Measurement error and non-random sampling: addressing biases when studying the association between behavioural characteristics and HIV phylogenetic cluster size
Notice bibliographique
Résumé
L'infection par le virus d'immunodéficience humaine (VIH) est une maladie infectieuse qui a induit des pertes terribles depuis sa découverte, il y a un peu plus de trois décennies. Bien que les traitements actuels sont très efficaces et ont drastiquement réduit la mortalité, le VIH constitue un fardeau considérable pour les patients comme pour la société : la facture annuelle liée aux nouvelles infections par le VIH aux États-Unis est estimée à 36.4 milliards de dollars en 2002. Le virus a d'abord été identifié chez des hommes ayant des relations sexuelles avec d'autres hommes (HSH), et cette population continue d'être affectée par la maladie de manière disproportionnée.Montréal est l'un des principaux centres pour la recherche portant sur le VIH au Canada. En particulier, SPOT est une étude clef, qui se focalise sur les HSH. SPOT offre un dépistage rapide, gratuit et anonyme à la communauté HSH. SPOT recueille également données sociodémographiques et caractéristiques comportementales. Cette thèse est basée sur l'analyse des données de SPOT, agrémentées de données de séquençage ARN du VIH provenant de la cohorte du programme de génotypage du Québec et de la cohorte de primo-infection, qui renseignent sur les tailles des groupes phylogénétiques auxquels appartiennent les sujets séropositifs: large groupe signifie transmission rapide du VIH. Les chercheurs dans le domaine du VIH souhaitent déterminer les corrélats comportementaux de la taille du groupe phylogénétique, puisque la compréhension des déterminants de certains groupes plus grands pourrait suggérer des manières de cibler des interventions permettant de briser les chaînes de transmission. Cependant, il existe au Québec un nombre significatif de personnes qui vivent avec un VIH dont l'ARN n'a pas été séquencé: par conséquent, des erreurs de mesures se produisent lors de la définition de la taille du groupe dans SPOT. De plus, l'erreur de mesure dans la taille du groupe n'est pas de moyenne zéro, mais démontre plutôt une sous-évaluation de la taille réelle du groupe, et il n'est pas possible d'obtenir un échantillon de validation permettant de révéler la taille réelle du groupe pour certains participants de SPOT. Un défi supplémentaire rencontré avec SPOT réside dans le fait que la méthode de recrutement ne se base pas sur une technique d'échantillonnage probabiliste, et de ce fait, les résultats provenant de l'étude SPOT pourraient pâtir d'un manque de généralisabilité. Par conséquent, pour émettre une inférence statistique valide à propos des corrélats de la taille du groupe phylogénétique en se basant sur les données de SPOT, aussi bien les erreurs de mesure que la stratégie d'échantillonnage doivent être pris en considération. Dans cette thèse, je propose et valide des méthodes statistiques pour gérer ces deux problématiques. Dans mon premier manuscrit, j'étends la méthode simulation-extrapolation (SIMEX) à la mesure d'erreurs de moyenne non-zéro (MNZ), qui reproduit mieux les données de SPOT pour les sujets séropositifs. Je justifie cette extension de SIMEX par la modification du modèle de mesure d'erreurs de façon à ce que la taille du groupe observé soit toujours inférieure ou égale à la taille réelle de ce groupe. J'applique par la suite MZN-SIMEX aux participants séropositifs de SPOT pour examiner les corrélats de la taille de groupe phylogénétique. Dans le second manuscrit, et pour inclure dans l'analyse les données provenant des HSH séropositifs et séronégatifs, j'étends l'approche MZN-SIMEX aux situations où l'erreur de mesure dans une covariable d'intérêt dépend de la valeur d'une autre covariable correctement spécifiée. Finalement, dans le troisième manuscrit, j'ajuste simultanément pour la stratégie d'échantillonnage non-probabiliste dans SPOT, et pour la mesure d'erreurs dans la taille de groupe. Cette analyse suggère que la stratégie de comptabilisation pour le recrutement (ou échantillonnage) dans SPOT a un impact notable sur les résultats.
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 | 0,261 | 0,556 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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 ».