Improving the estimation of tuberculosis infection prevalence using T-cell-based assay and mixture models.
Notice bibliographique
Résumé
BACKGROUND: The prevalence of latent tuberculosis infection (LTBI) is traditionally estimated using the tuberculin skin test (TST). Highly specific blood-based interferon-gamma release assays (IGRAs) are now available and could enhance the estimation of LTBI prevalence in combination with model-based methods. DESIGN: We compared conventional and model-based methods for estimating LTBI prevalence among 719 Indian health care workers who underwent both TST and QuantiFERON-TB Gold In-Tube (QFT-G). In addition to using standard cut-off points on TST and QFT-G, Bayesian mixture model analyses were performed with: 1) continuous TST data and 2) categorical data using both TST and QFT-G results in a latent class analysis (LCA), accounting for prior information on sensitivity and specificity. RESULTS: Estimates of LTBI prevalence varied from 33.8% to 60.7%, depending on the method used. The mixture model based on TST alone estimated the prevalence at 36.5% (95%CI 28.5-47.0). When results from both tests were combined using LCA, the prevalence was 45.4% (95%CI 39.5-51.1). The LCA provided additional results on the sensitivity, specificity and predictive values of joint results. CONCLUSION: The availability of novel, specific IGRAs and development of methods such as mixture analyses allow a more realistic and informative approach to prevalence estimation.
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 | 0,012 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».