[论文解读] On the Estimation of the Proportion of True Recent Infections Using the BED Capture Enzyme Immunoassay

Thomas A. McWalter, Alex Welte|ArXiv.org|Jun 7, 2008

SARS-CoV-2 detection and testing参考文献 2被引用 5

一句话总结

本文重新评估了BED捕获酶免疫测定法（BED CEIA）在估计真实近期HIV感染比例方面的应用，通过识别并纠正先前方法中存在缺陷的校准假设。该研究推导出一个简化的公式，消除了对敏感性（σ）和短期特异性（ρ₁）的依赖，仅依赖长期特异性（ρ₂）和窗口期（ω），从而降低了校准复杂性，并通过仅依赖ρ₂和ω来提高不确定性估计的准确性。

ABSTRACT

In this short note, we analyze the assumptions made by McDougal et al (2006), both explicit and implicit, in their estimation of the proportion of "true recent infections" using the BED CEIA. This enables us to write down expressions for the sensitivity, short term specificity and long term specificity of a test for recent infection defined by a BED ODn below a threshold. We then derive an identity which shows the relationship between these parameters, allowing the elimination of sensitivity and short term specificity from an expression relating the proportion of "true recent infections" to the proportion of seropositive individuals testing below threshold. This has two important consequences. Firstly, the simplified formula is substantially more amenable to calibration. Secondly, naively treating the parameters as independent would lead to an incorrect estimate of uncertainty due to imperfect calibration.

研究动机与目标

• 识别并纠正McDougal等人在使用BED CEIA估计真实近期HIV感染比例时所隐含和明确的假设。
• 推导一个简化的公式，用于估计真实近期感染比例（Pₜ），并消除对敏感性（σ）和短期特异性（ρ₁）的依赖。
• 通过减少独立参数的数量来改进校准过程，从而增强统计功效并减少错误的不确定性估计。
• 证明长期特异性（ρ₂）和窗口期（ω）比σ和ρ₁更能从随访数据中可靠估计。
• 提出一个基于ρ₂和ω作为主要校准参数的更稳健的发病率估计框架。

提出的方法

• 引入一个具有任意窗口期ω₁和ω₂的一般化模型，确保所有进展者均在ω₁ + ω₂内达到阈值。
• 定义进展者的生存函数Sₚᵤ|ₐ(t)，并通过非进展者比例𝔼ₙₚ将其与总体生存函数Sᵤ|ₐ(t)关联起来。
• 推导出一个关键恒等式：σ − (ω₂/ω₁)ρ₁ + (1 + ω₂/ω₁ − ω/ω₁)ρ₂ = 1，该恒等式将敏感性、短期和长期特异性以及窗口期联系起来。
• 利用该恒等式从原始发病率公式中消去σ和ρ₁，得到Pₜ = (ω/ω₁)(Pₒ + ρ₂ − 1)/ρ₂。
• 证明当ω₁ = ω时，公式简化为Pₜ = (Pₒ + ρ₂ − 1)/ρ₂，仅依赖于ρ₂和Pₒ。
• 建议ρ₂和ω比σ和ρ₁更能从长期随访数据中可靠估计，因为σ和ρ₁需要精确的感染时间。

实验结果

研究问题

• RQ1 BED CEIA在估计真实近期HIV感染比例时，其隐含和明确的假设是什么？
• RQ2 如何改进BED CEIA的校准过程，以减少参数依赖性和不确定性？
• RQ3 能否在不损失准确性的前提下，从发病率估计公式中消除敏感性（σ）和短期特异性（ρ₁）？
• RQ4 在BED CEIA模型中，敏感性、短期和长期特异性以及窗口期之间存在何种关系？
• RQ5 从纵向随访数据中，ρ₂或ω哪一个更可靠可估？这对发病率估计有何影响？

主要发现

• 作者推导出一个新的恒等式：σ − (ω₂/ω₁)ρ₁ + (1 + ω₂/ω₁ − ω/ω₁)ρ₂ = 1，该恒等式在模型假设下成立。
• 该恒等式使得敏感性（σ）和短期特异性（ρ₁）能够从发病率估计公式中被消除。
• 简化后的公式Pₜ = (ω/ω₁)(Pₒ + ρ₂ − 1)/ρ₂仅依赖于ω、ω₁和ρ₂，从而降低了校准复杂性。
• 当ω₁ = ω时，公式进一步简化为Pₜ = (Pₒ + ρ₂ − 1)/ρ₂，仅依赖于ρ₂和观测比例Pₒ。
• ρ₂的校准比σ和ρ₁更可靠，因为其可从感染后超过ω₁ + ω₂时间点采集的样本中估计。
• 使用校准值σ = 0.768、ρ₁ = 0.723和ρ₂ = 0.944，恒等式结果为0.989，证实了校准的合理性。