Diagnostic testing and the evolution of detection avoidance by pathogens
Notice bibliographique
Résumé
Abstract Diagnostic testing is a key tool in the fight against many infectious diseases. The emergence of pathogen variants that are able to avoid detection by diagnostic testing therefore represents a key challenge for public health. In recent years, variants for multiple pathogens have emerged which escape diagnostic testing, including mutations in Plasmodium falciparum (malaria), Chlamydia trachomatis (chlamydia) and SARS-Cov-2 (Severe acute respiratory syndrome coronavirus 2) (Coronavirus disease 2019). However, little is currently known about when and the extent to which diagnostic test escape will evolve. Here we use a mathematical model to explore how the frequency of diagnostic testing, combined with variation in compliance and efficacy of isolating, together drive the evolution of detection avoidance. We derive key thresholds under which a testing regime will (i) select for diagnostic test avoidance, or (ii) drive the pathogen extinct. Crucially, we show that imperfect compliance with diagnostic testing regimes can have marked effects on selection for detection avoidance, and consequently, for disease control. Yet somewhat counterintuitively, we find that an intermediate level of testing can select for the highest level of detection avoidance. Our results, combined with evidence from various pathogens, demonstrate that the evolution of diagnostic testing avoidance should be carefully considered when designing diagnostic testing regimes.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 ».