SeroTracker: synthesising seroprevalence data to map the true extent of COVID-19 infection and immunity
Notice bibliographique
Résumé
Effective decision-making during pandemics requires understanding the true extent of infection and immunity. Seroprevalence studies measure the population prevalence of antibodies, providing key insight into these quantities. However, the results from these studies are dispersed, hindering their use. We developed SeroTracker, a dashboard and data platform for SARS-CoV-2 seroprevalence studies. Through its ongoing systematic review, SeroTracker identified over 3,800 seroprevalence studies and made their data available to global health, government, and academic stakeholders. Meta-analysing these studies, we show that global SARS-CoV-2 seroprevalence was 59.2% in September 2021 (95% confidence interval 56.1 − 62.2%), and rose steeply during 2021 due to infection in some regions and vaccination in others. We also identify limitations of seroprevalence studies: their timeliness, where the median study is published 154 days after being conducted; measurement bias, where assay manufacturers systematically overestimate sensitivity by 5.4% and specificity by 2.8%; and coverage, where seroprevalence studies are sparse in time and space. To address these challenges, we develop a Bayesian modelling framework that synthesises information from case and seroprevalence data to provide up- to-date estimates of true infections. We validate this model on simulated data and apply it to Canadian data, showing that only approximately 20% of infections were detected as cases at the start of the pandemic, and revealing substantial geographical heterogeneity in infection dynamics. Returning to SeroTracker’s evidence synthesis process, we develop an automated tool for risk of bias assessment with excellent reliability compared to manual review (intraclass correlation 0.77), and implement a natural language processing-based process to screen abstracts for our systematic review that reduces screening time by approximately 70%. Finally, we reflect on the increased risk posed by pandemics and discuss future work applying engineering to public health to reduce these risks, including the development of a central data repository for respiratory virus surveillance data.
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 | 0,061 | 0,238 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,011 |
| Bibliométrie | 0,022 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,002 |
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 ».