Limitations introduced by a low participation rate of SARS-CoV-2 seroprevalence data
Notice bibliographique
Résumé
BACKGROUND: There has been a large influx of COVID-19 seroprevalence studies, but comparability between the seroprevalence estimates has been an issue because of heterogeneities in testing platforms and study methodology. One potential source of heterogeneity is the response or participation rate. METHODS: We conducted a review of participation rates (PR) in SARS-CoV-2 seroprevalence studies collected by SeroTracker and examined their effect on the validity of study conclusions. PR was calculated as the count of participants for whom the investigators had collected a valid sample, divided by the number of people invited to participate in the study. A multivariable beta generalized linear model with logit link was fitted to determine if the PR of international household and community-based seroprevalence studies was associated with the factors of interest, from 1 December 2019 to 10 March 2021. RESULTS: We identified 90 papers based on screening and were able to calculate the PR for 35 out of 90 papers (39%), with a median PR of 70% and an interquartile range of 40.92; 61% of the studies did not report PR. CONCLUSIONS: Many SARS-CoV-2 seroprevalence studies do not report PR. It is unclear what the median PR rate would be had a larger portion not had limitations in reporting. Low participation rates indicate limited representativeness of results. Non-probabilistic sampling frames were associated with higher participation rates but may be less representative. Standardized definitions of participation rate and data reporting necessary for the PR calculations are essential for understanding the representativeness of seroprevalence estimates in the population of interest.
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 | 0,004 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».