Two‐phase Bayesian latent class analysis to assess diagnostic test performance in the absence of a gold standard: <scp>COVID</scp>‐19 serological assays as a proof of concept
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: In this proof-of-concept study, which included blood donor samples, we aimed to demonstrate how Bayesian latent class models (BLCMs) could be used to estimate SARS-CoV-2 seroprevalence in the absence of a gold standard assay under a two-phase sampling design. MATERIALS AND METHODS: To this end, 6810 plasma samples from blood donors who resided in Québec (Canada) were collected from May to July 2020 and tested for anti-SARS-CoV-2 antibodies using seven serological assays (five commercial and two non-commercial). RESULTS: SARS-CoV-2 seroprevalence was estimated at 0.71% (95% credible interval [CrI] = 0.53%-0.92%). The cPass assay had the lowest sensitivity estimate (88.7%; 95% CrI = 80.6%-94.7%), while the Héma-Québec assay had the highest (98.7%; 95% CrI = 97.0%-99.6%). CONCLUSION: The estimated low seroprevalence (which indicates a relatively limited spread of SARS-CoV-2 in Quebec) might change rapidly-and this tool, developed using blood donors, could enable a rapid update of the prevalence estimate in the absence of a gold standard. Further, the present analysis illustrates how a two-stage BLCM sampling design, along with blood donor samples, can be used to estimate the performance of new diagnostic tests and inform public health decisions regarding a new or emerging disease for which a perfect reference standard does not exist.
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 | 0,083 | 0,092 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».