Approaches to Estimating Clearance Rates for Human Papillomavirus Groupings: A Systematic Review and Real Data Examples
Notice bibliographique
Résumé
INTRODUCTION: Approaches to estimating clearance rates, an important metric of human papillomavirus (HPV) clearance, for HPV groupings differ between studies. We aimed to identify the approaches used in the literature for estimating grouped HPV clearance rates. We investigated whether these approaches resulted in different estimations, using data from existing studies. METHODS: In this systematic review, we included articles that reported clearance rates of HPV groupings. We identified approaches to data in the HAVANA cohort, comprising adolescent girls, and the H2M cohort, comprising men who have sex with men. We estimated clearance rates for six HPV groupings (bivalent-, quadrivalent- and nonavalent vaccine-related, and low-risk, high-risk, and any HPV). RESULTS: From 26 articles, we identified 54 theoretically possible approaches to estimating clearance rates. These approaches varied regarding definitions of clearance events and person-time, and prevalence or incidence of infections included in the analysis. Applying the nine most-used approaches to the HAVANA ( n = 1,394) and H2M ( n = 745) cohorts demonstrated strong variation in clearance rate estimates depending on the approach used. For example, for grouped high-risk HPV in the H2M cohort, clearance rates ranged from 52.4 to 120.0 clearances/1000 person-months. Clearance rates also varied in the HAVANA cohort, but differences were less pronounced, ranging from 24.1 to 57.7 clearances/1000 person-months. CONCLUSIONS: Varied approaches from the literature for estimating clearance rates of HPV groupings yielded different clearance rate estimates in our data examples. Estimates also varied between study populations. We advise clear reporting of methodology and urge caution in comparing clearance rates between studies.
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 | 0,010 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».