Designing and Interpreting Coronavirus Disease 2019 (COVID-19) Diagnostics: Mathematics, Visual Logistics, and Low Prevalence
Notice bibliographique
Résumé
CONTEXT.—: Coronavirus infectious disease-19 (COVID-19) diagnostics require understanding of how predictive values depend on sensitivity, specificity, and especially, low prevalence. Clear expectations, high sensitivity and specificity, and manufacturer disclosure will facilitate excellence of tests. OBJECTIVES.—: To derive mathematical equations for designing and interpreting COVID-19 tests, assess US Food and Drug Administration (FDA) Emergency Use Authorization and Health Canada minimum requirements, establish sensitivity and specificity tiers, and enhance clinical performance in low prevalence settings. DESIGN.—: PubMed and other sources generated articles on COVID-19 testing and prevalence. EndNote X9.1 consolidated references. Mathematica and open access software helped prove equations, perform recursive calculations, graph multivariate relationships, and visualize patterns, including a new relationship, predictive value geometric mean-squared. RESULTS.—: Derived equations were used to illustrate shortcomings of COVID-19 diagnostics in low prevalence. Visual logistics helped establish sensitivity/specificity tiers. FDA/Canada's 90% sensitivity, 95% specificity minimum requirements generate excessive false positives at low prevalence. False positives exceed true positives at prevalence lower than 5.3%, or if sensitivity is improved to 100% and specificity to 98%, at prevalence lower than 2%. Recursive testing improves predictive value. Three tiers emerged from these results. With 100% sensitivity, physicians can select desired predictive values, then input local prevalence, to determine suitable specificity. CONCLUSIONS.—: Understanding low prevalence impact will help health care providers meet COVID-19 needs for effective testing. Laypersons should receive clinical performance disclosure when submitting specimens. Home testing needs to meet the same high standards as other tests. In the long run, it will be more cost-effective to improve COVID-19 point-of-care tests rather than repeat testing multiple times.
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 | 0,023 |
| 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 | 0,002 |
| 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 ».