Predicting sensitivity of repeated environmental sampling for Mycobacterium avium subsp. paratuberculosis in dairy herds using a Bayesian latent class model
Notice bibliographique
Résumé
Between-herd transmission of Mycobacterium avium subsp. paratuberculosis (MAP) by subclinically infected cattle is an important risk which can hamper effective control of paratuberculosis. Knowledge of herd status would substantially reduce this risk; MAP positive farms can be detected with environmental sampling. The objective of this study was to compare cumulative sensitivities of annual environmental sampling with two or four samples per sampling event without knowledge of true herd status and to calculate the number of sampling events to achieve a cumulative sensitivity of at least 0.9. Data from three repeated sampling events in two study populations, one with 55 herds (two samples/event) and another with 30 herds (four samples/event) including test results, herd and sample characteristics and prior prevalence estimates, were derived from the Alberta Johne's Disease Initiative (Alberta, Canada). A recursive Bayesian latent class model was used to predict the cumulative sensitivity of repeated environmental sampling events. A sampling scheme with four samples per sampling event had a higher cumulative sensitivity than an alternative scheme with two samples. To achieve a cumulative sensitivity of at least 0.9 with 95% probability, eight sampling events with two environmental samples per set, or four sampling events with four samples per set were required. Further model assessment demonstrated that these results can only be generalized to cattle populations with a similar within-herd prevalence to those studied here (approximately 0.08). Nonetheless, these results could help predict herd-level prevalence in cattle populations after environmental testing and provide information regarding the uncertainty behind status estimates for herds repeatedly tested using environmental samples.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| 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 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 ».