Better methods for diagnostic test evaluations in infectious diseases
Notice bibliographique
Résumé
The thesis focuses on the application of epidemiological and biostatistical methods for better test accuracy assessment in infectious diseases, particularly in the pediatric population and in population health surveillance. We explore and propose a modelling approach that includes clinical and/or population health relevant constructs in the assessment of test accuracy and apply this to the respiratory pathogen SARS-CoV-2. <br/>We examine the severity of the multi-inflammatory syndrome in children and the challenges in diagnosing past infections during the early pandemic. We provide seroprevalence estimates and risk factors for seropositivity from a prospective cohort study in Belgian schools. Additionally, we report on the development, initiation, and analysis of the data provided by the surveillance system of Flemish school COVID-19 cases.<br/>Throughout the thesis, we use Bayesian latent class analysis to estimate the sensitivity and specificity of tests to diagnose SARS-CoV-2 past-infection rates. We then improve the more classically used latent class model for the assessment of the prevalence and the accuracy estimates, via the decomposition of the test accuracy question into its elements i) the tests under evaluation, ii) their measurands and iii) the target condition(s). We use directed acyclic graphs to visualize the model and Bayesian inference to obtain the estimates. We find more realistic estimates for the accuracy of the tests with regards to the measurands and the tests with regards to the different target conditions, clarifying their clinical performance to diagnose cases depending on the moment of testing. This corroborates the importance of explicitness regarding the target condition.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,003 | 0,015 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».