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 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 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| 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 | 0,000 |
| 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 ».