than for culture. Combined-tissue qPCR median DSe was highest in Farm 3 (sampled during P. salmonis outbreak (DSe = 97.6%)) versus Farm 1 (DSe = 85.6%) or Farm 2 (DSe = 83.5%), both sampled before clinical disease. Median DSe of qPCR was similar for liver and kidney, but higher when gross-pathological signs were evident at necropsy. High DSe and DSp and rapid turnaround-time indicate that the qPCR is fit for surveillance programmes and diagnosis during an outbreak. Targeted testing of salmon with gross-pathological signs can enhance DSe.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».