Developing and validating a Bayesian clinical risk prediction model for three sexually transmitted infections in key populations from two Canadian provinces
Notice bibliographique
Résumé
Objectives Across Canada, in the last decade, incidence rates of sexually transmitted and blood-borne infections (STBBI) have peaked (syphilis) or plateaued (hepatitis C virus (HCV) and HIV). Key populations (gay, bisexual and other men who have sex with men, trans and gender-diverse people, and people who use injection drugs) are at greater risk for these STBBIs, so correctly predicting risk before screening potentially infected individuals is crucial. We developed and validated a diagnostic clinical risk prediction model (CRPM) estimating HIV, HCV and syphilis risk for two key populations in two Canadian provinces. Methods We used 20 variables and STBBI test results from a cross-sectional study evaluating multiplexed testing (detection of coinfections) in New Brunswick and Quebec (n=400) to develop our CRPM. We randomly split the data into development (n=300) and validation (n=100) datasets using clinic-stratified sampling. We used Bayesian predictive projection with development data to select ranked STBBI predictors. We obtained the ORs of the highest performing submodel measured as area under the receiver operating curve (AUC), sensitivity and specificity with 89% credible intervals (89% CrI) using validation data. Analyses were performed in R (≥V.4.2.3). Results Out of 400 participants, 73 were infected with HIV (n=16), HCV (n=60), and/or syphilis (n=5). An internally validated submodel with two predictors ( past drug injection , type of past sexually transmitted infection ) displayed the highest AUC (0.79; 89% CrI 0.66 to 0.79), sensitivity (0.85; 89% CrI 0.79 to 0.91) and specificity (0.30; 89% CrI 0.15 to 0.50). The predictor contributing most to STBBI risk was past drug injection (OR=7.62; 89% CrI 4.41 to 13.07). Conclusions This Bayesian-based CRPM is the first to identify high-risk individuals for HIV, HCV and syphilis with an overall good performance that minimises case missing. After additional validation, it could serve as a promising novel tool for prescreening key populations and improve Canadian STBBI multiplexed screening strategies.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».