Bayesian Estimation of Diagnostic Accuracy of Three Diagnostic Tests for Bovine Tuberculosis in Egyptian Dairy Cattle Using Latent Class Models
Notice bibliographique
Résumé
The aim of the present study was to calculate the sensitivity (Se) and specificity (Sp) of the single cervical tuberculin test (SCT), rapid lateral flow test (RLFT), and real-time polymerase chain reaction (RT-PCR) for the diagnosis of Mycobacterium bovis (M. bovis) infection in Egyptian dairy cattle herds within a Bayesian framework. The true M. bovis infection within-herd prevalence was assessed as a secondary objective. Data on the test results of SCT, RLFT, and RT-PCR for the detection of M. bovis were available from 245 cows in eleven herds in six major governorates in Egypt. A Bayesian latent class model was built for the estimation of the characteristics of the three tests. Our findings showed that Se of SCT (0.93 (95% Posterior credible interval (PCI): 0.89–0.93)) was higher than that of RT-PCR (0.83 (95% PCI: 0.28–0.93)) but was similar to the Se of RLFT (0.93 (95% PCI: 0.31–0.99)). On the contrary, SCT showed the lowest Sp estimate (0.60 (95% PCI: 0.59–0.65)), whereas Sp estimates of RT-PCR (0.99 (95% PCI: 0.95–1.00)) and RLFT (0.99 (95% PCI: 0.95–1.00)) were comparable. The true prevalence of M. bovis ranged between 0.07 and 0.71. In conclusion, overall, RT-PCR and RLFT registered superior performance to SCT, making them good candidates for routine use in the Egyptian bovine tuberculosis control program.
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 | 0,018 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».