What Can Genetic Relatedness Tell Us About Risk Factors for Tuberculosis Transmission?
Notice bibliographique
Résumé
BACKGROUND: To stop tuberculosis (TB), the leading infectious cause of death globally, we need to better understand transmission risk factors. Although many studies have identified associations between individual-level covariates and pathogen genetic relatedness, few have identified characteristics of transmission pairs or explored how closely covariates associated with genetic relatedness mirror those associated with transmission. METHODS: We simulated a TB-like outbreak with pathogen genetic data and estimated odds ratios (ORs) to correlate each covariate and genetic relatedness. We used a naive Bayes approach to modify the genetic links and nonlinks to resemble the true links and nonlinks more closely and estimated modified ORs with this approach. We compared these two sets of ORs with the true ORs for transmission. Finally, we applied this method to TB data in Hamburg, Germany, and Massachusetts, USA, to find pair-level covariates associated with transmission. RESULTS: Using simulations, we found that associations between covariates and genetic relatedness had the same relative magnitudes and directions as the true associations with transmission, but biased absolute magnitudes. Modifying the genetic links and nonlinks reduced the bias and increased the confidence interval widths, more accurately capturing error. In Hamburg and Massachusetts, pairs were more likely to be probable transmission links if they lived in closer proximity, had a shorter time between observations, or had shared ethnicity, social risk factors, drug resistance, or genotypes. CONCLUSIONS: We developed a method to improve the use of genetic relatedness as a proxy for transmission, and aid in understanding TB transmission dynamics in low-burden settings.
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 | 0,002 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 | 0,001 | 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 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 ».