Evaluation of histopathology, PCR, and qPCR to detect Mikrocytos mackini in oysters Crassostrea gigas using Bayesian latent class analysis
Notice bibliographique
Résumé
Latent class analysis (LCA) is a common method to evaluate the diagnostic sensitivity (DSe) and specificity (DSp) for pathogen detection assays in the absence of a perfect reference standard. Here we used LCA to evaluate the diagnostic accuracy of 3 tests for the detection of Mikrocytos mackini in Pacific oysters Crassostrea gigas: conventional polymerase chain reaction (PCR), real-time quantitative PCR (qPCR), and histopathology. A total of 802 Pacific oysters collected over 12 sampling events from 9 locations were assessed. Preliminary investigations indicated that standard LCA assumptions of test independence and constant detection accuracy across locations were likely unrealistic. This was mitigated by restructuring the LCA in a Bayesian framework to include test-derived knowledge about pathogen prevalence and load for categorizing populations into 2 classes of infection severity (low or high) and assessing separate DSe and DSp estimates for each class. Median DSp estimates were high (>96%) for all 3 tests in both population classes. DSe estimates varied between tests and population classes but were consistently highest for qPCR (87-99%) and lowest for histopathology (21-51%). Acknowledging that detection of M. mackini may be fitted to multiple diagnostic and management purposes, qPCR had the highest DSe while maintaining similar DSp to both conventional PCR and histopathology and thus is generally well-suited to most applications.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».