Bayesian accuracy estimates for diagnostic tests to detect tuberculosis in captive sun bears (Helarctos malayanus) and Asiatic black bears (Ursus thibetanus) in Cambodia and Vietnam
Notice bibliographique
Résumé
Effective control of tuberculosis (TB) depends on early diagnosis of disease, yet available tests are unable to perfectly detect infected individuals. In novel hosts diagnostic testing methods for TB are extrapolated from other species, with unknown accuracy. The primary challenge to evaluating the accuracy of TB tests is the lack of a perfect reference test. Here we use a Bayesian latent class analysis approach to evaluate five tests available for ante-mortem detection of pulmonary TB in captive sun bears and Asiatic black bears in Southeast Asia. Using retrospective results from screening of 344 bears at three rescue centres, we estimate accuracy parameters for thoracic radiography, a serological assay (DPP VetTB), and three microbiological tests (microscopy, PCR (Xpert MTB/RIF, Xpert MTB/RIF Ultra), mycobacterial culture) performed on bronchoalveolar lavage samples. While confirming the high specificities (≥ 0.99) of the three microbiological tests, our model demonstrated their sub-optimal sensitivities (<0.7). Thoracic radiography was the only diagnostic method with sensitivity (0.95, 95% BCI: 0.76, 0.998) and specificity (0.95, 95% BCI: 0.91, 0.98) estimated above 0.9. We recommend caution when interpreting DPP VetTB results, with the increased sensitivity resulting from treatment of weakly visible reactions as positive accompanied by a drop in specificity, and we illustrate how the diagnostic value of weak DPP VetTB reactions is particularly reduced if disease prevalence and/or clinical suspicion is low. Conversely, the reduced utility of negative microbiological tests on bronchoalveolar lavage fluid samples when prevalence and/or clinical suspicion is high is demonstrated. Taken together our results suggest multiple tests should be applied and accompanied by consideration of the testing context, to minimise the consequences of misclassification of disease status of bears at risk of TB in sanctuary settings.
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 | 0,025 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».